一种开关柜局放模式的预测方法及装置制造方法及图纸

本发明专利技术提供一种开关柜局放模式的预测方法及装置。该预测方法包括：获取开关柜的多个局放信号；并基于局放信号筛选模型，对多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号；基于原始局放模式识别模型，对可预测局放信号进行预测，得到可预测局放信号的局放模式，并标注不可预测局放信号对应的局放模式；基于多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本；基于样本扩充后的识别训练样本，对原始局放模式识别模型进行重新训练，得到重训练局放模式识别模型，基于重训练局放模式识别模型对开关柜的实时局放信号进行预测。本发明专利技术能够提高局放模式识别模型识别准确度，保证开关柜安全运行。行。行。

【技术实现步骤摘要】
一种开关柜局放模式的预测方法及装置


[0001]本专利技术涉及输变电
，尤其涉及一种开关柜局放模式的预测方法及装置。

技术介绍

[0002]开关柜在电力系统中占据着至关重要的地位，其良好的运行状态是保证电力系统安全可靠运行的重要基础。随着我国特高压电网的快速建设发展，局部放电已经成为了引起电力设备绝缘性能降低甚至劣化的关键因素。且不同种类的局部放电形式会对电气设备造成不同程度的危害。因此对局放模式的精准辨识可以为电力设备健康状态评估提供可靠的参考信息，也可以作为局放故障定位的辅助手段，有助于提高局放故障定位的精度。
[0003]人工神经网络通过对局放信号中的特征进行挖掘、分析和学习，实现对于局放信号的局放模式的识别。但是，局放发生的电极形状及电场环境对局放信号的波形具有较大影响，开关柜等电力设备生产、运输及现场运行环境工况复杂，现场设备绝缘缺陷工况多样导致发生局放的电极形状多样、电场环境复杂，复杂的局放发生环境造成现场信号波形多样，不可避免的会出现与人工神经网络的训练样本库中脉冲波形相似度较低的局放信号。
[0004]由于该部分局放信号的特征尚未挖掘学习，且局放模式识别模型很难自主学习到该部分局放信号的特征，导致局放模式识别模型对该类局放信号识别困难，容易导致开关柜等电力设备的安全事故。

