本發(fā)明屬于電力系統(tǒng)監(jiān)測(cè)與診斷，尤其涉及一種基于多特征提取和融合的局部放電類型識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、在高壓電纜系統(tǒng)中，局部放電（partial?discharge,?pd）現(xiàn)象是由于絕緣缺陷導(dǎo)致的局部區(qū)域電氣放電，是電纜絕緣劣化和故障的重要預(yù)兆。因此，局部放電的識(shí)別和診斷對(duì)于保障電力系統(tǒng)的安全運(yùn)行至關(guān)重要。

2、現(xiàn)有技術(shù)中，基于機(jī)器學(xué)習(xí)的方法：利用支持向量機(jī)（svm）、決策樹(shù)等傳統(tǒng)機(jī)器學(xué)習(xí)算法，通過(guò)提取局部放電信號(hào)的特征進(jìn)行分類。這些方法在一定程度上提高了識(shí)別準(zhǔn)確率，但對(duì)特征提取的依賴較大，難以適應(yīng)復(fù)雜多變的實(shí)際環(huán)境；基于深度學(xué)習(xí)的方法：采用卷積神經(jīng)網(wǎng)絡(luò)（cnn）、長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）等深度學(xué)習(xí)模型，從局部放電信號(hào)中自動(dòng)提取特征進(jìn)行識(shí)別。深度學(xué)習(xí)方法在處理復(fù)雜信號(hào)方面表現(xiàn)優(yōu)異，但需要大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，模型的解釋性較差，計(jì)算資源消耗大。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于多特征提取和融合的局部放電類型識(shí)別方法及系統(tǒng)，用于解決需要大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，模型的解釋性較差，計(jì)算資源消耗大的技術(shù)問(wèn)題。

2、第一方面，本發(fā)明提供一種基于多特征提取和融合的局部放電類型識(shí)別方法，包括：

3、獲取局部放電信號(hào)數(shù)據(jù)，并根據(jù)頻域分析和時(shí)域分析結(jié)合的方式提取所述局部放電信號(hào)數(shù)據(jù)中的周期特征；

4、對(duì)所述局部放電信號(hào)數(shù)據(jù)進(jìn)行圖結(jié)構(gòu)特征提取，得到與所述局部放電信號(hào)數(shù)據(jù)相對(duì)應(yīng)的圖結(jié)構(gòu)特征，并將所述周期特征和圖結(jié)構(gòu)特征進(jìn)行融合，并對(duì)融合后的融合特征進(jìn)行圖層歸一化處理，得到目標(biāo)融合特征；

5、將位置編碼添加至所述目標(biāo)融合特征，并對(duì)添加后的待輸入特征進(jìn)行時(shí)序特征提取，得到最終特征向量；

6、將所述最終特征向量輸入至預(yù)先構(gòu)建的局部放電識(shí)別模型中，所述局部放電識(shí)別模型輸出與所述最終特征向量相對(duì)應(yīng)的局部放電類型。

7、第二方面，本發(fā)明提供一種基于多特征提取和融合的局部放電類型識(shí)別系統(tǒng)，包括：

8、獲取模塊，配置為獲取局部放電信號(hào)數(shù)據(jù)，并根據(jù)頻域分析和時(shí)域分析結(jié)合的方式提取所述局部放電信號(hào)數(shù)據(jù)中的周期特征；

9、第一提取模塊，配置為對(duì)所述局部放電信號(hào)數(shù)據(jù)進(jìn)行圖結(jié)構(gòu)特征提取，得到與所述局部放電信號(hào)數(shù)據(jù)相對(duì)應(yīng)的圖結(jié)構(gòu)特征，并將所述周期特征和圖結(jié)構(gòu)特征進(jìn)行融合，并對(duì)融合后的融合特征進(jìn)行圖層歸一化處理，得到目標(biāo)融合特征；

10、第二提取模塊，配置為將位置編碼添加至所述目標(biāo)融合特征，并對(duì)添加后的待輸入特征進(jìn)行時(shí)序特征提取，得到最終特征向量；

11、輸出模塊，配置為將所述最終特征向量輸入至預(yù)先構(gòu)建的局部放電識(shí)別模型中，所述局部放電識(shí)別模型輸出與所述最終特征向量相對(duì)應(yīng)的局部放電類型。

12、第三方面，提供一種電子設(shè)備，其包括：至少一個(gè)處理器，以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行本發(fā)明任一實(shí)施例的基于多特征提取和融合的局部放電類型識(shí)別方法的步驟。

