开关柜中局放模式的检测方法及装置与流程

1.本发明涉及输变电技术领域，尤其涉及一种开关柜中局放模式的检测方法 及装置。


背景技术：

2.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变压器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。因此对局放类型的精准辨识 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。
3.而在局放模式识别时，样本数量较少，类型分布不均衡，导致分类器的训 练过程存在样本缺失、信息不全等问题。分类器对局放模式的识别的准确度收 到影响。


技术实现要素：

4.本发明提供了一种开关柜中局放模式的检测方法及装置，能够提高开关柜 局放模式检测的准确度。
5.第一方面，本发明提供了一种开关柜中局放模式的检测方法，包括：获取 真实样本，真实样本包括开关柜的真实局放信号和与真实局放信号对应的局放 模式；将真实样本输入样本生成模型，经样本生成模型的生成器降维处理和反 向重构后，生成与真实样本分布接近的局放样本；生成器用于在降维处理和反 向重构过程中增强对真实局放信号各维度特征的约束；基于局放样本，训练得到局放预测模型，并将开关柜的实时局放信号输入局放预测模型，得到开关柜 的局放模式。
6.本发明提供一种开关柜中局放模式的检测方法，一方面，通过样本生成模 型生成局放样本，增加了局放样本的多样性，丰富了局放预测模型的训练样 本，降低局放预测模型过程中样本缺失、信息不全的问题，提高了局放预测模 型对局放模式检测的准确度。另一方面，样本生成模型中的生成器在降维处理 和反向重构过程中增强对真实局放信号各维度特征的约束，提高了生成的局放样本各维度特征与实局放信号各维度特征的相似度，也即局放样本与真实样本 的分布接近，提高了局放样本的真实性，从而进一步提高了开关柜局放模式检 测的准确度。
7.在一种可能的实现方式中，生成器包括ogc模块和sag模块；将真实样 本输入样本生成模型，经样本生成模型的生成器降维处理和反向重构后，生成 与真实样本分布接近的局放样本，包括：将真实样本输入样本生成模型，通过 ogc模块，对真实样本中的真实局放信号进行降维处理，得到降维信号；通 过sag模块，对降维信号进行反向重构，得到模拟局放信号；基于模拟局放 信号和局放模式，生成局放样本。
8.在一种可能的实现方式中，将真实样本输入样本生成模型，通过ogc模 块，对真实样本中的真实局放信号进行降维处理，得到降维信号，包括：对于 每次降维过程，通过ogc
模块，基于自适应确定该次降维过程中学习矩阵的 权重调整值；权重调整值用于调整降维过程中各特征值对应的权重；基于上一 次降维得到的局放信号，学习矩阵，以及权重调整值，确定该次降维过程得到 的降维信号。
9.在一种可能的实现方式中，通过sag模块，对降维信号进行反向重构， 得到模拟局放信号，包括：对于每次反向重构过程，通过sag模块，基于自 注意机制，确定该次反向重构过程中网络参数权重；网络参数权重用于调整反向重构过程中各特征值对应的权重；基于上一次反向重构过程得到的局放信号，和网络参数权重，确定该次反向重构过程得到的局放信号。
10.在一种可能的实现方式中，将真实样本输入样本生成模型，经样本生成模 型的生成器降维处理和反向重构后，生成与真实样本分布接近的局放样本之 前，还包括：基于真实样本，优化预先设置的样本生成模型的模型参数，得到 样本生成模型。
11.在一种可能的实现方式中，基于真实样本，优化预先设置的样本生成模型 的模型参数，得到样本生成模型，包括：步骤一，固定生成器的参数，基于真 实样本，以减小鉴别器的损失函数为目标，以鉴别器判定为真为结果，对鉴别 器的参数进行优化；步骤二，固定生成器的参数，基于真实样本，并在生成器 中添加随机噪声，以减小鉴别器的损失函数为目标，以鉴别器判定为假为结果，对鉴别器的参数进行优化；步骤三，固定鉴别器的参数，基于真实样本， 并在生成器中添加随机噪声，以鉴别器判定为真为结果，得到梯度信息；基于 梯度信息，以减小生成器的损失函数为目标，对生成器的参数进行优化；步骤 四，若生成器的损失函数和鉴别器的损失函数达到纳什均衡点，则停止优化过 程，得到样本生成模型；若生成器的损失函数和鉴别器的损失函数未达到纳什 均衡点，则重复步骤一至步骤四，直至退出迭代过程。
12.在一种可能的实现方式中，降维过程中的降维信号基于如下公式生成；
[0013][0014]
其中，为用于调整权重的加权函数，为用于调整权重的加权函数， xn第n次迭代过程中的特征向量，为各维度学习矩阵参数权重， x
(n+1)
为第n+1次迭代过程中的特征值；
[0015]
反向重构过程中的局放信号基于如下公式生成；
[0016][0017]
其中，w
(n+1)
为第n+1次迭代过程中的权重向量，wn为第n次迭代过程中的权重向量，该维度下的网络参数权重，xn为第n次迭代时的特征向量， σ为激活函数。
[0018]
