【技术实现步骤摘要】
本专利技术涉及局部放电检测领域，特别是涉及一种局部放电检测方法、系统、设备及介质。
技术介绍
1、局部放电(partial discharge，pd)是电气设备中常见的故障现象之一，其产生的高频信号对设备的可靠性和安全性具有重要影响。因此，开发一种高效准确的局部放电检测系统对于电力行业至关重要。传统的局部放电检测方法主要依赖于专家经验和人工特征提取，存在着诸多限制和挑战。一方面，人工特征提取需要依赖领域专家的知识和经验，不仅耗时耗力，而且难以捕捉到复杂的非线性关系。另一方面，传统方法对于未标记的数据无法有效利用，导致模型性能的下降。
2、近年来，深度学习技术的快速发展为局部放电检测带来了新的机遇。深度学习模型能够自动学习输入数据的特征表示，无需手动设计特征，从而提高了检测系统的准确性和鲁棒性。然而，深度学习通常需要大量标记数据进行训练，而在实际应用中，标记数据往往难以获取，这限制了深度学习在局部放电检测中的应用。
技术实现思路
1、本专利技术的目的是提供一种局部放电检测方法、系统、设备及介质，以实现局部放电检测并提高检测准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种局部放电检测方法，所述方法包括：
4、获取目标电气设备的运行数据；
5、将所述运行数据输入至局部放电判别模型中，得到所述目标电气设备的判别结果；所述判别结果包括：发生局部放电现象的高频信号；
6、其中，所述局部放电判别模型，包括：
7、所述双向长短时记忆网络用于对所述运行数据进行时序计算，得到目标时序数据，并对所述目标时序数据进行特征提取，得到目标时序特征数据；
8、所述注意力机制层用于对所述目标时序特征数据进行注意力机制计算以及加权融合计算，得到目标融合特征数据；
9、所述全连接层用于对所述目标融合特征数据进行线性变换和非线性映射，得到目标变换数据；
10、所述训练后的优化器用于根据所述目标变换数据确定所述目标电气设备的判别结果。
11、可选地，所述局部放电判别模型的确定方法，具体包括：
12、获取所述目标电气设备的训练数据；所述训练数据包括：有标签的运行数据和无标签的运行数据；所述标签为判别结果；
13、构建局部放电判别网络；所述局部放电判别网络，包括：依次连接的双向长短时记忆网络、注意力机制层、全连接层和优化器；
14、将所述训练数据输入至所述局部放电判别网络中的双向长短时记忆网络进行时序计算，得到训练时序数据，并对所述训练时序数据进行特征提取，得到训练时序特征数据；
15、将所述训练时序特征数据作为所述注意力机制层的输入，对所述训练时序特征数据进行注意力机制计算以及加权融合计算，得到训练融合特征数据；
16、将所述训练融合特征数据作为所述全连接层的输入，对所述训练融合特征数据进行线性变换和非线性映射，得到训练变换数据；
17、将所述训练变换数据作为所述优化器的输入，以交叉熵损失函数最小为目标，采用反向传播法对所述优化器的参数进行训练，得到训练后的优化器；所述交叉熵损失函数是采用基于不平衡的一致性正则化的半监督学习方法确定的；所述交叉熵损失函数包括有标签损失函数和无标签损失函数；
18、所述局部放电判别模型，包括：所述双向长短时记忆网络、所述注意力机制层、所述全连接层和训练后的优化器。
19、可选地，将所述训练数据输入至所述局部放电判别网络中的双向长短时记忆网络进行时序计算，得到训练时序数据，并对所述训练时序数据进行特征提取，得到训练时序特征数据，具体包括：
20、将所述训练数据输入至所述双向长短时记忆网络中的时序重置层，进行非线性激活运算，得到非线性结果；所述时序重置层包括多个正向的长短时记忆网络单元和多个反向的长短时记忆网络单元；所述非线性结果包括正向非线性结果和反向非线性结果；
21、将所述非线性结果输入至双向长短时记忆网络中的更新层，将所述正向非线性结果和所述反向非线性结果进行拼接以及特征捕捉，得到输出结果；
22、将所述输出结果输入至所述双向长短时记忆网络中的输出层进行相乘运算，得到所述训练时序特征数据。
23、可选地，将所述训练时序特征数据作为所述注意力机制层的输入，对所述训练时序特征数据进行注意力机制计算以及加权融合计算，得到训练融合特征数据，具体包括：
24、根据所述训练时序特征数据，采用注意力机制进行归一化相关性计算，确定所述训练时序特征数据对应的注意力分布；
