CN115908842B 变压器局部放电数据增强与识别方法 （淮南市潘阳光伏发电有限公司）

本发明公开了本发明变压器局部放电数据对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够CGAN模型生成的各种特定放电类型下的局部放明以改进的CNN作为分类器,输入数据扩充平衡的训练样本数据训练改进的CNN,通过不断训练调整网络参数与权重,输出故障分类诊断结果；解决了非平衡小样本数据下变压器局部放电模式识别准确率偏低的问题,提高故障识别准确2所述改进的CGAN模型包括生成器G与判别器D，对生成器G的网络模型中引入空间池化a是可调参数；2.根据权利要求1所述变压器局部放电数据增强(X,)=(R(X,)+G(X,J)+B(X,))I3（1）的灰度值，f(x,)为采用平均值法对图谱进行灰度化处理后在(x,)位置处的灰度值。3.根据权利要求1所述变压器局部放电数据增述将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱的具将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分析或34绝缘状态劣化程度。随着未来人工智能产业发展的进一步的快速发展,模式识别理论和技有正常状态样本远大于已经发生了故障样本数量的显著特点,导致在现场的实测样本数据比较中，正常故障样本总是远远要多于异常故障样本,且各个不同故障类型间的实际故障样本比例也总是极其不平衡的,原始数据不能充分的训练现有的分类器，使得分类器识别[0008]步骤4、将待识别变压器局部放电图谱输入优化的分类器，输出故障分类诊断结5[0017]L,=-Er-nr[loglog(1-D(G(2)](3)[0021]步骤2中将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱的[0023]将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分到最优的生成器模型和判别器模型以及扩充的放增强，在原有CGAN模型的基础上引入空间池化层,增加了该网络模型中的多元尺度特征学T_ReLU激活函数能够提高网络模型函6[0040]为解决非平衡小样本数据下变压器局部放电模于改进的条件生成对抗网络(generativeadversarialnetworks,CGAN)和卷积神经网络(convolutionalneuralnetwork,CNN)的局放数据增强与放电类型识别方法。首先,本发明方法以局放故障类型的PRPD图谱为对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够生成特定类型的局部放电图谱样本。其次,利用CGAN生成的各种特定放电类型下的局部放电图谱可以扩充原始放电数据集,增加原始数据捕获对抗训练数据的分布,另一个是判别器，主要是提供一个用以估计对抗训练的样本数别器后,判别器的任务是通过与真实数据的比较来评估图像的真实性。生成器之间和判别够改善无监督GAN网络中的不可控性,本发明采用条件生成对抗网络(conditional7做为一个判别的条件,则生成式的对抗网络模型就将可以被无限的扩展为一个另外的一种[0051]为了生成高质量数据样本，本发明采用改进的CGAN模型包[0062]将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分到最优的生成器模型和判别器模型以及扩充的放[0064]作为当前一种可以广泛有效地应用于图像特征识别问题上的多层神经网络识别8出层。卷积连接层系统主要由多个图像特征面系统所组成,个神经元。在图像信号前馈传输期间,卷积连接层通过卷积核对整个图像信号输入局部区域来进行图像卷积的运算,提取到该输入局部区域图像上所有的图像特征集。卷积层的设[0065]Z"=W"8X+b"(6)[0068]池化层有效的对卷积层进行到了最大程度的采样,减小到了特征维度,降低运算[0070]式中,xi为采样区域范围内的每个[0075]步骤4、将待识别变压器局部放电图谱输入优化的分类器，输出故障分类诊断结度图如图7所示，典型气隙放电图谱灰度图如图8所示，典型悬浮放电图谱灰度图如图9所[0078]对本发明方法与现有的ROS、SMOTE方法度指标(multi_scalestructuralsimilarity,MS_SSIM)作为参考指标分别来三种方法进9局放图谱样本输入到一个预先训练已建立好的卷积神经网络模型中,得到一种可用于预测[0085]为了进一步验证本发明方法的识别测试效果,在局放图谱样本库中,随机地选取法进行训练,再分别通过随机地选取的其中的100组数据分别来作为进行模式识别测试方法的图谱样本库分别来识别测试了上述的三种算法的识别结果并根据计算结果绘制出测和召回率同样都会很高,即识别查准率和识别查全率同时都达到很高。对比于其他这两种判别方法,CGAN_CNN技术用于电力变压器局部放电后的放电模式的识别会有其很好的识别过的CGAN_CNN三种识别方法的分别进行20次的测试,对比出三者方法的平均识别的正确PRPD图谱为对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够生成特定类型的局部放电图谱样本。其次,利用改进的CGAN模型生成的各种特定放电类型下的局部放电图谱可以扩充原始放电数据集,增加原始数据集的多样性,以改进的CNN作为分类器,输入数据扩充平衡的训练样本数据训练改进的CNN,通过不断训练调整网络参数与权重,输