第二方面，本发明实施例提供了一种开关柜中局放模式的检测装置，包 括：通信模块，用于获取真实样本，真实样本包括开关柜的真实局放信号和与 真实局放信号对应的局放模式；处理模块，用于将真实样本输入样本生成模 型，经样本生成模型的生成器降维处理和反向重构后，生成与真实样本分布接 近的局放样本；生成器用于在降维处理和反向重构过程中增强对真实局放信号各维度特征的约束；基于局放样本，训练得到局放预测模型，并将开关柜的实 时局放信号输入局放预测模型，得到开关柜的局放模式。
[0019]
在一种可能的实现方式中，生成器包括ogc模块和sag模块；处理模 块，具体用于将真实样本输入样本生成模型，通过ogc模块，对真实样本中 的真实局放信号进行降维处理，得到降维信号；通过sag模块，对降维信号 进行反向重构，得到模拟局放信号；基于模拟局放信号和局放模式，生成局放样本。
[0020]
在一种可能的实现方式中，处理模块，具体用于对于每次降维过程，通过 ogc模块，基于自适应确定该次降维过程中学习矩阵的权重调整值；权重调 整值用于调整降维过程中各特征值对应的权重；基于上一次降维得到的局放信 号，学习矩阵，以及权重调整值，确定该次降维过程得到的降维信号。
[0021]
在一种可能的实现方式中，处理模块，具体用于对于每次反向重构过程， 通过sag模块，基于自注意机制，确定该次反向重构过程中网络参数权重； 网络参数权重用于调整反向重构过程中各特征值对应的权重；基于上一次反向 重构过程得到的局放信号，和网络参数权重，确定该次反向重构过程得到的局 放信号。
[0022]
在一种可能的实现方式中，处理模块，还用于基于真实样本，优化预先设 置的样本生成模型的模型参数，得到样本生成模型。
[0023]
在一种可能的实现方式中，处理模块，具体用于执行如下步骤，步骤一，固定生成器的参数，基于真实样本，以减小鉴别器的损失函数为目标，以鉴别 器判定为真为结果，对鉴别器的参数进行优化；步骤二，固定生成器的参数， 基于真实样本，并在生成器中添加随机噪声，以减小鉴别器的损失函数为目 标，以鉴别器判定为假为结果，对鉴别器的参数进行优化；步骤三，固定鉴别 器的参数，基于真实样本，并在生成器中添加随机噪声，以鉴别器判定为真为结果，得到梯度信息；基于梯度信息，以减小生成器的损失函数为目标，对生 成器的参数进行优化；步骤四，若生成器的损失函数和鉴别器的损失函数达到 纳什均衡点，则停止优化过程，得到样本生成模型；若生成器的损失函数和鉴 别器的损失函数未达到纳什均衡点，则重复步骤一至步骤四，直至退出迭代过 程。
[0024]
在一种可能的实现方式中，降维过程中的降维信号基于如下公式生成；
[0025][0026]
其中，为用于调整权重的加权函数，为用于调整权重的加权函数， xn第n次迭代过程中的特征向量，为各维度学习矩阵参数权重， x
(n+1)
为第n+1次迭代过程中的特征值；
[0027]
反向重构过程中的局放信号基于如下公式生成；
[0028][0029]
其中，w
(n+1)
为第n+1次迭代过程中的权重向量，wn为第n次迭代过程 中的权重向量，该维度下的网络参数权重，xn为第n次迭代时的特征向量， σ为激活函数。
[0030]
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器 和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储 器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现 方式所述方法的步骤。
[0031]
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可 读存储
介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时 实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
[0032]
上述第二方面至第四方面中任一种实现方式所带来的技术效果可以参见第 一方面对应实现方式所带来的技术效果，此处不再赘述。
附图说明
[0033]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳 动性的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1是本发明实施例提供的一种开关柜中局放模式的检测方法的流程示意 图；
[0035]
图2是本发明实施例提供的一种各局放模式下真实局放信号的示意图；
[0036]
图3是本发明实施例提供的一种真实样本和局放样本的二维分布示意图；
[0037]
图4是本发明实施例提供的一种开关柜中局放模式的检测装置的结构示意 图；
[0038]
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0039]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况 中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的 细节妨碍本发明的描述。
