一种基于多注意力脉冲神经网络的接地网智能故障诊断方法

本发明涉及接地网智能故障诊断领域，尤其涉及一种基于多注意力脉冲神经网络的接地网智能故障诊断方法。

背景技术：

1、接地网是维护电力系统安全可靠运行、保障人员安全的重要措施。随着电力工业的发展，电力系统规模越来越大，电力系统安全与稳定运行的要求越来越高，因此对接地网进行定期的故障诊断与后期运维是必不可少的重要工作。

2、针对接地网的故障诊断任务，由于需要得到电阻的变化情况，现多采用电网络法与电磁场法相结合、电阻抗成像等方法。但电磁场法在测量时存在电磁干扰，有一定的误差，且电阻抗成像的电阻率数量多，并且根据网格剖分的位置也使其根据数据进行故障诊断的任务极其复杂。因此在接地网故障诊断任务中除了方法本身的误差问题外还存在任务量大、不智能、不便捷等问题。

3、为了实现智能故障诊断，解决传统方法所带来的相关性能问题，目前研究人员已经将深度学习引入工业故障诊断中。但作为二代神经网络的各类人工神经网络（artificial neural network, ann），神经学科在其中的应用逐渐减弱，并不利于发展接近于人脑程度的人工智能。因此，脉冲神经网络由于其特定的脉冲触发方式更接近于生物神经元的动作模式，使其有更高的生物合理性，成为第三代神经网络。由于其计算量小、能耗低、速度快且可以应用在神经芯片上等优势，在实际应用有着广阔前景，目前已逐渐被引入故障诊断领域。如2024年，电子科技大学jiale liu和清华大学huan wang提出了一种宽脉冲残差分组注意力框架，实现智能故障诊断，并在轴承数据集上实现了对轴承数据集的故障等级分类，但所提方法为ann-snn的训练方式，不是对snn网络的直接训练。同年zongtang xu等人，提出了一种深度脉冲残差收缩神经网络应用于轴承故障诊断。但轴承数据集与接地网的图片数据集不同，上述研究中的模型在训练方式、神经元、注意力机制的选取上并不适用于接地网的故障诊断数据集，因此，需提出新的模型来实现接地网的智能故障诊断。

技术实现思路

1、对于以上现有技术的问题与发展前景，本发明旨在将接地网故障诊断任务与脉冲神经网络相结合，提出一种基于多注意力脉冲神经网络的接地网智能故障诊断方法，利用训练好的脉冲神经网络模型，直接对接地网的电阻抗成像图片进行故障诊断，输出故障程度等级作为诊断结果，实现接地网故障诊断的智能化。

2、本发明所提出的一种基于多注意力脉冲神经网络的接地网智能故障诊断方法，包括如下步骤：步骤s1，利用电阻抗成像技术构建接地网不同故障等级、不同故障数量和不同故障位置的数据集；步骤s2，对原始接地网数据集进行图像增强，得到强对比度的接地网数据集；步骤s3，在spikingjelly框架下构建多注意力脉冲神经网络模型ma-snn；步骤s4，在强对比度的接地网数据集上训练ma-snn模型；步骤s5，利用训练后的ma-snn模型对接地网进行智能故障诊断。

3、进一步的，在所述步骤s1中，利用电阻抗成像技术构建接地网不同故障等级、不同故障数量和不同故障位置的数据集，包括：

4、根据接地网腐蚀的不同程度、在不同数量与不同位置排列下，构建充分的且不重复接地网数据集，其中，重新确定电阻抗成像图片的网格剖分大小，以提升成像速度。

5、进一步的，在所述步骤s2中，对原始接地网数据集进行图像增强，得到强对比度的接地网数据集，包括：

6、对原始接地网数据集进行局部自适应对比度增强，在lab模式下通过提高局部块中明度通道l来提高图片对比度。利用不同局部块的均值和方差来调整l通道的值。调整后的图片可增强故障位置与非故障位置的对比度，得到强对比度的接地网数据集。其中，均值、方差和l通道对比度增强的计算公式为：

7、          (1)

8、         (2)

9、         (3)

