[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

说明书

本发明申请保护一种基于DS证据理论的融合局部放电类型识别方法。涉及涉及电力系统、深度学习技术及图像处理技术等领域。该方法首先利用卷积神经网络输入局部放电PRPD图谱图像特征进行识别得到识别率，然后提取PD信号的统计特征输入SVM分类器得到分类概率，最后利用DS证据理论对两种概率进行局部放电类型的融合判别。相比传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法，本文提出方法的正确识别率显著提升，尤其对相似度较高的两种缺陷识别率提升效果明显，具有较好的鲁棒性。

技术领域

本发明涉及一种基于DS证据理论的SVM(Support Vector Machine,支持向量机)-CNN(Convolutional Neural Networks,卷积神经网络)融合局部放电类型识别方法，涉及电力系统、深度学习技术及图像处理技术等领域。

背景技术

变压器对电力系统运行非常重要，如果出现故障，将造成不可估量的经济损失。变压器在生产、制造、安装、运行过程中容易产生绝缘缺陷，导致设备内电场发生畸变，从而产生局部放电现象(Partial Discharge,PD)。变压器内部绝缘缺陷形式多种多样，不同放电类型在绝缘劣化机理、表现形式方面有一定的差异，对设备安全运行的影响以及绝缘状态的危害程度也不尽相同。局部放电类型识别可以为变压器地诊断、检修以及放电源定位提供依据，保障电力系统的安全稳定运行。变压器设备中的局部放电通常分为4种典型放电类型：尖端放电缺陷、空穴放电缺陷、悬浮电位放电缺陷和自由金属颗粒放电缺陷。对局部放电类型识别的研究基本分三个步骤：局部放电模式构造、局部放电特征提取以及分类器设计。

PRPD(Phase Resolved Partial Discharge)分析模式具有数据量小，稳定性好，对监测条件要求较低且监测信号相对较少的优点，在实际中得到了广泛的应用。在局部放电特征提取方面，主要使用的方法有统计特征法、图像矩特征参数法、分形特征法以及小波变换法等。其中统计特征是基于PRPD图谱提取的，因其物理意义明确而且方法比较简单，因此被广泛使用。在分类器选择方面，近年来，局部放电类型识别已有大量的研究成果，其中以反向传播神经网络(BPNN)和支持向量机(SVM)的应用较为广泛，并且取得了较好的分类效果。但是传统的分类方法在特征参数选取上存在一定的主观性，通常依赖于专家经验，信息丢失严重，缺乏一定的泛化性，从而导致识别率不高。

近年来，随着深度学习(Deep Learning,DL)方法的提出和不断发展，各种改进的结构单元和优化算法也相继被提出。作为机器学习的一个分支，深度学习特别适合处理大规模的图像、声音和文本等不同类型的数据。它主要采用逐层训练的思想，对大规模数据进行处理，从中挖掘输入数据的深层次特征表达，在特征表达、数据降维、分类预测等方面性能突出。以卷积神经网络为代表的深度学习算法已经在医学成像识别、语音识别、人脸识别、图像识别、工业自动化等很多领域都有了初步的应用。深度神经网络在敏感性与鲁棒性特征提取与构建方面表现优异，能从海量数据中自动学习特征信息，为变压器局部放电模式识别带来了新的契机。

发明内容

本发明针对现有特征提取方面由于缺乏先验知识，初步选择的局部放电特征参数敏感性差，不能全面描述局部放电特性，现有的局部放电模式识别方法局限于各种浅层机器学习方法，难以克服方法本身局限性等缺陷，本发明设计了一种基于DS证据理论的SVM-CNN融合局部放电类型识别方法。