[0040]
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，a/b可以表示a或b。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可 以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和 b，单独存在b这三种情况。此外，“至少一个”“多个”是指两个或两个以上。
ꢀ“
第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二
”ꢀ
等字样也并不限定一定不同。
[0041]
在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或 说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方 案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用
ꢀ“
示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
[0042]
此外，本技术的描述中所提到的术语“包括”和“具有”以及它们的任何变 形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方 法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其 他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备 固有的其它步骤或模块。
[0043]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图 通过具体实施例来进行说明。
[0044]
如背景技术所述，目前在局放模式识别时，样本数量较少，类型分布不均 衡，导致分类器的训练过程存在样本缺失、信息不全等问题。分类器对局放模 式的识别的准确度收到影响。
[0045]
为解决上述技术问题，如图1所示，本发明实施例提供一种开关柜中局放 模式的检测方法。该检测方法的执行主体为开关柜中局放模式的检测装置。该 检测方法包括步骤s101-s103。
[0046]
s101、获取真实样本。
[0047]
本技术实施例中，真实样本包括开关柜的真实局放信号和与真实局放信号 对应的局放模式。
[0048]
在一些实施例中，局放模式可以包括尖端放电、悬浮放电、气泡放电和沿面放电。
[0049]
s102、将真实样本输入样本生成模型，经样本生成模型的生成器降维处理 和反向重构后，生成与真实样本分布接近的局放样本。
[0050]
本技术实施例中，生成器用于在降维处理和反向重构过程中增强对真实局 放信号各维度特征的约束。
[0051]
在一些实施例中，样本生成模型可以包括生成器和鉴别器。生成式对抗网 络通过样本生成模型中生成器和鉴别器不断博弈基于真实局放信号分布的新局 放信号，扩充后生成的局放样本更加丰富。在一些实施例中，生成器包括 ogc模块和sag模块。
[0052]
需要说明的是，传统的生成器对原始数据利用堆叠的卷积神经网络采用先 降低维度再提高维度即先降维再重构的操作生成新的数据，整个生成过程中只 有卷积的采样降维，对于原始数据各个维度的特征权重未加区分，缺乏有力约 束，生成的新的局放数据往往真实性不强。本发明采用将ogc模块与sag模 块构成生成器的方式能够解决单纯的堆叠卷积核导致生成质量不佳的问题。
[0053]
在一些实施例中，ogc模块利用两个分支的ban模块对原始数据进行上 采样操作将原始数据降维映射到新的维度中，训练过程中两个分支的ban结 构能够通过调整网络权重的形式加速训练过程，相较于传统生成器只通过判别 器反向更新生成器参数的方式，ogc模块两个分支的ban结构能够自适应更 新调整从原始数据继承得到的代表性特征，从而更新降维过程中各维度的学习 矩阵参数权重。
[0054]
通过ogc降维得到的特征向量与原始数据更具有特征对应的关系，增强 了生成器对原始局放数据降维过程的约束，为sag重构局放数据的真实性提 供了有力保障。
[0055]
在一些实施例中，sag模块由四组包含自注意机制的sagn网络组成， 与传统卷积方法不同，自注意机制捕获来自所有特征位置的加权响应，而权重 则以较小的计算成本进行估计，能够有效地聚合特征向量中的全局特征信息，以此权重更新方式更新sagn网络参数，即在反向重构的过程中通过自注意 机制更新网络参数权重，使生成方向更趋近于接近原始局放数据，同样增强了 对生成过程的约束。
[0056]
通过对生成器降维与反向重构的两个过程中对于各个环节的趋近于真实性 的约束，有效增强了生成局放数据的真实性与丰富度。
[0057]
