【技术实现步骤摘要】
本专利技术设计电力设备局部放电故障诊断领域，具体为一种基于无监督领域自适应的电力设备绝缘故障诊断方法。
技术介绍
1、电力设备作为电网构成的重要部分，其安全、稳定运行直接影响着电能传输的可靠性。其中，绝缘性能是影响电力设备运行可靠性的关键指标，然而在生产制造、运输、安装、机械操作等过程往往会产生典型绝缘缺陷，进而诱发设备内部发生不同形式的局部放电(partial charge,pd)。国际大电网会议工作组研究表明，不同局部放电形式对损伤设备内部绝缘性能具有差异性。因此，准确诊断电力设备绝缘缺陷类型，识别不同局部放电形式，对保障电力设备安全运行和提高电网稳定性具有重要意义
2、随着pd监测传感的现场部署及智能算法的发展，数据驱动的绝缘缺陷智能诊断方法为提高感知电力设备内部绝缘状态带来了新的突破。然而受不同绝缘严重程度及工况条件的影响，智能模型潜在假设条件，训练集和测试集特征分布的一致性在实际应用场景中很难被满足。此外，在未知场景中数据标签信息缺失为智能诊断模型自适应新场景数据特征带来新的挑战。y.wang等人通过域对抗迁移技术实现仿真数据训练的绝缘缺陷诊断模型迁移至实际应用场景(基于域对抗迁移卷积神经网络的小样本gis绝缘缺陷智能诊断方法王艳新闫静王建华耿英三刘志远电力设备电气绝缘国家重点实验室(西安交通大学)西安710049)，但这种迁移过程要求实际场景中提供准确、可靠的标签信息。
3、基于此，现有技术存在以下技术问题：(1)现有的许多方法无法根据未知场景中数据分布特征自适应更新智能诊断模型参数，因而仅能
技术实现思路
1、本专利技术为了克服现有技术存在的缺点与不足，提出了一种基于无监督领域自适应的电力设备绝缘故障诊断方法，包括基于簇原型向量匹配的伪标签生成器、簇对比学习机制、簇子域特征匹配器，能够更好地解决实际未见场景中数据标签获取困难且样本集特征分布与训练集差异导致模型鲁棒性损伤的问题，全面提升绝缘缺陷智能诊断模型在实际应用中的准确率和鲁棒性。本专利技术能够利用新场景中采集的、不含有标签信息的pd数据直接更新模型参数，使得智能诊断模型自适应新场景，提高模型鲁棒性和泛化能力。
2、本专利技术至少通过如下技术方案之一实现。
3、一种基于无监督领域自适应的电力设备绝缘故障诊断方法，包括以下步骤：
4、s1、采集电力设备局部放电特高频数据；
5、s2、搭建基于深度学习的绝缘缺陷诊断模型，包括时序特征预处理器、特征提取器和分类器；
6、s3、利用已知场景中含有标签信息的数据集作为源域，并基于此预训练绝缘故障诊断模型，并保留模型参数；
7、s4、在特征提取器输出的高维特征空间中，构建簇原型向量匹配的目标域伪标签生成器；
8、s5、将未见场景中无标签数据集作为目标域，利用无监督聚类算法构建源域和目标域在特征空间中的簇子域；
9、s6、以簇原型向量为锚点，簇子域内同类样本为正样本对，构建簇对比学习机制，强化域内类可判别特征机器细粒度；
10、s7、利用高斯径向基函数将簇子域映射到高维的希尔伯特空间，构建簇子域特征匹配器，对齐源域和目标域中簇子域特征，实现类可判别特征信息从源域到目标域的迁移；
11、s8、联合簇对比学习机制和簇子域特征匹配器，更新特征提取器参数；
12、s9、利用含有标签信息的源域数据集微调分类器参数，实现绝缘缺陷故障诊断。
13、进一步地，步骤s1中，电力设备绝缘缺陷类型包括异物附着、金属尖端、金属颗粒和绝缘气隙，电力设备绝缘缺陷诱发设备内部产生局部放电，利用特高频传感器采集对应的放电信号。
14、进一步地，采集不同工况条件的四种局部放电特高频信号数据，按照工况条件差异构建不同数据集；在所述数据集中，将含有标签信息的ns个样本的数据集作为源域xi表示源域中第i条局部放电特高频信号，yi表示第i条样本对应的绝缘故障类型；将不含有标签信息的nt个样本的数据集作为目标域xj表示目标域中第j条局部放电特高频信号。
15、进一步地，步骤s2中，构建基于深度学习的绝缘缺陷诊断模型，包括：
16、时序特征预处理器h(·)，包括利用一维卷积神经网络沿着时序方向滑动卷积核直接提取原始局部放电特高频数据，并通过特征拼接构建二维时序特征图谱；
17、特征提取器h(·)，包括含有分组卷积结构的res2net-18骨架网络，用于深度挖掘时序特征预处理器输出的二维时序特征图谱与目标绝缘缺陷类型的非线性映射关系；
18、分类器f(·)，包括全连接神经网络，用于学习特征提取器输出高维特征的分类特征信息。
19、进一步地，簇原型向量匹配的目标域伪标签生成器，包括：
20、分别将源域和目标域数据集输入至绝缘缺陷诊断模型，获取源域和目标域样本的高维特征表示：
21、
22、式中和分别表示源域样本和目标域样本的高维特征表示，φ为高维特征映射函数；
23、在特征提取器输出的高维特征空间中，利用k-means++识别源域样本的簇原型向量；
24、
25、式中表示k-means++识别源域样本高维特征表示的第k个簇集合，为第k个簇集合的样本数目，即源域特征空间中第k个簇子域；为源域第k个簇的簇原型向量；
26、基于欧式距离匹配目标域样本特征表示与簇原型向量的相似度，并结合簇原型向量隶属于类的信任度，生成目标域样本伪标签，其中簇原型向量隶属于类的信任度是根据源域中簇集合内各类样本数目确定：
