[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

说明书

本发明公开了一种非结构化局部放电数据的模式识别方法，其包括步骤：(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输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。此外，本发明还公开了一种非结构化局部放电数据的模式识别系统。

技术领域

本发明涉及一种识别方法及系统，尤其涉及用于局部放电识别的识别方法及系统。

背景技术

气体绝缘组合电器(GIS)作为电力系统的主要设备，其可靠性对电网的稳定运行有重要影响。绝缘劣化是造成设备故障的主要原因，对GIS设备进行局部放电检测，通过故障诊断分类评估绝缘性能，从而避免重大事故的发生。随着局放带电检测技术的推广应用，变电站现场产生了大量的特高频、超声波检测数据。由于便携式局放检测仪器在存储速度、操作方便性等方面的考虑，因此较多使用，而其检测数据通常以图像等非结构化数据进行存储。

由于直接存储局部放电波形的二进制数据文件，会占用大量的存储空间和存储时间。因此，当存储多周期局放数据文件时，为了避免文件太大造成数据丢失，目前大数据平台通常采用大量时域波形数据为图像形式的非结构化数据进行存储。

而目前已有的对局部放电模式识别的研究主要针对的是结构化数据进行模式识别，因而无法直接应用于存储形式为非结构化数据的大数据平台，因此，造成了大数据平台的大量数据浪费。

基于此，期望获得一种针对非结构化数据处理的模式识别方法，其可以对非结构化数据进行数据处理，实现对绝缘缺陷进行识别，从而有效利用大数据平台的数据，提高数据利用率。

发明内容

本发明的目的之一在于提供一种非结构化局部放电数据的模式识别方法，该非结构化局部放电数据的模式识别方法可以对非结构化数据进行数据处理，实现对绝缘缺陷进行识别。

基于上述目的，本发明提出了一种非结构化局部放电数据的模式识别方法，其包括步骤：

(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输入经过训练的一维卷积神经网络模型中，获取的一维卷积神经网络模型的输出即为绝缘缺陷识别结果。

在本发明所述的非结构化局部放电数据的模式识别方法中，采用卷积神经网络是因为卷积神经网络(Convolutional Neural Networks，简称CNN)对数据具有位移、缩放、扭曲等高度不变性，十分利于图像数据处理。对于本案而言，原始局部放电图像样本的原始图像可以采用二维数组进行表达，因此，可以对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，这样一方面可以保留图像中的时域波形的一维特性，另一方面又可以降低后续的卷积神经网络模型的复杂度，使得本案可以采用一维卷取神经网络模型对一维数组进行训练，最终将待识别的局部放电图像输入训练后的一维卷取神经网络模型中，实现对绝缘缺陷进行识别的效果。

需要说明的是，在本发明所述的技术方案中，所述非结构化局部放电数据是指在局部放电数据采集过程中采集到的不同于结构化数据的数据，非结构化局部放电数据为非二进制的数据，例如图片、文本。