作为一种可能的实现方式，检测装置可以基于步骤s1021-s1024，生成局 放样本。
[0058]
s1021、将真实样本输入样本生成模型，通过ogc模块，对真实样本中 的真实局放信号进行降维处理，得到降维信号。
[0059]
作为一种可能的实现方式，对于每次降维过程，检测装置可以通过ogc 模块，基于自适应确定该次降维过程中学习矩阵的权重调整值；权重调整值用 于调整降维过程中各特征值对应的权重；基于上一次降维得到的局放信号，学 习矩阵，以及权重调整值，确定该
次降维过程得到的降维信号。
[0060]
示例性的，降维过程中的降维信号基于如下公式生成。
[0061][0062]
其中，为用于调整权重的加权函数，为用于调整权重的加权函数， xn第n次迭代过程中的特征向量，为各维度学习矩阵参数权重， x
(n+1)
为第n+1次迭代过程中的特征值；表示异或运算。
[0063]
示例性的，反向重构过程中的局放信号基于如下公式生成。
[0064]w(n+1)
＝wn·
xn⊙
σ(xn)；
[0065]
其中，w
(n+1)
为第n+1次迭代过程中的权重向量，wn为第n次迭代过程 中的权重向量，该维度下的网络参数权重，xn为第n次迭代时的特征向量， σ为激活函数，
⊙
表示同或运算。
[0066]
s1022、通过sag模块，对降维信号进行反向重构，得到模拟局放信号。
[0067]
作为一种可能的实现方式，对于每次反向重构过程，检测装置可以通过 sag模块，基于自注意机制，确定该次反向重构过程中网络参数权重；网络 参数权重用于调整反向重构过程中各特征值对应的权重；基于上一次反向重构 过程得到的局放信号，和网络参数权重，确定该次反向重构过程得到的局放信 号。
[0068]
s1023、基于模拟局放信号和局放模式，生成局放样本。
[0069]
s103、基于局放样本，训练得到局放预测模型。
[0070]
s104、将开关柜的实时局放信号输入局放预测模型，得到开关柜的局放模 式。
[0071]
本发明提供一种开关柜中局放模式的检测方法，一方面，通过样本生成模 型生成局放样本，增加了局放样本的多样性，丰富了局放预测模型的训练样 本，降低局放预测模型过程中样本缺失、信息不全的问题，提高了局放预测模 型对局放模式检测的准确度。另一方面，样本生成模型中的生成器在降维处理 和反向重构过程中增强对真实局放信号各维度特征的约束，提高了生成的局放样本各维度特征与实局放信号各维度特征的相似度，也即局放样本与真实样本 的分布接近，提高了局放样本的真实性，从而进一步提高了开关柜局放模式检 测的准确度。
[0072]
需要说明的是，随着先进传感技术及计算机技术的高速发展，人工智能技 术在变电设备故障诊断领域得到了广泛的应用，机器学习算法与局放故障诊断得到了充分的结合，基于人工神经网络(artificial neural network,ann)、支 持向量机(support vector machine,svm)、随机森林(random forest,rf)的故 障诊断系统在变压器运维管理中取得了很大的成效。传统的机器学习算法本质 上属于浅层学习，难以挖掘局放信号的高维特征，造成局放信号模式识别准确率偏低。深度学习因其优越的数据特征挖掘能力逐渐成为局放故障诊断领域发 展速度最快、最具前景的方法。基于深度学习的局放信号模式识别模型对于局 放信号样本的数量及类型均衡度有较强的需求，样本数量过少会带来模型训练过拟合甚至训练过程不收敛等问题，样本不均衡会导致模式识别结果偏向于多 数类样本，对少数类样本识别效果不佳。在实际生产中，由于局部放电是偶发 故障，局放样本数量匮乏且类型分布极不均衡，会造成局放故障漏判、模式识 别准确率偏低的情况，限制了基于
深度学习的局放信号模式识别模型的识别效 果及泛化能力，因此局部放电信号样本增强的工作对于提高局放信号模式识别准确率显得尤为重要。
[0073]
为了克服局放信号模式识别中样本数量少，类型分布并不均衡的现状，通 常采用数据增强的方法来提高分类器的训练效果和泛化能力，传统的数据增强 方法是通过欠采样、过采样以及图形变换等方法实现的。在机器视觉领域，图 像变换方法应用较为广泛，它是通过对图像进行旋转平移和缩放等一系列变换 从而实现生成新的样本。欠采样法会丢失许多类的样本，导致信息丢失，在其应用领域具有局限性，过采样是利用现有的少数样本进行数据增强，实现训练 集的均衡化目标，相关研究人员提出了合成少数类过采样技术，通过在少数类 邻近样本间进行插值来生成无重复的新样本，从而避免了过拟合的现象。大部 分过采样的方法通常是依赖于少数类的部分子集合成的人工样本，忽略了整体 分布特征，因此在模型分类效果上提升有限。目前深度学习算法在自然文字以 及图像识别领域发展迅速，生成式对抗网络(generative adversarial network, gan)能够在没有任何先验假设的情况下，通过无监督学习获得数据间的潜在分布规律并生成新的人工样本。传统的gan模型虽然能够生成人工数据 集，但其对噪声非常敏感，由于其选用了js散度作为衡量生成数据与原始数 据间的距离，如果初始输入噪声的分布选择不当，导致生出数据的概率分布与 真实数据集的概率分布不相重合，则生成器的损失函数恒为常数，即遇到了梯 度消失的情况，整个训练无法进行。
