基于改进CSP-GCNet的变电设备局部放电检测方法、装置及介质与流程

本发明属于电力设备监测，具体涉及一种基于改进轻量级跨级局部网络csp-gcnet的变电设备局部放电检测方法、装置及介质。

背景技术：

1、随着电力系统规模的不断扩大和发展，对电力线路的安全运行和供电可靠性的要求日益提高。电力线路在电网中具有至关重要的作用，其安全稳定的运行对于保证电网结构的完整性起着决定性的影响。在电力变压器中，绝缘状态与电网的整体运行状况密切相关。其中，局部放电(partial discharge，pd)现象是由于变压器绝缘性能劣化所引起的一种现象，它有效地反映了变压器内外存在绝缘缺陷的重要指标。不同的绝缘劣化机理会导致产生不同类型的放电，而这些放电类型在外部表现形式和危害程度上也存在差异。因此，准确识别和监测到的局部放电类型对于评估设备绝缘状态的良好与否来说具有至关重要的意义，同时也是变压器故障诊断和定位领域的研究热点。而传统方法存在运算速度慢和图谱分类精度不高的问题

技术实现思路

1、为克服上述现有技术缺点，实现局部放电模式的分类，本发明提出一种基于改进的csp-gcnet的变电设备局部放电检测方法，通过利用一系列关键技术和网络结构，以反映变压器内、外部存在的绝缘缺陷情况，实现高效准确的图谱分类，快速准确的检测变压器局部放电情况。

2、本发明的核心思想如下：

3、通过采集变压器局部放电的原始信号，并利用专门设计的网络结构和特征提取方法，实现对变压器局部放电模式的准确分类。

4、首先，在变压器巡检过程中，局部放电现象是关键指标之一。局部放电现象是指变压器绝缘系统中存在的局部放电现象，其特征信号可用于判断变压器是否存在绝缘缺陷，并进行相应的故障诊断。因此，在配电设备巡检过程中，首先需要采集变压器局部放电的原始信号。

5、其次，采用了专门设计的网络结构和特征提取方法。搭建基于改进csp-gcnet模型进行特征提取的流程。该模型结合了cspnet网络结构、focus网络结构和silu激活函数的引入等关键技术。通过csp-gcnet模型，能够有效地提取输入图谱的特征集合，从而捕捉到变压器局部放电模式的关键特征。在网络结构方面，我们引入了残差卷积模块residual，以增强网络对特征的表示能力。

6、此外，采用cspnet网络结构，并结合了focus网络结构，进一步优化了特征提取过程。spp结构能够自适应地对输入特征进行分块操作，并将每个分块内的特征进行最大池化操作，从而实现对不同尺度特征的有效融合。采用silu激活函数。相比传统的relu激活函数，silu激活函数具有更好的平滑性和非线性表达能力，有效地提高了模型的分类性能。

7、为了达到上述目的，本发明采用以下技术方案：

8、一方面，本发明提供一种基于改进csp-gcnet的变压器局部放电检测方法，其特点在于，包括：

9、采集变压器局部放电原始信号，包括正常情况下与异常情况下的放电信号

10、对采集到的原始信号通过变分模态分解vmd-hilbert后处理分解得为若干有限带宽的具有不同中心频率的固有模态分量，然后作希尔伯特hilbert变换，获得hilbert谱，并对hilbert谱在整个时间域上积分，获得原始信号的hilbert谱；

11、根据前一步获得到的原始信号hilbert谱，搭建图像分类数据库；

12、搭建基于改进csp-gcnet网络的模型，用于变压器局部放电图谱分类；

13、根据搭建的图像分类数据库，训练模型，验证模型，使用平均精确度评估模型的模式识别精度，最后完成变压器局部放电模式识别任务。

14、搭建原始图谱的图像分类数据库，具体包括：

15、对采集的原始信号的hilbert谱，进行放缩处理，确保图谱具有统一的尺寸和分辨率；并将放缩处理后的图谱数据按照8：1：1比例划分为训练集、测试集和验证集，构建图谱分类数据集；