25、根据所述注意力分布和所述训练时序特征数据进行加权求和，得到训练融合特征数据。
26、可选地，所述交叉熵损失函数的表达式为：
27、
28、其中，lu为交叉熵损失函数；i为序号；n为有标签的运行数据的数量；μn为无标签的运行数据的数量；qi为预测类分布；τ为阈值；h为交叉熵函数；为伪标签；pm(y|zi)为预测类分布；z为训练数据；x为有标签的运行数据；u为无标签的运行数据。
29、一种局部放电检测系统，所述系统包括：
30、数据获取模块，用于获取目标电气设备的运行数据；
31、判别模块，用于将所述运行数据输入至局部放电判别模型中，得到所述目标电气设备的判别结果；所述判别结果包括：发生局部放电现象的高频信号；
32、其中，所述局部放电判别模型，包括：双向长短时记忆网络、注意力机制层、全连接层和训练后的优化器；
33、所述双向长短时记忆网络用于对所述运行数据进行时序计算，得到目标时序数据，并对所述目标时序数据进行特征提取，得到目标时序特征数据；
34、所述注意力机制层用于对所述目标时序特征数据进行注意力机制计算以及加权融合计算，得到目标融合特征数据；
35、所述全连接层用于对所述目标融合特征数据进行线性变换和非线性映射，得到目标变换数据；
36、所述训练后的优化器用于根据所述目标变换数据确定所述目标电气设备的判别结果。
37、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的局部放电检测方法。
38、一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的局部放电检测方法。
39、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
40、本专利技术提供了一种局部放电检测方法、系统、设备及介质，通过获取目标电气设备的运行数据；将运行数据输入至局部放电判别模型中，得到目标电气设备的判别结果；局部放电判别模型包括双向长短时记忆网络、注意力机制层、全连接层和训练后的优化器；双向长短时记忆网络对运行数据进行时序计算以及特征提取，得到目标时本文档来自技高网...
【技术保护点】
1.一种局部放电检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的局部放电检测方法，其特征在于，所述局部放电判别模型的确定方法，具体包括：
3.根据权利要求2所述的局部放电检测方法，其特征在于，将所述训练数据输入至所述局部放电判别网络中的双向长短时记忆网络进行时序计算，得到训练时序数据，并对所述训练时序数据进行特征提取，得到训练时序特征数据，具体包括：
4.根据权利要求2所述的局部放电检测方法，其特征在于，将所述训练时序特征数据作为所述注意力机制层的输入，对所述训练时序特征数据进行注意力机制计算以及加权融合计算，得到训练融合特征数据，具体包括：
5.根据权利要求2所述的局部放电检测方法，其特征在于，所述交叉熵损失函数的表达式为：
6.一种局部放电检测系统，其特征在于，所述系统包括：
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至5中任意一项所述的局部放电检测方法。
8.一种计算机可读存储介质
...【技术特征摘要】
1.一种局部放电检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的局部放电检测方法，其特征在于，所述局部放电判别模型的确定方法，具体包括：
3.根据权利要求2所述的局部放电检测方法，其特征在于，将所述训练数据输入至所述局部放电判别网络中的双向长短时记忆网络进行时序计算，得到训练时序数据，并对所述训练时序数据进行特征提取，得到训练时序特征数据，具体包括：
4.根据权利要求2所述的局部放电检测方法，其特征在于，将所述训练时序特征数据作为所述注意力机制层的输入，对所述训练时序特征数据进行注意力机制计算以及加权...
【专利技术属性】
技术研发人员：张建磊，张春燕，李昂，
申请(专利权)人：爱科特科技海南有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。