[0074]
可选的，本发明实施例提供的开关柜中局放模式的检测方法，在步骤 s102之前还包括步骤s201。
[0075]
s201、基于真实样本，优化预先设置的样本生成模型的模型参数，得到样本生成模型。
[0076]
作为一种可能的实现方式，检测装置可以基于步骤一至步骤四，得到样本 生成模型。
[0077]
步骤一，固定生成器的参数，基于真实样本，以减小鉴别器的损失函数为 目标，以鉴别器判定为真为结果，对鉴别器的参数进行优化。
[0078]
示例性的，判别器损失函数可以表示为如下公式。
[0079][0080]
其中，v1表示判别器损失函数，e
x～pr(x)
表示真实局放信号服从的概率 分布的期望，d(x)表示真实局放信号输入判别器后输出的结果，表 示生成器生成的模拟局放信号服从的概率分布的期望，表示生成器生成 的模拟局放信号输入判别器后输出的结果。
[0081]
步骤二，固定生成器的参数，基于真实样本，并在生成器中添加随机噪 声，以减小鉴别器的损失函数为目标，以鉴别器判定为假为结果，对鉴别器的 参数进行优化。
[0082]
步骤三，固定鉴别器的参数，基于真实样本，并在生成器中添加随机噪 声，以鉴别器判定为真为结果，得到梯度信息；基于梯度信息，以减小生成器 的损失函数为目标，对生成器的参数进行优化。
[0083]
示例性的，生成器损失函数可以表示为如下公式。
[0084]v2
＝e
z～p(z)
log(d(g(z)))；
[0085]
其中，v2表示生成器损失函数，e
z～p(z)
表示添加随机噪声后局放信号服 从的概率分布的期望，g(z)表示添加随机噪声后生成器生成的局放信号， d()表示判别器的输出结果。
[0086]
需要说明的是，对于传统模型中js散度目标函数易产生梯度消失的问 题，本发明实施例中样本生成模型引入了wasserstein距离，即使两个概率分布不重合，仍可为生成器在训练过程中保留梯度信息，梯度信息的距离公式如 下所示。
[0087][0088]
其中，pr表示真实局放信号的概率分布，pf表示局放样本中模拟局放信 号的概率分布，π(pr,pf)表示真实局放信号的概率分布与模拟局放信号的概 率分布组合后的联合分布的集合，其中，γ服从π(pr,pf)联合概率分布，对 于任意的服从π(pr,pf)联合概率分布的γ集合，从中采样一对(x,y)， e
(x,y)～γ
[||x-y||]表示联合概率分布γ集合下局放信号相对于距离的期望值， 在π(pr,pf)集合中所有满足联合概率分布的γ集合的期望值的下确界，为该 联合概率分布的wasserstein距离。w(pr,pf)为梯度信息，inf()为取下确 界函数，||x-y||为范数。
[0089]
需要说明的是，将wasserstein距离转化为kantorovich-rubinstein对偶形 式，wasserstein距离的对偶形式如下所示。
[0090][0091]
其中，wasserstein距离的对偶形式是要拟合一个函数f(x)，使得在f(x)的lipschitz常数||f||
l
不超过k的条件下，所能取到的最大值再除以k即是两个概率分布的wasserstein距离。
[0092]
需要说明的是，本发明实施例中在引入wasserstein距离的同时加入了梯 度惩罚函数，对每个样本独立的施加梯度惩罚，以限制样本数据在训练过程中 梯度下降过快的问题，实现lipschitz限制，样本生成模型sg-gan的损失函 数如下所示。
[0093][0094]
其中，lg为生成器损失函数，ld为判别器损失函数，pr为随机噪声z的 先验分布，为添加随机噪声后局放信号服从的概率分布的期望，为 梯度惩罚项，λ为正则项系数。
[0095]
步骤四，若生成器的损失函数和鉴别器的损失函数达到纳什均衡点，则停 止优化过程，得到样本生成模型；若生成器的损失函数和鉴别器的损失函数未 达到纳什均衡点，
则重复步骤一至步骤四，直至退出迭代过程。
[0096]
示例性的，如图2所示，本发明实施例提供一种各局放模式下真实局放信 号的示意图。采用本发明实施例，对真实局放信号进行降维，生成局放样本。 如图3所示，本发明实施例提供一种真实样本和局放样本的二维分布示意图。真实样本和局放样本的相似度指标如表1所示。
[0097]
表1
[0098] 尖端放电悬浮放电气泡放电沿面放电均值sg-gan0.98630.97660.93980.81640.9298
[0099]
需要说明的是，本发明实施例可以基于两类分类准确性指标对局放预测模 型的模式识别准确率进行评估。
[0100]
示例性的，本发明实施例可以基于如下公式，计算第一类指标。
[0101][0102]
其中，λ
accuracy
表示模式识别准确率，tp表示正类判定为正类的数量，tn表示负类判定为负类的数量，fn表示正类判定为负类的数量，fp表示 负类判定为正类的数量。