16、采用图谱预处理技术，包括裁剪、旋转、翻转、变形操作，增加图谱分类数据集的多样性和丰富度；

17、对所述图谱数据进行筛选和清洗，并根据特定标准进行分类和标注，搭建原始图谱数据库。

18、进一步，搭建基于改进csp-gcnet的变压器局部放电图谱分类法，具体包括：

19、引入残差卷积模块residual，包括用于提取图谱特征的主干部分，以及用于主干部分输入与输出的残差边部分，并通过跳跃连接；

20、搭建cspnet网络结构，包括：

21、-特征提取：输入图谱经过卷积层和池化层等操作，提取出高层次的图谱特征；

22、-将特征图分成两部分，一部分经过主干部分的连续残差块堆叠，另一部分作为残差边直接连接到网络的最终输出，构建csp结构；

23、-采用通道级别的叠加或加权求和方式将主干部分和残差边的特征进行融合；

24、在所述cspnet网络结构的基础上引入幻影卷积模块ghostconv，搭建csp-gcnet网络结构；

25、在所述csp-gcnet网络结构的基础上引入cross stage partial模块，将输入特征分为两个分支，并在分支间引入特征重用机制；

26、通过减小输入特征图的尺寸和通道数，搭建focus网络结构；

27、引入silu激活函数，公式如下：

28、f(x)＝x·sigmoid(x)

29、式中，，x为输入值，sigmoid为sigmoid激活函数；

30、搭建spp网络结构，进行多尺度的特征融合，自适应地对输入特征进行分块操作，并将每个分块内的特征进行最大池化操作，实现对不同尺度特征的融合。

31、进一步，根据搭建的图像分类数据库，训练模型，验证模型，使用平均精确度评估模型的模式识别精度，最后完成变压器局部放电模式识别任务，具体是：

32、训练过程中，将优化的csp-gcnet模型应用于输入图谱的特征提取；

33、训练完成后，使用验证集对csp-gcnet模型进行评估，通过计算csp-gcnet模型在验证集上的平均精确度，评估csp-gcnet模型的性能表现，从而不断优化csp-gcnet模型，提高其在变压器局部放电模式图谱分类任务中的准确度。另一方面，本发明还提供一种基于改进轻量级跨级局部网络csp-gcnet的变压器局部放电检测装置，其特点在于，包括：

34、信号采集单元，用于采集变压器局部放电原始信号，包括正常情况下与异常情况下的放电信号；

35、信号处理单元，用于对采集到的原始信号通过变分模态分解vmd-hilbert后处理分解得为若干有限带宽的具有不同中心频率的固有模态分量，然后作希尔伯特hilbert变换，获得hilbert谱，并对hilbert谱在整个时间域上积分，获得原始信号的hilbert谱；

36、图像分类模块，用于根据前一步获得到的原始信号hilbert谱，搭建图像分类数据库；

37、局部放电图谱分类模块，用于搭建基于改进csp-gcnet网络的模型，用于变压器局部放电图谱分类；

38、任务识别模块，用于根据搭建的图像分类数据库，训练模型，验证模型，使用平均精确度评估模型的模式识别精度，最后完成变压器局部放电模式识别任务。

39、本发明还提供一种存储介质，存储有指令集，其中，所述指令集被处理器执行时实现上述变压器局部放电检测方法。

40、与现有技术相比，本发明的有益效果如下：

41、1)将深度学习技术引入电力行业的配电设备巡检，在电力行业的配电设备巡检与故障诊断中具有重要的应用价值。引入的focus网络结构能够提高图谱分类的准确性和效率，为电力系统的安全运行提供重要的技术支持。同时，也推动了变压器绝缘状态评估和故障诊断研究的进展，对电力行业的发展起到积极促进作用。

42、2)同时，本发明引入的幻影卷积模块ghostconv能够高效准确地提取变压器局部放电模式图谱的特征，并实现对其进行可靠分类。在变压器行业以及其他信号处理和模式分类任务中具有广泛的应用前景。