技术实现思路

[0005]本专利技术提供了一种开关柜局放模式的预测方法及装置，能够提高局放模式识别模型识别准确度，保证开关柜等电力设备安全运行。
[0006]第一方面，本专利技术提供了一种开关柜局放模式的预测方法，包括：获取开关柜的多个局放信号；并基于局放信号筛选模型，对多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号；基于原始局放模式识别模型，对可预测局放信号进行预测，得到可预测局放信号的局放模式，并标注不可预测局放信号对应的局放模式；基于多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本；基于样本扩充后的识别训练样本，对原始局放模式识别模型进行重新训练，得到重训练局放模式识别模型，基于重训练局放模式识别模型对开关柜的实时局放信号进行预测。
[0007]本专利技术提供一种开关柜局放模式的预测方法，通过设置局放信号筛选模型，对开关对的局放信号进行筛选，得到可预测局放信号和不可预测局放信号，并对不可预测局放信号标注对应的局放模式。之后，基于多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本；并以扩充后的识别训练样本对原始局放模式识别模型进行重新训练，从而重训练局放模式识别模型可以识别更多的局放信号，提高了局放模式识别模型识别准确度。此外，本专利技术通过局放信号筛选模型可以实现对于不可预测局放信号的主动挖掘和学习，保证了局放模式识别模型可以实时准确识别，从而保证开关柜等电力设备安全运行。
[0008]在一种可能的实现方式中，基于局放信号筛选模型，对多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号，之前还包括：获取历史时期内开关柜的历史局放信号，历史局放信号包括第一局放信号和第二局放信号，第一局放信号为原始局放模式识别模型可以识别的局放信号，第二局放信号为原始局放模式识别模型不可识别的局放信号；基于原始局放模式识别模型，对历史局放信号进行特征分析，得到各历史局放信号的特征图，其中，每个历史局放信号的特征图包括原始局放模式识别模型的各卷积层输出的特征图和神经网络层输出的特征图；基于各历史局放信号的特征图，和历史局放信号是否可识别，生成筛选训练样本；基于筛选训练样本对预先设置的卷积神经网络模型，训练得到局放信号筛选模型。
[0009]在一种可能的实现方式中，预先设置的卷积神经网络模型包括输入层，注意力模块、第一卷积神经网络、第二卷积神经网络和输出层；基于筛选训练样本对预先设置的卷积神经网络模型，训练得到局放信号筛选模型，包括：步骤一，将各筛选训练样本中的特征图输入到输入层，得到融合特征图；融合特征图用于表征单个特征图的特征，或，多个特征图的融合特征；步骤二，将融合特征图，经第一卷积神经网络计算输出融合特征图的特征矩阵；步骤三，基于注意力模块，生成注意力矩阵；注意力矩阵用于提高融合特征图的特征矩阵中重要特征的权重；步骤四，基于注意力矩阵，和融合特征图的特征矩阵进行转换，得到特征映射矩阵；步骤五，将特征映射矩阵输入第二卷积神经网络，并经输出层输出筛选结果，其中，特征图的筛选结果包括该特征图对应的局放信号可识别或该特征图对应的局放信号不可识别；步骤六，基于筛选结果和筛选结果对应的筛选训练样本，计算本次迭代训练过程的损失函数；步骤七，若损失函数达到预设条件，或，迭代次数到达最大迭代次数，则退出训练过程，得到局放信号筛选模型；否则，更新注意力模块、第一卷积神经网络和第二卷积神经网络中的参数，重复执行步骤二至步骤七，直至退出训练过程。
[0010]在一种可能的实现方式中，将各筛选训练样本中的特征图输入到输入层，得到融合特征图，包括：对于任一特征图，若该特征图为神经网络层输出的特征图，则将该特征图直接确定为融合特征图；若该特征图为最后一层卷积层输出的特征图，则将该特征图与神经网络层输出的特征图融合，生成融合特征图；若该特征图为除最后一层卷积层之外的其他卷积层输出的特征图，则将该特征图与下一层卷积层输出的特征图融合，生成融合特征图。
[0011]在一种可能的实现方式中，基于局放信号筛选模型，对多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号，包括：将多个局放信号，输入局放信号筛选模型，得到各局放信号对应的预测值；将预测值大于筛选阈值的局放信号，确定为可预测局放信号；将预测值小于等于筛选阈值的局放信号，确定为不可预测局放信号。
[0012]在一种可能的实现方式中，标注不可预测局放信号对应的局放模式，包括：获取用户输入的各不可预测局放信号对应的局放模式；基于用户输入的各不可预测局放信号对应的局放模式，对不可预测局放信号进行标注。
[0013]在一种可能的实现方式中，基于多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本，包括：基于可预测局放信号，以及可预测局放信号的局放模式，确定第一识别训练样本；基于不可预测局放信号，以及对不可预测局放信号标注的局放模式，确定第二识别训练样本；基于第一识别训练样本和第二识别训练样本，确定样本扩
充后的识别训练样本。
[0014]第二方面，本专利技术实施例提供了一种开关柜局放模式的预测装置，包括：通信模块，用于获取开关柜的多个局放信号；处理模块，用于基于局放信号筛选模型，对多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号；基于原始局放模式识别模型，对可预测局放信号进行预测，得到可预测局放信号的局放模式，并标注不可预测局放信号对应的局放模式；基于多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本；基于样本扩充后的识别训练样本，对原始局放模式识别模型进行重新训练，得到重训练局放模式识别模型，基于重训练局放模式识别模型对开关柜的实时局放信号进行预测。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种开关柜局放模式的预测方法，其特征在于，包括：获取开关柜的多个局放信号；并基于局放信号筛选模型，对所述多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号；基于原始局放模式识别模型，对可预测局放信号进行预测，得到可预测局放信号的局放模式，并标注所述不可预测局放信号对应的局放模式；基于所述多个局放信号，以及各局放信号对应的局放模式，生成样本扩充后的识别训练样本；基于所述样本扩充后的识别训练样本，对所述原始局放模式识别模型进行重新训练，得到重训练局放模式识别模型，基于所述重训练局放模式识别模型对开关柜的实时局放信号进行预测。2.根据权利要求1所述的开关柜局放模式的预测方法，其特征在于，所述基于局放信号筛选模型，对所述多个局放信号进行筛选，得到可预测局放信号和不可预测局放信号，之前还包括：获取历史时期内开关柜的历史局放信号，所述历史局放信号包括第一局放信号和第二局放信号，所述第一局放信号为所述原始局放模式识别模型可以识别的局放信号，所述第二局放信号为所述原始局放模式识别模型不可识别的局放信号；基于所述原始局放模式识别模型，对所述历史局放信号进行特征分析，得到各历史局放信号的特征图，其中，每个历史局放信号的特征图包括所述原始局放模式识别模型的各卷积层输出的特征图和神经网络层输出的特征图；基于所述各历史局放信号的特征图，和所述历史局放信号是否可识别，生成筛选训练样本；基于所述筛选训练样本对预先设置的卷积神经网络模型，训练得到所述局放信号筛选模型。3.根据权利要求2所述的开关柜局放模式的预测方法，其特征在于，所述预先设置的卷积神经网络模型包括输入层，注意力模块、第一卷积神经网络、第二卷积神经网络和输出层；所述基于所述筛选训练样本对预先设置的卷积神经网络模型，训练得到所述局放信号筛选模型，包括：步骤一，将所述各筛选训练样本中的特征图输入到所述输入层，得到融合特征图；所述融合特征图用于表征单个特征图的特征，或，多个特征图的融合特征；步骤二，将所述融合特征图，经所述第一卷积神经网络计算输出所述融合特征图的特征矩阵；步骤三，基于所述注意力模块，生成注意力矩阵；所述注意力矩阵用于提高所述融合特征图的特征矩阵中重要特征的权重；步骤四，基于所述注意力矩阵，和所述融合特征图的特征矩阵进行转换，得到特征映射矩阵；步骤五，将所述特征映射矩阵输入所述第二卷积神经网络，并经输出层输出筛选结果，其中，特征图的筛选结果包括该特征图对应的局放信号可识别或该特征图对应的局放信号不可识别；
步骤六，基于所述筛选结果和所述筛选结果对应的筛选训练样本，计算本次迭代训练过程的损失函数；步骤七，若所述损失函数达到预设条件，或，迭代次数到达最大迭代次数，则退出训练过程，得到局放信号筛选模型；否则，更新注意力模块、第一卷积神经网络和第二卷积神经网络中的参数，重复执行所述步骤二至步骤...

【专利技术属性】
技术研发人员：路士杰，庞先海，刘宏亮，董驰，顾朝敏，李天辉，
申请(专利权)人：国网河北省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：