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】
本专利技术属于局部放电分类识别,具体地涉及gis局部放电模式识别模型及其训练方法。
技术介绍
1、气体绝缘开关设备(gis)是一种使用sf6作为绝缘介质的电气设备,以其卓越的绝缘性能和熄灭电弧的效率而闻名。它具有体积小、可靠性高等优点,在高压输配电系统中得到广泛应用。
2、随着运行次数的增加,在电力系统复杂的运行环境下,设备内部难免面临绝缘材料老化的挑战及潜在缺陷的涌现,这些问题可能诱发局部放电现象,从而对电力系统的安全稳定运行构成严重威胁。局部放电主要形式有浮动电极放电、自由颗粒放电、气隙放电、针尖放电和绝缘子表面放电等。不同类型局部放电对设备的破坏程度有显著差异。因此,有必要根据局部放电数据识别放电模式,从而对可能出现的故障进行预警和评估,指导电力系统采取相应的措施,减少损失。近年来,机器学习技术被引入局部放电谱图信号的分类中,显著提升了分类效率。通过捕捉放电脉冲的频率相位与放电量,构建局部放电prpd谱图,实现了放电信息的图形化呈现,每张谱图均蕴含丰富的放电点信息,有效缩减了pd记录的数据规模。同时,依托相位信息的连续监测,实现了对放电现象的长期跟踪。然而,当前prpd谱图研究高度依赖于特定设备与统一实验参数下的数据集,这在一定程度上限制了模型的泛化能力。当实验条件或数据源发生变化时,如设备更换或现场gis数据采集,模型性能往往会受到影响,识别精度下降。解决这一问题,需要探索提升模型适应性的策略,使其能够跨越不同数据源与实验条件的鸿沟,保持在不同场景下的鲁棒性能,从而推动气体绝缘开关设备故障诊断技术的进一步发展
技术实现思路
1、基于现有技术中存在的上述缺点和不足,本专利技术的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本专利技术的目的之一是提供满足前述需求之一或多个的gis局部放电模式识别模型及其训练方法,以达到提升模型的识别精度,同时确保在不同条件下的鲁棒性与通用性的目的。
2、为了达到上述专利技术目的,本专利技术采用以下技术方案:
3、第一方面,本专利技术提供gis局部放电模式识别模型训练方法,包括步骤:s1、获取训练图集,所述训练图集包括多张原始图像及其对应的放电模式标签;s2、对训练图集中每张原始图像进行相位特征提取以生成对应的灰度图和灰度值,构建相位匹配神经网络并将每一灰度图及其对应的放电模式标签输入所述相位匹配神经网络,以输出每一灰度图的每一放电模式概率;s3、基于放电模式标签对灰度图进行分类,对同类灰度图的灰度值和每一放电模式概率进行归一化处理后累加,以得到表征各类放电模式的统计特征值;s4、基于各类放电模式的统计特征值和灰度图的灰度值,计算每一灰度图与每一放电模式的相似度,预设修正系数并基于此修正每一灰度图的每一放电模式概率;s5、设置相位匹配神经网络训练损失函数,基于所述训练损失函数和步骤s4修正后得到的每一灰度图的每一放电模式概率,优化相位匹配神经网络参数完成训练,得到识别模型。
4、作为一种优选的方案,步骤s2所述对训练图集中每张原始图像进行相位特征提取以生成对应的灰度图和灰度值,包括步骤:对训练图集中每张原始图像进行预处理以隐藏与相位特征无关的信息,所述与相位特征无关的信息包括坐标轴和文本;对预处理后的每张原始图像进行二值化处理以得到灰度图;将灰度图中的黑色放电点赋值为1且白色背景点赋值为0,使用双线性插值将每一灰度图调整为同一分辨率n,以得到每一灰度图的灰度值,则第i张灰度图的灰度值记为 ai,,且 ai取值范围为[0 , 1]。
5、作为一种优选的方案,步骤s2所述构建相位匹配神经网络,包括步骤:设置多层神经元以形成输入层、输出层和至少一个中间层,从而构建所述相位匹配神经网络;所述所述输出层设置有激活函数f(x)。