13、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序指令被處理器執(zhí)行時(shí)，使所述處理器執(zhí)行本發(fā)明任一實(shí)施例的基于多特征提取和融合的局部放電類型識(shí)別方法的步驟。

14、本申請(qǐng)的基于多特征提取和融合的局部放電類型識(shí)別方法及系統(tǒng)，提出結(jié)合節(jié)點(diǎn)度和節(jié)點(diǎn)特征均值的綜合重要性度量方法，通過(guò)該方法計(jì)算每個(gè)節(jié)點(diǎn)的重要性。在此基礎(chǔ)上，采用自適應(yīng)池化策略，優(yōu)先保留重要節(jié)點(diǎn)的特征，從而顯著提升特征提取的有效性和計(jì)算效率；在時(shí)序特征提取過(guò)程中，引入了一種動(dòng)態(tài)感知注意力機(jī)制。該機(jī)制能夠通過(guò)自適應(yīng)調(diào)整注意力權(quán)重，增強(qiáng)模型對(duì)輸入信號(hào)變化的響應(yīng)能力，從而提高特征提取的準(zhǔn)確性和對(duì)動(dòng)態(tài)變化的適應(yīng)能力。

技術(shù)特征：

1.一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，所述根據(jù)頻域分析和時(shí)域分析結(jié)合的方式提取所述局部放電信號(hào)數(shù)據(jù)中的周期特征包括：

3.根據(jù)權(quán)利要求1所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，所述對(duì)所述局部放電信號(hào)數(shù)據(jù)進(jìn)行圖結(jié)構(gòu)特征提取，得到與所述局部放電信號(hào)數(shù)據(jù)相對(duì)應(yīng)的圖結(jié)構(gòu)特征包括：

4.根據(jù)權(quán)利要求1所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，將所述周期特征和圖結(jié)構(gòu)特征進(jìn)行融合的表達(dá)式為：

5.根據(jù)權(quán)利要求1所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，所述對(duì)融合后的融合特征進(jìn)行圖層歸一化處理，得到目標(biāo)融合特征包括：

6.根據(jù)權(quán)利要求5所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，所述在圖卷積操作和殘差連接后引入自適應(yīng)池化方法，根據(jù)節(jié)點(diǎn)的重要性自適應(yīng)地選擇池化策略包括：

7.根據(jù)權(quán)利要求1所述的一種基于多特征提取和融合的局部放電類型識(shí)別方法，其特征在于，所述將位置編碼添加至所述目標(biāo)融合特征，并對(duì)添加后的待輸入特征進(jìn)行時(shí)序特征提取，得到最終特征向量包括：

8.一種基于多特征提取和融合的局部放電類型識(shí)別系統(tǒng)，其特征在于，包括：

9.一種電子設(shè)備，其特征在于，包括：至少一個(gè)處理器，以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行權(quán)利要求1至7任一項(xiàng)所述的方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于多特征提取和融合的局部放電類型識(shí)別方法及系統(tǒng)，方法包括：對(duì)局部放電信號(hào)數(shù)據(jù)進(jìn)行圖結(jié)構(gòu)特征提取，得到與局部放電信號(hào)數(shù)據(jù)相對(duì)應(yīng)的圖結(jié)構(gòu)特征，并將周期特征和圖結(jié)構(gòu)特征進(jìn)行融合，并對(duì)融合后的融合特征進(jìn)行圖層歸一化處理，得到目標(biāo)融合特征；將位置編碼添加至目標(biāo)融合特征，并對(duì)添加后的待輸入特征進(jìn)行時(shí)序特征提取，得到最終特征向量；將最終特征向量輸入至預(yù)先構(gòu)建的局部放電識(shí)別模型中，局部放電識(shí)別模型輸出與最終特征向量相對(duì)應(yīng)的局部放電類型。能夠通過(guò)自適應(yīng)調(diào)整注意力權(quán)重，增強(qiáng)模型對(duì)輸入信號(hào)變化的響應(yīng)能力，從而提高特征提取的準(zhǔn)確性和對(duì)動(dòng)態(tài)變化的適應(yīng)能力。

技術(shù)研發(fā)人員：李瓊,陳龍,廖旭,劉林君,饒慧晴,陳亮亮,靳曉光
受保護(hù)的技術(shù)使用者：南昌航空大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/29