一种基于GAN-CNN的开关柜局放故障模式识别方法

一种基于gan-cnn的开关柜局放故障模式识别方法
技术领域
1.本发明涉及局部放电识别领域，特别涉及一种基于gan-cnn的开关柜局放故障模式识别方法。


背景技术：

2.开关柜状态评价是开关柜故障诊断以及状态检修开展的基础。开关柜状态评价的主要数据来源包括运行巡视数据、停电试验数据、带电检测数据和在线监测数据。前三类数据由运检人员定期开展，数据密度较低，只能体现某个时间断面的设备状态。随着电力物联网的发展，可以通过传感器在线监测获取实时感知数据，这些数据具备高密度、连续性的优点，但同时也会因为外界干扰、环境因素影响、传感器本身故障等多种因素而导致误判、漏判。目前，结合多维数据开展状态评价主要还依赖于规程判据和专家经验，对运检人员的理论知识、专业技术水平和现场经验都提出了很高的要求，缺少一套能够利用智能算法和主动感知技术进行综合研判、科学分析和高效决策的手段。
3.因此，本领域的技术人员致力于开发一种基于gan-cnn的开关柜局放故障模式识别方法，以提高变电站态势感知的实时性和准确性。


技术实现要素：

4.本发明的目的是提供一种基于gan-cnn的开关柜局放故障模式识别方法，对海量prpd图谱开展特征分析，通过对prpd数据进行深层挖掘，在有效解决历史训练集中负样本稀缺问题的同时提高识别模型准确率。
5.为了实现以上目的，本发明是通过以下技术方案实现的：
6.一种基于gan-cnn的开关柜局放故障模式识别方法，其特点是，包括如下步骤：
7.s1，采集变电站开关柜的局部放电的prpd图谱数据；
8.s2，结合先验知识和真实prpd图谱，基于gan网络，生成可用于分类模型学习的仿真prpd局放缺陷图谱；
9.s3，随机抽取部分真实prpd图谱作为测试集，将仿真prpd图谱和剩余真实prpd图谱打乱后作为训练集输入cnn网络进行训练，得到开关柜局放故障模式识别模型；
10.s4，用训练完成的模型对实时prpd图谱进行局放模式识别，实现变电站开关柜的态势感知和异常监测。
11.所述步骤s1中采集变电站开关柜的局部放电prpd图谱数据的采样频率为1min/次。
12.所述步骤s1中采集变电站开关柜的局部放电prpd图谱数据格式统一为100
×
64，即将幅值设定为-20db～80db，相位设定为0～360
°
，相位间隔为45/8
°
。
13.所述的步骤s2中所结合的先验知识包括：开关柜历史prpd图谱及对应时刻检修记录、典型故障类型的常见prpd图谱。
14.所述步骤s3中随机抽取作为测试集的真实prpd图谱比例为25％。
15.所述的步骤s3中所构建的卷积神经网络结构为6400
×
128
×
64
×8×
1。
16.所述的步骤s4中所述对实时prpd图谱进行局放模式识别，识别频率为15min/次，即将15张prpd图谱合并后统一识别以减小态势感知算力负担。
17.本发明与现有技术相比，具有以下优点：
18.1、局部放电谱图是一种具有复杂形状的物理现象，而分形则是描述自然界复杂形状的有效工具，因此基于分形特征进行局部放电类型识别也是一种有效的方法。局部放电特征提取方法基于放电prpd谱图，其基本出发点是提取局部放电相位谱图的形状特征，利用不同放电类型具有不同的谱图形状特征进行模式识别。
19.2、实际应用中，由于电网的特殊性质，依赖于历史数据的机器学习算法往往会遭遇负样本过少的问题。针对这一问题，生成式对抗网络(gan)作为一种生成式模型，可估测到数据样本的分布并生成仿真模拟，有效解决了负样本不足的问题。
20.3、卷积神经网络具有强大的图像处理能力和特征自提取能力，图像需要处理的数据量较大大，cnn可将复杂问题简化，把大量参数降维成少量参数，再做处理。
附图说明
21.图1为本发明一种基于gan-cnn的开关柜局放故障模式识别方法的流程图。
具体实施方式
22.以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
23.本发明基于深度神经网络在prpd大数据上开展特征监测、分析和故障诊断，通过对prpd信息的深层挖掘，能够为开关柜运行状态提供有效的监控和评估手段。本发明有利于提升开关柜故障监测的效率和准确性，及时、准确识别运行状态变化情况，对变电站巡检维护等工作的开展有重要意义。