27、式中wk为簇原型向量隶属于类的信任度的逻辑向量；表示内含有m类样本的数目；为目标域样本的伪标签向量；表示和的欧式距离，其中表示高维特征函数基于输出的特征表示；nc为簇的总数目。进一步地，步骤s6中，以簇原型向量为锚点，在簇子域内将同类样本作为正样本对，域内其它样本作为负样本对：
28、式中以源域数据集的高维特征构建源域正负样本对，其中为源域第k个簇的簇原型向量；和分别表示源域中的正负样本对；表示源域中第k个簇子域；c表示标签属性；表示子域中标签属性为c的样本数目；ck为簇内样本数目最多的类标签；ui和vj分别表示隶属于和的元素；为由nc个簇子域构成的源域特征空间；为is中除之外的样本特征集合；类似地，为实现目标域正负样本对的构建，目标域特征空间表示为其中依次表示目标域中的簇子域；按照上述方式，亦可构造目标域正负样本对，其中目标域标签信息来源于目标域伪标签生成器生成的伪标签。进一步地，步骤s6中，所述对比学习机制如下：
29、式中表示由nc个簇子域构成本文档来自技高网...
【技术保护点】
1.一种基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S1中，电力设备绝缘缺陷类型包括异物附着、金属尖端、金属颗粒和绝缘气隙，电力设备绝缘缺陷诱发设备内部产生局部放电，利用特高频传感器采集对应的放电信号。
3.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，采集不同工况条件的四种局部放电特高频信号数据，按照工况条件差异构建不同数据集；在所述数据集中，将含有标签信息的NS个样本的数据集作为源域xi表示源域中第i条局部放电特高频信号，yi表示第i条样本对应的绝缘故障类型；将不含有标签信息的NT个样本的数据集作为目标域xj表示目标域中第j条局部放电特高频信号。
4.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S2中，构建基于深度学习的绝缘缺陷诊断模型，包括：
5.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，簇原型向量
6.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S6中，以簇原型向量为锚点，在簇子域内将同类样本作为正样本对，域内其它样本作为负样本对：
7.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S6中，所述对比学习机制如下：
8.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S7中，利用高斯径向基函数将簇子域映射到高维的再生希尔伯特空间，通过核方法求解簇子域层面的源域与目标域特征间最大均值差异：
9.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S8中，联合优化源域簇对比学习损伤项目标域簇对比学习损伤项和源域与目标域在簇子域层面的最大均值差异并利用反向传播算法更新时序特征预处理器h(·)和特征提取器H(·)的模型参数。
10.根据权利要求1～9任一项所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤S9中，将含有标签信息的源域数据集输入至模型中，预测其绝缘缺陷类型，其中xi表示源域中第i条局部放电特高频信号，yi表示第i条样本对应的实际绝缘故障类型，则分类任务损伤项为：
...【技术特征摘要】
1.一种基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤s1中，电力设备绝缘缺陷类型包括异物附着、金属尖端、金属颗粒和绝缘气隙，电力设备绝缘缺陷诱发设备内部产生局部放电，利用特高频传感器采集对应的放电信号。
3.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，采集不同工况条件的四种局部放电特高频信号数据，按照工况条件差异构建不同数据集；在所述数据集中，将含有标签信息的ns个样本的数据集作为源域xi表示源域中第i条局部放电特高频信号，yi表示第i条样本对应的绝缘故障类型；将不含有标签信息的nt个样本的数据集作为目标域xj表示目标域中第j条局部放电特高频信号。
4.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，步骤s2中，构建基于深度学习的绝缘缺陷诊断模型，包括：
5.根据权利要求1所述的基于无监督领域自适应的电力设备绝缘故障诊断方法，其特征在于，簇原型向量匹配的目标域伪标签生成器，包括：
6.根据权利要求1所述的基于无...
【专利技术属性】
技术研发人员：余松，谢从珍，王纪港，苟彬，林柏森，黄奕琅，周晓静，陈伟文，
申请(专利权)人：华南理工大学，
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。