6、作为一种优选的方案,将从所述输入层输入的每一灰度图及其对应的放电模式标签记为 x,且将所述输出层输出的每一灰度图的每一放电模式概率记为 y,则某一灰度图的某一放电模式概率的表达式为
7、式中, i表示第 i张灰度图, c表示第 c种放电模式, n表示相位匹配神经网络中输出放电模式概率结果的神经元对应的层数。
8、作为一种优选的方案,某一灰度图中某一像素点的某一放电模式的统计特征值表达式为:式中,, i表示第 i张灰度图, j表示灰度图中某一像素点, n表示灰度图中像素点的总数, c表示第 c种放电模式。
9、作为一种优选的方案,步骤s4所述预设修正系数并基于此修正每一灰度图的每一放电模式概率之前,还包括步骤:将相似度映射到预设映射区间后再使用激活函数计算,以得到映射后的相似度;所述预设映射区间为[0,1];将映射前的每一灰度图与每一放电模式的相似度记为 sic,并将映射后的每一灰度图与每一放电模式的相似度记为 cic。
10、作为一种优选的方案,所述相似度 sic的表达式为式中, i表示第 i张灰度图, c表示第 c种放电模式, ai表示第 i张灰度图的灰度值, wc表示某一灰度图中某一像素点的某一放电模式的统计特征值;所述相似度 cic的表达式为式中, i表示第 i张灰度图, c表示第 c种放电模式, sic表示第 i张灰度图与第 c种放电模式的相似度。
11、作为一种优选的方案,修正后某一灰度图的某一放电模式概率的表达式为:式中, λ表示修正系数, i表示第 i张灰度图, c表示第 c种放电模式, n表示相位匹配神经网络中输出放电模式概率结果的神经元对应的层数。
12、作为一种优选的方案,所述损本文档来自技高网...
【技术保护点】
1.GIS局部放电模式识别模型训练方法,其特征在于,包括步骤:
2.根据权利要求1所述的GIS局部放电模式识别模型训练方法,其特征在于,步骤S2所述对训练图集中每张原始图像进行相位特征提取以生成对应的灰度图和灰度值,包括步骤:
3.根据权利要求2所述的GIS局部放电模式识别模型训练方法,其特征在于,步骤S2所述构建相位匹配神经网络,包括步骤:
4.根据权利要求3所述的GIS局部放电模式识别模型训练方法,其特征在于:
5.根据权利要求4所述的GIS局部放电模式识别模型训练方法,其特征在于,某一灰度图中某一像素点的某一放电模式的统计特征值表达式为:
6.根据权利要求5所述的GIS局部放电模式识别模型训练方法,其特征在于,步骤S4所述预设修正系数并基于此修正每一灰度图的每一放电模式概率之前,还包括步骤:
7.根据权利要求6所述的GIS局部放电模式识别模型训练方法,其特征在于:
8.根据权利要求7所述的GIS局部放电模式识别模型训练方法,其特征在于,修正后某一灰度图的某一放电模式概率的表达式为:
< ...【技术特征摘要】
1.gis局部放电模式识别模型训练方法,其特征在于,包括步骤:
2.根据权利要求1所述的gis局部放电模式识别模型训练方法,其特征在于,步骤s2所述对训练图集中每张原始图像进行相位特征提取以生成对应的灰度图和灰度值,包括步骤:
3.根据权利要求2所述的gis局部放电模式识别模型训练方法,其特征在于,步骤s2所述构建相位匹配神经网络,包括步骤:
4.根据权利要求3所述的gis局部放电模式识别模型训练方法,其特征在于:
5.根据权利要求4所述的gis局部放电模式识别模型训练方法,其特征在于,某一灰度图中某一像素点的某一放电模式的统计特征值表达...
【专利技术属性】
技术研发人员:邵先军,陈孝信,郑一鸣,钱平,徐华,王绍安,李斐然,赵琳,李晨,杨智,姜雄伟,王劭鹤,周阳洋,
申请(专利权)人:国网浙江省电力有限公司电力科学研究院,
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。