[发明专利]一种基于DS证据理论的融合局部放电类型识别方法

权利要求书

1.一种基于DS证据理论的融合局部放电类型识别方法，其特征在于：本方案对传统的局部放电类型识别特征参数依赖专家经验而且敏感性差，对某些相似度较高的绝缘缺陷类型难以区分，导致识别率低等问题进行有效的改进。首先设计4种典型局部放电缺陷模型，使用局部放电检测设备对每种类型的缺陷进行数据样本采集；然后提取每种类型缺陷的PRPD图谱图像特征，以及根据PRPD图谱计算其5个统计特征，并将两种类型的特种进行融合用于后续的识别；最后设计一种基于DS证据理论的SVM-CNN融合判别的方法进行类型识别。

2.根据权利要求1所述的一种基于DS证据理论的融合局部放电类型识别方法，其特征在于：对于PRPD图谱图像特征，构建的二维图谱样本，其中横坐标表示放电相位P，纵坐标表示放电量Q，而放电次数N则映射到颜色空间上，每个分部位置的N值统计叠加，可以做到颜色标识，根据累积的次数分为6个颜色级别，颜色由浅到深，使其特征更容易识别。对于PRPD图谱统计特征，获取三种基本量：p(放电相位)、q(放电电量)、n(放电次数)，将这三种基本量进一步处理，把一个周期的局部放电信号如图4所示平均分成N个相位窗，再对每一个相位窗计算其p、q、n值，可以得到{p_i}、{q_i}、{n_i}序列，这三种序列能够作为此放电信号的底层特征量。提取局部放电的5个统计特征量：(1)偏斜度、(2)陡峭度、(3)放电因素、(4)互相关系数、(5)相位不对称度。利用融合特征进行局部放电类型识别，对相似度高，特征重叠度大的空穴和自由金属颗粒放电，该方法有较高的识别率。

3.根据权利要求1所述的基于DS证据理论的融合局部放电类型识别方法，其特征在于：设计了8层卷积神经网络，包括1个输入层、3个卷积层、2个池化层、1个全连接层以及1一个输出分类层。输入层输入的是100×100的RGB三通道PRPD图谱，同时对图片做了一定的预处理操作，在每个通道上都减去了它的均值，并进行归一化。然后经过卷积层和池化层提取图谱特征，在卷积层选用Relu函数作为激活函数，并使用最大池化方式进行特征降维，压缩数据和参数的数量，中间加入Dropout操作防止过拟合，最后将特征输入到Softmax层进行分类，得到识别概率。将上文提取的PRPD图谱统计特征向量V输入到SVM分类器中，得到基于统计特征的局部放电类型识别概率。最后将两种识别概率输入到DS证据理论模型中进行融合判别进行分类，从而提高识别特征丰富度，进而增加识别率和鲁棒性。对比了普通CNN网络的识别效果，并和传统的浅层网络SVM和BPNN进行了比较，本方法识别率都有较大提升。