System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及局部放电信号处理,具体为基于多尺度探测自注意 力网络的局放信号定位方法。
技术介绍
1、局部放电,简称局放,是电力电缆运行中的一个较大的安全隐患,是电 缆绝缘劣化的征兆,也是造成绝缘劣化的重要原因之一。因此对电力电缆进 行局部放电信号检测和定位研究有着重要的意义和经济价值。i ec及世界各国 都制定了相关的局部放电信号测试标准,通过对局部放电信号的检测及时发 现绝缘系统中的薄弱环节,找出故障原因,保证电力电缆质量,保障电力系 统安全可靠运行。
2、现有的超高频局部放电监测装置用于实现对高压输配电电缆进行局部放 电情况的监测。当装置中出现局部放电现象时,会产生特高频信号,通过局 放传感器的检测,将高频信号进行模数转换和分析运算,在局放信号采集单 元中,将采集到的放电脉冲信号叠加至检测线路的工频相位上,得到对应的 局放脉冲相位图谱,以分析导致局放发生装置缺陷种类。
3、然而,现有的监测方法电路复杂、器件寿命低,运行可靠性不高,容易 产生新的干扰源及信号受到外界干扰,导致了采集信号的不稳定,并且机器 学习在局放信号的识别和定位的应用中,由于transformer注意力模块在处 理图像特征图方面的局限性,它存在收敛速度慢和特征空间分辨率受限的问 题,在局放信号这种较小的特征处理上性能较差,准确性不容易保证。
4、因此,提出基于多尺度探测自注意力网络的局放信号定位方法来解决上 述问题。
技术实现思路
1、(一)解决的技术问题
2、
3、(二)技术方案
4、本专利技术解决上述技术问题的技术方案如下:基于多尺度探测自注意力网 络的局放信号定位方法,包括以下步骤:
5、获取检测信号数据,并将检测信号数据具象化得到检测信号图像,再进 行预处理获得局放信号图像;
6、将局放信号图像输入到分割模型中获取局放信号区域并输出局放信号生 成局放信号分割掩模;
7、将检测信号图像输入到自注意力网络模型中检测局放信号区域并对局放 信号进行定位和分类获得信号检测结果图;
8、基于分割模型的输出结果和自注意力网络模型输出结果,将局放信号分 割掩模和信号检测结果图输入判别网络进行判别,根据判别结果输出局放信 号的定位和分类。
9、在上述技术方案的基础上,本专利技术还可以做如下改进。
10、进一步,所述预处理操作包括:使用基于滑动窗口的采样策略,对检测 信号图像进行裁剪,获得若干个图像块。
11、进一步,所述分割模型包括图像转序列模块、第一编码器和第一解码器;
12、所述第一编码器由le层的多头自注意和多层感知器组成。
13、进一步,所述分割模型具体过程如下:
14、1-1)、将输入的局放信号图像x∈m3×h×w转换到接受特征嵌入的一维序 列z∈ml×c,使用线性投影函数(p→e∈mc)将维度变为c,并添加位置编 码pi,从而形成序列输入e;
15、其中,l为序列长度,c为隐藏通道大小;
16、1-2)、以一维嵌入序列e为输入,采用基于transformer的第一编码器 进行学习特征表示,得到输出特征zm;
17、1-3)、将第一编码器输出特征zm输入解码器,采用一种交替转换层和 上采样操作的渐进上采样策略执行像素级分割获得局放信号并生成局放信号 分割掩模。
18、进一步,所述自注意力网络模型包括cnn骨干网络、第二编码器、第二 解码器和前向反馈网络;
19、第二解码器输出后连接两个前向反馈网络,分别用于预测局放区域及其 类别;
20、第二编码器包括多尺度可变形注意力模块;
21、第二解码器包括多尺度可变形注意力模块和自注意力模块。
22、进一步,所述多尺度可变形注意力模块共有三层第二编码器和一层第二 解码器。
23、进一步,所述自注意力网络模型具体过程如下:
24、2-1)、输入检测信号图像经cnn骨干网络,在运行至cnn的最后一层conv5 时生成视觉特征图,并将视觉特征图进行扁平化;
25、2-2)、对扁平化后的视觉特征图添加位置编码和嵌入等级,再输入至多 尺度可变形注意力模块的编码器中进行编码并输出获得多尺度特征图,从而 得到图像端的全局特征;
26、2-3)、将多尺度特征图输入至解码器,同时输入目标查询至解码器中, 由多尺度可变形注意力模块和自注意力模块根据目标查询进行查询,在解码 器的单次查询传递中获得一组固定大小的n个预测,loss在预测目标和真值 目标之间产生最佳二分匹配,然后优化特定于边界框的loss。
27、2-4)、通过具有relu激活函数和隐藏维度d的3层感知器和线性投影 层进行预测,由ffn预测输入图像的归一化中心坐标、高度和宽度,由线性 层使用softmax函数预测类标签,用特殊类标签“空集”用于表示槽内没有 检测到信号。
28、进一步,将局放信号分割掩模和信号检测结果图输入判别网络后,所述 判别网络的判别过程如下:
29、对检测区域与分割区域进行像素级别的重叠判别;
30、若不存在重叠区域,则对该检测区域判别为正常信号区域,不对其进行 定位和类别的呈现;
31、若存在重叠区域,则判别是局放信号,最终将局放信号的定位和类别信 息作为判别网络进行输出。
32、本专利技术的有益效果是:
33、1、本专利技术结合了对局放信号区域分割的算法,辅助了信号检测的最终结 果判读,快速找到疑似局放信号的区域,极大地降低了在信号处理上寻找局 放信号区域的时间和精力。
34、2、本专利技术通过多尺度自注意力网络进行局放信号定位,该方法是一种端 到端的数据处理方法,在局放信号识别和定位应用中,多尺度自注意力网络 模型收敛速度变快,应用在局放信号这种较小的特征处理上性能较好,准确 性高。
本文档来自技高网...【技术保护点】
1.基于多尺度探测自注意力网络的局放信号定位方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述预处理操作包括:使用基于滑动窗口的采样策略,对检测信号图像进行裁剪,获得若干个图像块。
3.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述分割模型包括图像转序列模块、第一编码器和第一解码器;
4.根据权利要求3所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述分割模型具体过程如下:
5.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述自注意力网络模型包括CNN骨干网络、第二编码器、第二解码器和前向反馈网络;
6.根据权利要求5所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述多尺度可变形注意力模块共有三层第二编码器和一层第二解码器。
7.根据权利要求5或6所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述自注意力网络模型具体过
8.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:将局放信号分割掩模和信号检测结果图输入判别网络后,所述判别网络的判别过程如下:
...【技术特征摘要】
1.基于多尺度探测自注意力网络的局放信号定位方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述预处理操作包括:使用基于滑动窗口的采样策略,对检测信号图像进行裁剪,获得若干个图像块。
3.根据权利要求1所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述分割模型包括图像转序列模块、第一编码器和第一解码器;
4.根据权利要求3所述的基于多尺度探测自注意力网络的局放信号定位方法,其特征在于:所述分割模型具体过程如下:
5.根据权利要求1所述的基于多尺度探测...
【专利技术属性】
技术研发人员:邓奕,赵国瑾,朱奎虎,祝季楹,王磊,刘嘉政,陈佳文,谢铨,谭大鹏,马俊,余烈,
申请(专利权)人:武汉纺织大学,
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。