24.下面首先对本发明所涉及的理论基础、数据模型和算法进行介绍：
25.1、prpd图谱介绍
26.对于绝缘缺陷局部放电类型的识别，首先要有能够准确描述放电类型的特征量，通常特征提取主要分为时域分析法和统计分析法。时域分析法对一次放电所产生的时域波形特征或其变换结果进行特征提取，但由于局放信号在传输过程中衰减畸变严重，难以准确提取特征量，这种方法现场应用效果欠佳。统计分析法采用统计参数来描绘局放特征，在局部放电模式识别领域是主要的特征提取方法。局部放电的局部放电相位分布(phase resolved partial discharge,prpd)谱图是最为广泛采用的局部放电统计分析模式。该谱图的3维模式是描述局部放电的工频相位放电幅值q和放电次数n之间关系的其2维模式常用的是描述工频相位和放电幅值q之间的关系，即谱图。
27.从3维谱图还可推导出最大放电量qmax与相位φ谱图平均放电量qn与相位φ谱图放电次数n与相位φ谱图放电次数n与放电量q谱图h(n,q)等。
28.2、卷积神经网络
29.卷积神经网络具有强大的图像处理能力和特征自提取能力，被广泛应用。cnn通常由输入层(input layer)、卷积层(convolutional layer)、池化层(pooling layer)、全连接层(fully connected layer)和输出层(output layer)几部分构成。卷积神经网络主要应用于图像识别中，其输入样本通常为单通道或多通道二维数组。在分类问题中，输入数组经多个卷积层、池化层对输入数据特征进行特征自提取，由全连接层和输出层实现分类并由输出层输出分类结果。卷积层由若干卷积核和激活函数构成。卷积层以上一层输出的特征图作为输入，通过卷积核在输入矩阵上平移对输入进行特征提取，
30.卷积核由权值和偏置值构成。图中卷积核大小为3
×
3，即每个卷积核由9个神经元构成，共9个权值。同一个卷积核内权值共享，大大减小了参数的数量。卷积核提取特征后通过激励函数形成新的特征图输出并采用池化层进行下采样以减少计算量，多个卷积层-池化层后经由压平层和全连接层处理最终根据实际问题由输出层获得分类或回归结果。卷积神经网络为监督学习模型，输入模型的样本经输入层、卷积层、全连接层最终将得到模型的预测值，将该预测值与输入样本的标签进行对比并将预测值与真实值的误差进行反向传播，对模型中各层参数进行修正，重复该过程最终使得误差在可接受范围内则停止训练。
31.标准化处理的输入样本通过两次卷积操作对特征进行自提取。卷积层中卷积核大小均为3
×
3，第一个卷积层共32个卷积核，第二个卷积层共64个卷积核。卷积层激活函数选择relu，relu函数因其计算简单、收敛速度快且不存在梯度消失问题等优势被广泛应用，其表达式为：
32.f
relu
(x)＝max(0,x)
33.池化层能减小特征图的大小即缩小特征量，提高计算速度并在一定程度上提高了模型的泛化能力。为提高模型的泛化能力，在第二个卷积层中采用了随机失活(dropout)技术。使得在训练过程中，该层神经元有一定几率失去作用，即这些神经元本次不参与计算且不更新权值，以对某些更突出的特征进行提取，提高模型性能，本文设置失活率为50％。经上述各层处理将获得提取特征后的特征图，为实现分类，将特征图经压平层一维化，经全连接层，由输出层输出分类结果。故障状态识别可看作分类问题，所有样本共分表中所述共12类，因此输出层神经元个数为12个，激活函数采用sigmoid函数实现分类，sigmoid函数表达式为：
[0034][0035]
卷积神经网络对故障状态进行分类时通过损失函数对预测值与标签值的不一致程度进行衡量，在训练过程中希望损失函数值尽可能小，而判断准确率尽可能大，但这两个需求是相互矛盾的关系，交叉熵损失函数(cross entropy loss function)能较好的平衡上述两点，使得模型具有更好的分类性能。因此本文采用交叉熵损失函数对预测值与实际值的差异进行评估，交叉熵损失函数可表达：
[0036][0037]
其中n为样本个数，y为样本标签值，y^为卷积神经网络预测值。
