[发明专利]基于优化SA-CACGAN的电缆局放数据库样本扩充方法

说明书

本发明公开了一种基于优化SA‑CACGAN的电缆局放数据库样本扩充方法，具体包括：获取电缆局放历史数据并处理；生成训练集；构建CACGAN网络模型；利用带SA的生成器网络生成对抗样本集；优化并计算CACGAN网络的损失值；训练CACGAN网络；判断生成器和判别器是否达到纳什均衡条件，若达到纳什均衡，则对局放样本库完成扩充；若未达到纳什均衡，则重新更新生成对抗样本集，直到生成器和判别器达到纳什均衡。本发明不仅可以提高样本的识别精度，而且可以有效提高模型的稳定性。有效解决了电缆局放数据现场采集困难、数据不足且质量差的问题，为后续电缆的局放故障诊断提供了足够的数据支撑。

技术领域

本发明属于电力设备监测评估技术领域，具体涉及一种基于优化SA-CACGAN的电缆局放数据库样本扩充方法。

背景技术

在电力电网中，电缆是供电设备与电力设备之间的桥梁，起着传输电能的作用。随着科技的发展，工业化生产逐渐实现自动化，电器已经在人们生活中得到普及，人类对电的需求量也在逐渐的增加，因而电力工程的应用和维护也备受关注，而电力的传输主要是依靠电线电缆，只有保证电力电缆的正常工作才能够保证人们正常用电。电力电缆由于工厂加工工艺、现场制作工艺以及运行环境腐蚀等原因，导致了绝缘层中存在缺陷，这些缺陷使电缆线芯周围原本均匀的电场产生畸变，从而激发局部放电，最终发展为电缆击穿故障，造成严重后果，因此如何在绝缘开始劣化或电缆出现故障后，高效与准确地找到绝缘缺陷点与消除故障是本领域的难题。

然而在现场对电缆局部放电的监测中，电缆局放信号数据的采集是一个很大的问题。首先现场局放传感器的布置受电缆检修时间节点的影响较大；其次电缆局放的发生频率并不是很高，采集足够的局放数据需要花费大量的时间；最后电缆局放数据的采集过程中会有大量的噪声，严重影响电缆局放数据的质量。所以要想获取足够的现场电缆局放数据用于神经网络学习存在很大的困难，所以如何获取足够的现场电缆局放数据显得尤为重要。基于数据增强的样本扩充会是一个更好地选择。

数据增强让有限的数据产生更多的数据，增加训练样本的数量以及多样性(噪声数据)，提升模型鲁棒性，一般用于训练集。神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，但在很多实际的项目中，我们难以找到充足的数据来完成任务。随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。

近几年来GAN是十分火热的，GAN的全称是Generative adversarial network，中文翻译过来就是生成对抗网络。生成对抗网络其实是两个网络的组合：生成网络(Generator)负责生成模拟数据；判别网络Discriminator)负责判断输入的数据是真实的还是生成的。生成网络要不断优化自己生成的数据让判别网络判断不出来，判别网络也要优化自己让自己判断得更准确。二者关系形成对抗，因此叫对抗网络。

本发明利用带注意力机制(SA)的生成器网络生成对抗样本集，根据获取的历史以往局放数据生成训练集，通过搭建并训练CACGAN(Conditional Auxiliary ClassifierGenerative Adversarial Networks)网络模型对电缆局放样本库完成扩充，由此提出了一种新的数据样本扩充方法，即一种基于优化SA-CACGAN的电缆局放数据库样本扩充方法。本方法不仅可以提高样本的识别精度，而且可以有效提高模型的计算速度，同时生成高质量的样本扩充数据集。本发明有效的解决了电缆局放数据现场采集困难、数据少且质量差的问题，为电缆的局放故障诊断提供了足够的数据支撑。

发明内容

目前针对电缆局部放电数据的获取，主要以现场采集为主，即在现场布置大量传感器和各种探头，不仅投入了大量的成本费用，而且需要人员现场的干预，会产生大量的人力成本和风险，而且采集时间周期长，鉴于此本发明提供了一种基于优化SA-CACGAN的电缆局放数据库样本扩充方法。