一种基于轻量Transformer的无相位参考PRPD局部放电类型识别方法、系统、设备及存储介质与流程

摘要: 本发明涉及电力设备绝缘状态检测与人工智能识别,尤其涉及一种基于轻量transformer的无相位参考prpd局部放电类型识别方法、系统、设备及存储介质。背景技术...
一种基于轻量Transformer的无相位参考PRPD局部放电类型识别方法、系统、设备及存储介质与流程

本发明涉及电力设备绝缘状态检测与人工智能识别,尤其涉及一种基于轻量transformer的无相位参考prpd局部放电类型识别方法、系统、设备及存储介质。

背景技术:

1、局部放电是电力设备绝缘缺陷的重要表现形式之一。不同类型的局部放电通常对应不同的绝缘缺陷机理,例如气隙放电、悬浮电位放电、针尖放电、油中间隙放电等。准确识别局部放电类型对于设备状态评估、故障定位和运维决策具有重要意义。

2、prpd 相位谱能够反映局部放电信号在一个工频周期内的相位分布特征,是局部放电模式识别中的常用数据形式。传统识别方法通常将prpd相位谱作为固定长度特征向量,并采用logistic regression、支持向量机或其他机器学习模型进行识别。然而,传统方法在使用固定位置特征时,容易依赖固定的0°相位参考。当实际测量过程中采集起点发生偏移,或者相位参考不稳定时,同一放电模式在相位谱中的位置会整体移动,从而导致传统模型识别性能下降。

3、此外,实际测量信号还可能受到噪声干扰。传统方法在训练数据噪声条件较单一时,难以在不同信噪比条件下保持稳定识别能力。因此,亟需一种能够适应无相位参考和噪声干扰条件的prpd局部放电类型识别方法。

技术实现思路

1、发明目的,本发明的目的在于提供一种基于轻量transformer的无相位参考 prpd局部放电类型识别方法,以解决传统方法依赖固定相位参考、对相位起点变化和噪声干扰适应能力不足的问题。

2、技术方案,为了实现上述发明目的,本发明提出一种基于轻量transformer的无相位参考prpd局部放电类型识别方法,该方法包括如下步骤:

3、获取待识别的prpd相位谱数据,所述prpd相位谱数据包括覆盖一个工频相位周期的多个相位采样点;

4、使用训练集所有样本的所有相位采样点共同计算得到的prpd相位谱数据全局均值和prpd相位谱数据全局标准差,并对所述prpd相位谱数据进行全局标准化处理;

5、将全局标准化后的prpd相位谱数据按照预设相位窗口划分为多个相位窗口token;

6、将所述相位窗口token输入轻量transformer识别模型,利用自注意力机制提取不同相位窗口token之间的关联特征;

7、对所述轻量transformer识别模型输出的token特征进行池化处理,并通过分类层输出局部放电类型识别结果。

8、进一步的,所述prpd相位谱数据包括覆盖一个工频相位周期的预设数量相位采样点,所述预设数量相位采样点不限于4000个。

9、进一步的,样本的生成方法如下:对训练集prpd相位谱进行循环相位移位,以构造相位起点变化的训练样本;所述循环相位移位包括:从预设范围内随机选取偏移量,并按照所述偏移量对prpd相位谱的相位采样点序列进行循环平移,且保持对应局部放电类型标签不变。

10、所述循环相位移位是指在保持prpd相位谱完整工频周期信息不变的前提下,仅改变相位采样点序列的起始位置,从预设范围内随机选取偏移量,并按照该偏移量对prpd相位谱的相位采样点序列进行循环平移,将平移后超出序列末端的相位采样点回接至序列起始位置,循环平移后的prpd相位谱仍覆盖完整工频相位周期,并保持原prpd相位谱的幅值分布、相位相对间隔和局部放电类型属性,对应的局部放电类型标签保持不变。

11、进一步的,在循环位移之前,向训练集prpd相位谱加入不同信噪比条件下的高斯噪声样本,以提升模型对噪声条件的泛化能力;所述不同信噪比条件包括无噪声、snr=10、snr=5、snr=2、snr=1、snr=0.5、snr=0.2或snr=0.1中的至少两种。

12、进一步的,所述相位窗口token的生成包括:按照相位采样点的排列顺序,将连续的多个相位采样点划分为一个相位窗口,并将每个相位窗口映射为一个token表示,并且,所述相位窗口token的数量根据prpd相位谱数据的采样点数量、预设相位窗口宽度或计算资源确定,不限于40、80、100或200。

13、进一步的,所述轻量transformer识别模型包括相位窗口嵌入层、至少一个transformer编码层、池化层和分类层,所述transformer 编码层包括多头自注意力模块和前馈神经网络模块。

14、标准化后的prpd相位谱首先按照相位顺序划分为多个相位窗口token,每个相位窗口token包含一段连续相位采样点的幅值序列,相位窗口嵌入层接收上述相位窗口token,并将每个相位窗口token中的相位采样点幅值序列映射为统一维度的嵌入向量,从而形成token嵌入序列;

15、transformer编码层以该token嵌入序列为输入,通过多头自注意力模块计算不同相位窗口token之间的关联权重,融合跨相位窗口的放电分布特征;通过前馈神经网络模块对每个token的融合特征进行非线性变换,输出包含全局相位上下文信息的token特征序列;

16、池化层沿token维度对上述token特征序列进行聚合,生成表征整条prpd相位谱的全局特征表示;

17、分类层根据该全局特征表示输出各局部放电类型的分类得分,并确定最终的局部放电类型识别结果。

18、进一步的,所述池化处理为平均池化处理,用于将多个token特征聚合为全局特征表示。

19、此外,本发明提出一种基于轻量transformer的无相位参考prpd局部放电类型识别系统,包括:

20、数据获取模块,用于获取待识别的prpd相位谱数据,所述prpd相位谱数据包括覆盖一个工频相位周期的多个相位采样点;

21、预处理模块,用于使用训练集所有样本及所有相位采样点共同计算得到的全局均值和全局标准差,并对所述prpd相位谱数据进行全局标准化处理;

22、token化模块,用于将全局标准化后的prpd相位谱数据按照预设相位窗口划分为多个相位窗口token;

23、识别模型模块,将所述相位窗口token输入轻量transformer识别模型,利用自注意力机制提取不同相位窗口token之间的关联特征;

24、结果输出模块,用于对所述轻量transformer识别模型输出的token特征进行池化处理,并通过分类层输出局部放电类型识别结果。

25、此外,本发明提出一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现任一项所述的方法。

26、此外,本发明提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的方法。

27、有益效果,与现有技术相比,本发明的技术方案具有如下有益技术效果:

28、(1)采用全局标准化处理,避免逐相位采样点标准化对固定相位起点的依赖;

29、(2)通过相位窗口token化,将prpd相位谱转换为适合transformer建模的token序列;

30、(3)通过轻量transformer的自注意力机制提取不同相位窗口之间的全局关联特征,提高局部放电类型识别能力;

31、(4)通过循环相位移位构造无相位参考训练样本,使模型适应相位起点变化;

32、(5)通过多信噪比噪声样本训练,提高模型在噪声干扰条件下的鲁棒性;

33、(6)模型结构轻量,适合在电力设备状态监测系统中部署。