[0038]
选择适当的优化器对卷积神经网络模型进行优化能提升模型性能。考虑采用adam对模型进行优化，adam结合了adagrad和rmsprop两种优化器的优点，具有更高的计算效率，
且通过对少量超参数进行调整即可获得较好的性能。
[0039]
3、生成式对抗网络
[0040]
生成式对抗网络gan(generative adversarial networks)作为一种生成式模型，可估测到数据样本的分布并生成仿真模拟，有效解决了负样本不足的问题。gan在结构上受博弈论中的二人零和博弈(即二人的利益之和为零,一方的所得正是另一方的所失)的启发,系统由一个生成器和一个判别器构成。生成器捕捉真实数据样本的潜在分布,并生成新的数据样本；判别器是一个二分类器,判别输入是真实数据还是生成的样本。生成器和判别器均可以采用目前研究火热的深度神经网络。
[0041]
gan的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(generator)和一个判别器(discriminator)，生成器的目的是尽量去学习真实的数据分布，而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器；为了取得游戏胜利，这两个游戏参与者需要不断优化，各自提高自己的生成能力和判别能力，这个学习优化过程就是寻找二者之间的一个纳什均衡。任意可微分的函数都可以用来表示gan的生成器和判别器，由此，我们用可微分函数d和g来分别表示判别器和生成器，它们的输入分别为真实数据x和随机变量z。g(z)则为由g生成的尽量服从真实数据分布pdata的样本。如果判别器的输入来自真实数据，标注为1。如果输入样本为g(z)，标注为0。这里d的目标是实现对数据来源的二分类判别:真(来源于真实数据x的分布)或者伪(来源于生成器的伪数据g(z))，而g的目标是使自己生成的伪数据g(z)在d上的表现d(g(z))和真实数据x在d上的表现d(x)一致，这两个相互对抗并迭代优化的过程使得d和g的性能不断提升，当最终d的判别能力提升到一定程度，并且无法正确判别数据来源时，可以认为这个生成器g已经学到了真实数据的分布。
[0042]
如图1所示，下面再对本发明提供的基于gan-cnn的开关柜局放故障模式识别方法进行介绍，包括以下步骤：
[0043]
s1，采集变电站开关柜的局部放电的prpd图谱数据；
[0044]
s2，结合先验知识和真实prpd图谱，基于gan网络，生成可用于分类模型学习的仿真prpd局放缺陷图谱；
[0045]
s3，随机抽取部分真实prpd图谱作为测试集，将仿真prpd图谱和剩余真实prpd图谱打乱后作为训练集输入cnn网络进行训练，得到开关柜局放故障模式识别模型；
[0046]
s4，用训练完成的模型对实时prpd图谱进行局放模式识别，实现变电站开关柜的态势感知和异常监测。
[0047]
所述步骤s1中采集变电站开关柜的局部放电prpd图谱数据的采样频率为1min/次。
[0048]
所述步骤s1中采集变电站开关柜的局部放电prpd图谱数据格式统一为100
×
64，即将幅值设定为-20db～80db，相位设定为0～360
°
，相位间隔为45/8
°
。
[0049]
所述的步骤s2中所结合的先验知识包括：开关柜历史prpd图谱及对应时刻检修记录、典型故障类型的常见prpd图谱。
[0050]
所述步骤s3中随机抽取作为测试集的真实prpd图谱比例为25％。
[0051]
所述的步骤s3中所构建的卷积神经网络结构为6400
×
128
×
64
×8×
1。
[0052]
所述的步骤s4中所述对实时prpd图谱进行局放模式识别，识别频率为15min/次，
即将15张prpd图谱合并后统一识别以减小态势感知算力负担
[0053]
综上所述，本发明一种基于gan-cnn的开关柜局放故障模式识别方法，对海量prpd图谱开展特征分析，通过对prpd数据进行深层挖掘，在有效解决历史训练集中负样本稀缺问题的同时提高识别模型准确率。
[0054]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。