CN118709095B 基于多特征提取和融合的局部放电类型识别方法及系统 （南昌航空大学）

号基于多特征提取和融合的局部放电类型识本发明公开了一种基于多特征提取和融合合特征进行图层归一化处理，得到目标融合特2获取局部放电信号数据，并根据频域分析和时域分析结合的对所述局部放电信号数据进行图结构特征提取，得到与所述局部放将位置编码添加至所述目标融合特征Hm，并对添加后的待输入特征进行时序,,,,Ha,,,3计算注意力权重：计算查询矩阵Q和键矩阵K的点积，并,4,为邻接矩阵元素，表示节点和节点是否存在连接，v将所述最终特征向量输入至预先构建的局部放电识别模型中，所述局部放电识别2.根据权利要求1所述的一种基于多特征提取和融合的局部放电类型识别方法，其特频域特征s(f)的表达式为：,频谱分析：频域特征s(f)中每个频率f对应一个幅值，计算每个频率f的幅值，并选择幅值大于预设阈值的频率作为目标频率w，与目标频率w对应的幅值保存为,,对应的频谱幅值绝对值，4s为主要频率成分对应的幅值，为频率分量集合中的一个频经验模态分解：对局部放电信号数据进行经验模态分解，分4,,,幅值，JY为对于第i个固有模态函数中第j个分量所对应的主要频率的集合，为频短时傅里叶变换：对局部放电信号数据进行短时傅里叶变换，分,,,,,5,Jr,4s为主要频率成分对应的3.根据权利要求1所述的一种基于多特征提取和融合的局部放电类型识别方法，其特;,e为初始卷积层的权重矩阵，D(r)为4.根据权利要求1所述的一种基于多特征提取和融合的局部放电类型识别方法，其特,5.根据权利要求1所述的一种基于多特征提取和融合的局部放电类型识别方法，其特,66.根据权利要求5所述的一种基于多特征提取和融合的局部放电类型识别方法，其特节点重要性度量计算：采用节点度和节点特征均值相结合的,,,,,,多尺度特征提取：使用不同尺度的卷积核对输入,,获取模块，配置为获取局部放电信号数据，并根据频域分析和7第一提取模块，配置为对所述局部放电信号数据进行图结构部放电信号数据相对应的图结构特征，并将所述周期特征和图结构特征进行,,,,Ha,,,8计算注意力权重：计算查询矩阵Q和键矩阵K的点积，并,4,为邻接矩阵元素，表示节点和节点是否存在连接，v述局部放电识别模型输出与所述最终特征向量相对应的局9[0008]将位置编码添加至所述目标融合特征Hwm，并对添加后的待输入特征HUXW进的基于多特征提取和融合的局部放电类型识别方法[0019]图1为本发明一实施例提供的一种基于多特征提取和融合的局部放电类型识别方[0020]图2为本发明一实施例提供的一种基于多特征提取和融合的局部放电类型识别系[0023]请参阅图1，其示出了本申请的一种基于多特征提取和融合的局部放电类型识别所述局部放电信号数据中的周期特征Bae。[0027]使用连续自适应小波阈值去噪算法对采集的信号进行去噪处理，具体步骤包括所述频域特征s(f)的表达式为：[0040]频谱分析：频域特征s(f)中每个频率f对应一个幅值，计算每个频率f的幅值l)i个固i个固有模态函数的第j个分量；对应的幅值，JV为对于第个固有模态函数中第j个分量所对应的主要频率的集合，,为周期特征集合，为主要频率成分的集合，4s为主要频率成[0080]需要说明的是，将所述周期特征和图结构特征进行融合的表达式为：,优的a和p值。优a'和p'值。i在第j个维度的特征值；i和节点是否存在连接；Hwa4为邻接矩阵元素，表示节点i和节点j是否存述局部放电识别模型输出与所述最终特征向量Ha相对应的局部放电类型。[0134]在本步骤中，动态感知注意力机制生成的注意力输出可以作为输入传递给多层[0135]输入层：动态感知注意力机制的输出AttentionOutput作为Transformer编码[0138]其中，为Transformer编码器第l+1层的输出特征矩阵，为网络的处理，输出Transformer编码器第1ri层的输出特征矩阵即经网络中第一层和第二层的权重矩阵，、分别为第一层和第二层的偏置项。通过多层[0141]特征向量生成：将最终特征矩阵Hm进行flatten操作，生成特征向量z：z=Flaten(Hnw)通过flatten操作，将特征矩阵转化为输入特征向量z，用于后续的分类分别是查询矩阵和键矩阵中的第i行和第j行，是键的维度。应用Softmax函数：。对注意力特征向量zam进行分类预测。[0161]高阶特征提取：多层图卷积网络与残差连接的结合使得[0163]请参阅图2，其示出了本申请的一种基于多特征提取和融合的局部放电类型识别所述局部放电信号数据相对应的图结构特征H"，并将所述周期特征和图结构特征[0174]将位置编码添加至所述目标融合特征Hwm，并对添加后的待输入特征HUXW进320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处[0182]将位