10、式中，为局部块的像素l分量值，表示第n个局部块的均值，表示第n个局部块的方差，为增强后的l通道分量值。求解均值与方差过程中的像素和与平方和用局部块的积分图与平方积分图来获取。

11、进一步的，在所述步骤s3中，在spikingjelly框架下构建多注意力脉冲神经网络模型ma-snn，包括：构建多注意力机制脉冲神经网络ma-snn（multi-attention mechanismsspiking neural network），网络包含脉冲编码层、残差层、分类层。其中，编码层为ma-snn中完成图片脉冲编码的模块，将接地网成像图片进行脉冲编码，为ma-snn的前三层：卷积层-bn层-脉冲神经元；残差层为ma-snn的主体层，提取接地网不同故障类别的特征，在ma-snn中共包含8个残差块，每一个残差块中包含两个脉冲神经元，并在两个脉冲神经元后进行身份映射；分类层为ma-snn中实现接地网最后故障等级分类的模块，由全连接层构成。

12、进一步的，所述ma-snn模型结构中的ma模块，为多注意力模块，是残差层中身份映射内部模块。其中，多注意力包括，时间注意力机制（ta）、时间通道注意力机制（tca）两种类型，分别位于残差块中卷积层与bn层后。ma模块的输入输出关系为：

13、(4)

14、其中为模块输入，将接地网图片的脉冲编码输入模块中，为模块输出。在最后一个ma模块输出后，完成身份映射输出至分类层，进而完成接地网故障的等级分类，实现接地网的智能故障诊断。

15、进一步的，所述ma-snn模型结构中，主干网络中所有脉冲神经元采用plif（parametric-leaky-integrate-and-fire），其充电方程为：

16、         (5)

17、其中，是前一个时刻放电后的膜电位，是外部输入，为复位膜电位，为膜时间常数，可学习。

18、进一步的，在所述步骤s4中，在强对比度的接地网数据集上训练ma-snn模型，包括：

19、ma-snn在spikingjelly框架中完成搭建，训练模型时传播模式选用多步模式（multi-step）,图片输入为五维输入。训练后端采用cupy，即令backend = ’cupy’，加快训练速度，在接地网数据集上训练好的ma-snn可以实现对接地网电阻抗成像图片的故障等级分类。

20、进一步的，在所述步骤s5中，利用训练后的ma-snn模型对接地网进行智能故障诊断，包括如下步骤：步骤s51：通过向待诊断接地网施加激励电流获得当前电压数据；步骤s52：利用所获接地网的电压数据完成电阻抗成像，得到电阻抗成像图像；步骤s53：将得到的电阻抗成像图片送入ma-snn模型，用训练好的ma-snn完成分类；步骤s54：ma-snn模型直接输出当前接地网的故障等级，并可根据电阻抗成像图像可视故障位置，完成接地网的智能故障诊断。

21、本发明与现有技术相比，具有以下优点：

22、1．本发明公开的一种基于多注意力脉冲神经网络的接地网智能故障诊断方法，利用电阻抗成像技术建立仿真数据集，方便获取不同故障等级、不同故障数量和不同故障位置的数据集，保证了数据集的全面性，避免在效果较好的特例数据集下获得较高的准确率，使方法不具有代表性的问题。同时接地网的不同故障等级通过接地网的电阻变化情况进行判定，电阻抗成像技术根据接地网的电阻率进行成像，可以在建立数据集时更清晰地设定接地网的故障等级。

23、2.本发明构建了多注意力脉冲神经网络ma-snn模型，模型采用残差网络作为网络主要结构，同时残差块选用两次脉冲神经元后身份映射，在简单脉冲残差网络的基础上，在身份映射前多一层脉冲神经元，可以改善残差模块在脉冲神经元的性能。脉冲神经元采用plif神经元，针对于接地网成像图片这一应用对象，plif神经元有更好的表现力。模型中ma模块中注意力机制的结构安排更适合接地网的电阻抗成像数据集，可在保留三代神经网络优点的同时，大大提高了网络准确率，准确地实现接地网的智能故障诊断。

24、下面通过附图与实施例对本发明的技术方案做进一步的详细说明与描述。