[0103]
示例性的，本发明实施例可以基于如下公式，计算第二类指标。
[0104][0105]
其中，λ
f1
表示f1度量，pr表示精准率和召回率的乘积，p表示精准 率，r表示召回率，tp表示正类判定为正类的数量，fp表示负类判定为正 类的数量，fn表示负类判定为负类的数量。
[0106]
本发明实施例对svm及sae两种模式识别方法进行数据增强，数据增强 前后模式识别结果如表2所示。
[0107]
表2
[0108][0109]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。
[0110]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述 对应的方法实施例。
[0111]
图4示出了本发明实施例提供的一种开关柜中局放模式的检测装置的结构 示意图。该开关柜中局放模式的检测装置300包括通信模块301和处理模块302。
[0112]
通信模块301，用于获取真实样本，真实样本包括开关柜的真实局放信号 和与真实局放信号对应的局放模式。
[0113]
处理模块302，用于将真实样本输入样本生成模型，经样本生成模型的生 成器降维处理和反向重构后，生成与真实样本分布接近的局放样本；生成器用 于在降维处理和反向重构过程中增强对真实局放信号各维度特征的约束；基于 局放样本，训练得到局放预测模型，并将开关柜的实时局放信号输入局放预测模型，得到开关柜的局放模式。
[0114]
在一种可能的实现方式中，生成器包括ogc模块和sag模块；处理模块 302，具体用于将真实样本输入样本生成模型，通过ogc模块，对真实样本中 的真实局放信号进行降维处理，得到降维信号；通过sag模块，对降维信号 进行反向重构，得到模拟局放信号；基于模拟局放信号和局放模式，生成局放 样本。
[0115]
在一种可能的实现方式中，处理模块302，具体用于对于每次降维过程， 通过ogc模块，基于自适应确定该次降维过程中学习矩阵的权重调整值；权 重调整值用于调整降维过程中各特征值对应的权重；基于上一次降维得到的局放信号，学习矩阵，以及权重调整值，确定该次降维过程得到的降维信号。
[0116]
在一种可能的实现方式中，处理模块302，具体用于对于每次反向重构过 程，通过sag模块，基于自注意机制，确定该次反向重构过程中网络参数权 重；网络参数权重用于调整反向重构过程中各特征值对应的权重；基于上一次反向重构过程得到的局放信号，和网络参数权重，确定该次反向重构过程得到 的局放信号。
[0117]
在一种可能的实现方式中，处理模块302，还用于基于真实样本，优化预 先设置的样本生成模型的模型参数，得到样本生成模型。
[0118]
在一种可能的实现方式中，处理模块302，具体用于执行如下步骤，步骤 一，固定生成器的参数，基于真实样本，以减小鉴别器的损失函数为目标，以鉴别器判定为真为结果，对鉴别器的参数进行优化；步骤二，固定生成器的参 数，基于真实样本，并在生成器中添加随机噪声，以减小鉴别器的损失函数为 目标，以鉴别器判定为假为结果，对鉴别器的参数进行优化；步骤三，固定鉴 别器的参数，基于真实样本，并在生成器中添加随机噪声，以鉴别器判定为真为结果，得到梯度信息；基于梯度信息，以减小生成器的损失函数为目标，对 生成器的参数进行优化；步骤四，若生成器的损失函数和鉴别器的损失函数达 到纳什均衡点，则停止优化过程，得到样本生成模型；若生成器的损失函数和 鉴别器的损失函数未达到纳什均衡点，则重复步骤一至步骤四，直至退出迭代 过程。
[0119]
在一种可能的实现方式中，降维过程中的降维信号基于如下公式生成；
[0120][0121]
其中，为用于调整权重的加权函数，为用于调整权重的加权函数， xn第n次迭代过程中的特征向量，为各维度学习矩阵参数权重， x
(n+1)
为第n+1次迭代过程中
的特征值；
[0122]
反向重构过程中的局放信号基于如下公式生成；
[0123][0124]
其中，w
(n+1)
为第n+1次迭代过程中的权重向量，wn为第n次迭代过程 中的权重向量，该维度下的网络参数权重，xn为第n次迭代时的特征向量， σ为激活函数。
[0125]
图5是本发明实施例提供的一种电子设备的结构示意图。如图5所示，该 实施例的电子设备400包括：处理器401、存储器402以及存储在所述存储器 402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行 所述计算机程序403时实现上述各方法实施例中的步骤，例如图1所示的步骤 101至步骤103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如，图4所示通信模块301和处理模 块302的功能。
[0126]
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所 述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401 执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的 一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述电子 设备400中的执行过程。例如，所述计算机程序403可以被分割成图4所示通 信模块301和处理模块302。
[0127]
所称处理器401可以是中央处理单元(central processing unit，cpu)，还 可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专 用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或 者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。
[0128]
所述存储器402可以是所述电子设备400的内部存储单元，例如电子设备 400的硬盘或内存。所述存储器402也可以是所述电子设备400的外部存储设 备，例如所述电子设备400上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card) 等。进一步地，所述存储器402还可以既包括所述电子设备400的内部存储单 元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终 端所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
[0129]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不 同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬 件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模 块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上 述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0130]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。
[0131]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。
[0132]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法， 可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意 性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时 可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个 系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通 讯连接，可以是电性，机械或其它的形式。
[0133]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
[0134]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
[0135]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解， 本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指 令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中， 所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形 式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以 包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移 动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory， rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0136]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照 前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特 征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。