[发明专利]一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质

说明书

本发明公开了一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统、终端及可读存储介质，所述方法包括：步骤1：获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；步骤2：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；步骤3：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；步骤4：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果。本发明所述方法满足了在极少故障样本的条件下，局部放电故障的高精度检测。

技术领域

本发明属于电力设备局部放电故障诊断技术领域，具体涉及一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质。

背景技术

电力设备(如气体绝缘开关设备、变压器)在长期运行过程中，可能存在各种绝缘缺陷，产生局部放电现象。如果未能及时检测出电力设备中的局部放电故障，局部放电会演变成放电击穿或火花放电，进而导致电力设备损坏，造成巨大的经济损失。当前，对电力设备局部放电故障诊断主要依靠人工对采集的特征图谱进行分析与判别。这种方式不仅人工成本高，检测周期长，而且误检率较高。因此，提出智能的、可靠的局部放电故障诊断方法，进而采取积极主动的检修措施，对保障电力设备的安全运行具有重要的实际意义。

近年来，随着深度学习和计算机视觉技术的飞速发展，涌现出一系列的图像识别模型。这些模型能通过大量训练数据，构建输入与输出之间的拟合关系，从而达到区分不同类别图像的目的。受此启发，部分研究人员开始将图像识别模型应用于电力设备局部放电故障诊断中，一般手段是利用大量的数据样本，将其作为模型输入，以局部放电故障的诊断结果为模型输出，通过训练构建出基于深度学习的局部放电故障的诊断模型。然而，当前模型性能的优劣取决于是否有大量用于模型训练的数据样本。而在实际应用过程中，局部放电的故障样本往往十分稀缺，难以获取足够多的数据样本来训练图像识别模型。因此，在极少故障样本的条件下，现有的图像识别模型的检测精度往往不尽人意，不能较好地诊断出电力设备的局部放电故障。

发明内容

本发明的目的是针对极少故障样本条件下，现有的局部放电诊断模型的检查精度不高的问题，提供一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质。本发明所述方法另辟蹊径，以各类局部放电故障的图谱信息为参照，利用深度学习网络提取图谱特征，再基于图谱特征将待检测电力设备的图谱特征与各类局部放电故障对应的图谱特征进行相似计算，得到待检测电力设备的局部放电故障检测结果。本发明所述方法满足了在极少故障样本的条件下，局部放电故障的高精度检测。

一方面，本发明提供的一种基于深度孪生网络的电力设备局部放电故障诊断方法，其包括以下步骤：

步骤1：获取待测试电力设备的特征图谱并作为测试样本，以及获取电力设备在各类局部放电故障下、无局部放电故障下的特征图谱并作为支撑集样本；

其中，所述特征图谱包含局部放电特征信息；

步骤2：将所述测试样本和所述支撑集样本的特征图谱分别对应输入两个深度孪生网络模型得到各自对应的深度特征；

步骤3：基于所述测试样本的深度特征和所述支撑集样本中每类支撑样本对应的深度特征计算特征映射距离；

步骤4：依据测试样本与每类支撑样本对应的特征映射距离确定所述测试样本的局部放电故障诊断结果；

其中，特征映射距离越大，测试样本与对应一类支撑样本越接近。

可选地，所述特征图谱为脉冲序列图谱PRPS、相位图谱PRPD中的一个或组合。

可选地，若特征图谱包括脉冲序列图谱PRPS和相位图谱PRPD，步骤2中测试样本和支撑样本的深度特征分别表示为：