[发明专利]一种非结构化局部放电数据的模式识别方法及系统

权利要求书

1.一种非结构化局部放电数据的模式识别方法，其特征在于，包括步骤：

(1)获取表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本；

(2)对原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

(3)将归一化处理后的一维数组输入一维卷积神经网络模型中，以对一维卷积神经网络模型进行训练，通过训练以更新一维卷积神经网络模型的参数；

(4)将待识别的局部放电图像进行滑动裁剪，生成若干个子图像，对子图像进行预处理和归一化后分别输入经过训练的一维卷积神经网络模型中，得到基于各子图像的输出结果；基于各子图像的输出结果，采用投票法获得待识别的局部放电图像的绝缘缺陷识别结果。

2.如权利要求1所述的非结构化局部放电数据的模式识别方法，其特征在于，在步骤(2)中，所述预处理包括图像分割、图像灰度化、图像二值化以及图像增强。

3.如权利要求1所述的非结构化局部放电数据的模式识别方法，其特征在于，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

4.如权利要求3所述的非结构化局部放电数据的模式识别方法，其特征在于，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

5.如权利要求1所述的非结构化局部放电数据的模式识别方法，其特征在于，在步骤(3)中，训练方案采用随机梯度下降法，在随机梯度下降法中采用交叉熵代价函数，以更新一维卷积神经网络模型的参数。

6.如权利要求5所述的非结构化局部放电数据的模式识别方法，其特征在于，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。

7.一种非结构化局部放电数据的模式识别系统，其特征在于，包括：

处理模块，其对表征若干种局部放电绝缘缺陷类型的原始局部放电图像样本中的原始图像进行预处理，得到各原始图像的二维矩阵，将二维矩阵列向求和得到各原始图像的一维数组，对一维数组进行归一化处理；

一维卷积神经网络模块，将归一化处理后的一维数组输入一维卷积神经网络模型以对其进行训练，通过训练以更新一维卷积神经网络模型的参数，经过训练的一维卷积神经网络模型用于对待识别局部放电图像进行缺陷识别；其中将待识别的局部放电图像进行滑动裁剪，生成若干个子图像，对子图像进行预处理和归一化后分别输入经过训练的一维卷积神经网络模型中，得到基于各子图像的输出结果；基于各子图像的输出结果，采用投票法获得待识别的局部放电图像的绝缘缺陷识别结果。

8.如权利要求7所述的非结构化局部放电数据的模式识别系统，其特征在于，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层，所述一维卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)。

9.如权利要求8所述的非结构化局部放电数据的模式识别系统，其特征在于，所述一维卷积神经网络模型包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。

10.如权利要求9所述的非结构化局部放电数据的模式识别系统，其特征在于，更新的一维卷积神经网络模型的参数包括下述各项的至少其中之一：

第一卷积层具有16个1×13尺寸卷积核；

第二卷积层具有32个1×13尺寸的卷积核；

第三卷积层具有64个1×11尺寸的卷积核；

第四卷积层具有128个1×11尺寸的卷积核；

第五卷积层具有256个1×9尺寸的卷积核；

池化层的尺寸为1×2，采用最大下采样方法，步长为2；

全连接层的神经元个数为1024；

输出分类层包括Softmax分类器。