基于特征融合词袋和并行孪生网络的发电机局放识别方法

本发明属于发电机定子线棒局放在线监测领域，涉及一种基于特征融合词袋和并行孪生网络的发电机局放识别方法。

背景技术：

1、发电机安全运行的主要威胁之一来自绝缘体系。局部放电(简称局放)既是绝缘劣化的原因，也是绝缘劣化的表现，是发电机状态监测的重要参数之一。因此有效鉴别局部放电类型对发电机绝缘状态评估与诊断具有重要意义。发电机绝缘缺陷类型多样，对绝缘的损伤机制及破坏作用不同，发电机局部放电图谱存在样本过少或者获取成本过高的问题，因此发电机定子局放少样本条件下模式识别对局放进行有效识别与判定具有重要意义。

技术实现思路

1、本发明的目的是提供一种基于特征融合词袋和并行孪生网络的发电机局放识别方法，本发明通过进行局放相似prpd检索、通过基于多相并行孪生网络的局放度量计算及进行局放prpd图谱相似度度量、基于相位象限分割的多通道融合局放模式识别，将多通道不同象限相位识别结果自适应权重融合获取发电机局放模式识别结果。本发明创造性地将多描述子特征融合词袋模型、多相并行孪生网络以及基于相位象限分割的多通道融合运用在发电机定子线棒模式识别中，实现发电机定子局放类型的少样本的高精度识别。通过该方法的运用能够及时给出在运发电机定子绝缘状态评价和维护意见，具有较高的经济价值和社会效益。

2、本发明的目的由以下技术措施实现：

3、一种基于特征融合词袋和并行孪生网络的发电机局放识别方法，其特征在于按以下步骤进行：

4、s1：基于发电机定子线棒典型缺陷多描述子特征融合词袋检索模型构建：在实验室环境下采集发电机定子线棒典型缺陷类型在不同电压等级下的放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱作为样本，通过构建sift、lbp、hog和haar-like多描述子特征，并利用k-means自适应选择单词本聚类数量获取词袋单词本，利用不同描述子特征融合词袋单词本检索相似局放图谱；

5、s2：基于多相并行孪生网络的局放度量计算：通过实验室采集到的典型局放样本训练alexnet、googlenet、vgg-16、resnet神经网络并将各神经网络进行网络孪生，共享权值；通过对于不同象限不同相位prpd图谱分割并选择不同sift、lbp、hog和haar-like多描述子特征映射成向量，然后通过交叉熵函数计算损失，选取距离最小的标签作为测试样本的类别，从而完成分类；

6、s3：基于相位象限分割的多通道融合局放模式识别：测试时基于prpd图谱不同相位、不同象限进行模式识别，各通道多相并行孪生网络分别输出相应发电机定子线棒典型缺陷局部放电类型的模式识别结果；多通道结果通过自适应融合策略确定各通道判别结果的权重，整合不同级别孪生网路的模式识别结果，即为发电机定子线棒典型缺陷局部放电类型。

7、s1所述的基于发电机定子线棒典型缺陷多描述子特征融合词袋检索模型构建，具体按以下步骤进行：

8、s1.1：在实验室环境下采集发电机定子线棒典型缺陷类型在不同电压等级下的放电数据和相位信号数据，获取已知的线棒绝缘缺陷对应的相位图谱作为样本，发电机定子局放类型包含内部放电、槽放电、端部放电和振动火花放电四种类型；

9、s1.2：基于实验室采集到的四种不同类型发电机定子缺陷类型的局部放电样本数据，基于sift尺度不变特征变换(scale-invariant feature transform，sift)、lbp局部二值模式(local binary pattern)、hog方向梯度直方图(histogram of orientedgradient，hog)和haar-like哈尔特征的多描述子特征提取prpd图谱不同词袋特征组成prpd图谱词袋样本库，并利用k-means自适应选择单词本聚类数量获取词袋单词本；

10、s1.3：统计sift、lbp、hog和haar-like多描述子特征单词表中每个单词在图谱中出现的次数，从而将prpd图谱表示成为一个k维数值向量，并利用不同多描述子特征融合数值向量检索相似局放图谱，得到一个对应的检索样本补充到prpd图谱词袋样本库，与原相位图谱样本形成样本对；

11、s1.4：重复s1.2-s1.3的步骤，在每次采集到工业现场新的发电机定子局放信号后，更新定子线棒典型缺陷局放prpd图谱词袋样本库及对应sift、lbp、hog和haar-like多描述子特征，进而丰富发电机定子线棒词袋样本多样性。

12、s2所述的基于多相并行孪生网络的局放度量计算，具体按照以下步骤进行：

13、s2.1：将prpd图谱词袋样本库中的样本不同相位0°～90°、90°～180°、180°～270°以及270°～360°分割结果和不同象限第一象限、第二象限、第三象限、第四象限分割结果利用sift、lbp、hog和haar-like多描述子特征进行特征表示；

14、s2.2：prpd图谱词袋样本库中多描述子特征表示后的样本分为训练集和测试集，将词袋样本库中的样本中的70％数据划分为训练集，用于各个神经网络的模型的训练，30％数据划分为测试集，用于各个神经网络模型各自的子识别模型的测试，通过prpd图谱词袋样本库中多描述子特征表示后的样本训练alexnet、googlenet、vgg-16和resnet神经网络，获取不同神经网络最优参数集合；

15、s2.3：基于训练好的alexnet、googlenet、vgg-16和resnet神经网络并将各神经网络进行网络孪生，共享权值；孪生网络使用同一个嵌入网络提取图谱的图谱级特征，将图谱映射成向量，使用两个向量之间绝对差的值，代表了两幅图谱的相似程度；如果两个输入图谱来自同一类，标签为1，不同的类标签为0；然后通过全连接层交叉嫡函数计算损失；测试时将测试集中样本对依次输入到孪生网络中，得到每对样本的距离，选取距离最小的测试集标签作为测试集样本的类别；

16、s2.4：通过并行alexnet、googlenet、vgg-16和resnet孪生网络的全连接层参数进行参数共享，然后通过交叉熵函数计算损失，选取距离最小的测试集标签作为测试集样本的类别，从而完成分类。

17、s3所述的基于相位象限分割的多通道融合局放模式识别，具体按照以下步骤进行：

18、s3.1：首先对基于prpd图谱不同象限、不同相位的八通道并行多相孪生网络每个通道的模式识别结果赋予相同的结果权重，即w1＝w2＝…＝w10＝0.1；

19、s3.2：基于s2.3所述步骤得出的多相并行孪生网络各通道模式判别结果，与实际的发电机定子线棒局部放电类型进行比较，多通道结果通过自适应融合策略确定各通道判别结果的权重，得出八通道多相并行孪生网络各通道结果的权重值；

20、s3.3：基于s3.2得出的八通道多相并行孪生网络各通道结果的权重值，整合不同级别孪生网路的模式识别结果计算模式识别加权结果，即为最终的发电机定子线棒局部放电缺陷类型模式识别结果。

21、本发明达到的有益效果是：本发明通过基于发电机定子线棒典型缺陷多描述子特征融合词袋检索模型构建，进行局放相似prpd检索、通过基于多相并行孪生网络的局放度量计算及进行相似度度量、通过基于相位象限分割的多通道融合进行局放模式识别，提高了发电机定子线棒局放识别精度，实现发电机定子局放少样本或者单样本的模式识别，对发电机运行稳定性有重要作用。