一种高压电机主绝缘多源局部放电可解释的模式识别方法

本发明涉及电力工业领域，具体涉及一种高压电机主绝缘多源局部放电可解释的模式识别方法。

背景技术：

1、 随着旋转电机在工业领域中的广泛应用，其主绝缘系统的运行状态对其安全运行至关重要。许多生产企业为了经济效益会使电动机经常工作在满载甚至过载状态，且工作环境随着其应用场合的不同而不同，其主绝缘要面临高温、潮湿、粉尘等多种老化应力的影响。这些老化应力所造成的绝缘缺陷在电动机运行过程中会引发局部放电，在长期运行中持续的局部放电会造成绝缘裂化，最终使绝缘失效，发生故障。局部放电（partialdischarge, pd）作为衡量绝缘老化程度的重要表征形式，对主绝缘状态评估具有重要意义。然而，由于多个局部放电源易被相互干扰，导致传统识别方法在多源复杂工况下能力有限。

2、近年来，深度学习技术的快速发展为局部放电模式识别提供了新的解决方案。卷积神经网络（cnn）能够直接从prpd谱图或时频图像中自动提取高层次特征，避免了人工特征提取的主观性和局限性。现有的基于深度学习的模式识别方法多集中在单一放电源的分类，对于多源局部放电的研究较少，且基于深度学习的局部放电识别方法多有“黑箱”特性，决策过程缺乏可解释性，难以为电动机绝缘状态评估和运维决策提供可靠依据。

3、因此，本文提出一种基于卷积神经网络的旋转电机主绝缘多源局部放电识别方法，构建槽间、表面、电晕缺陷多源局部放电的数据集，生成prpd谱图并建立多标签图像库；在网络模型侧，设计适配prpd谱图的残差网络，结合注意力机制增强模型分类能力，在解释侧，引入梯度加权分析对卷积后的结果进行可视化，判断模型关注区域与prpd谱图先验的一致性，从而提升模型的可信度。

技术实现思路

1、针对上述情况，本发明的目的就是提供一种高压电机主绝缘局部放电模式识别方法，通过试验数据得到prpd谱图并建立数据库，凭借卷积神经网络在图像识别中的优异表现来形成一套应用于高压电机主绝缘模式识别领域的方法。

2、本发明一种高压电机主绝缘局部放电模式识别方法的目的是通过这样的技术方案实现的：

3、一种高压电机主绝缘多源局部放电可解释的模式识别方法，具体实现步骤如下：

4、s1：根据高压电动机主绝缘的结构、运行环境以及潜在的老化应力，获取发生放电的绝缘缺陷特点，根据缺陷特点设计电晕放电、槽放电、表面放电、电晕-槽放电、电晕-表面放电、槽-表面放电、电晕-槽-表面放电七种局部放电的模型；

5、s2：在实验室条件下搭建局部放电检测平台，运用脉冲电流法检测模型的局部放电信号，获取对应的相位信息和放电幅值信息；

6、s3：根据s2中获取的相位信息和放电幅值信息，先对其进行预处理，具体是将将幅值进行归一化，去除背景噪声；将预处理后的脉冲信号映射为二维prpd谱图；

7、s4：根据s3中所生成的二维prpd谱图赋予相应的放电类型标签，将标注后的prpd谱图建立图像数据库，输入至深度卷积神经网络模型中，输出多源局部放电的识别结果；

8、s5：对所述深度卷积神经网络模型的中间特征进行梯度加权分析，生成反映模型关注区域的可视化结果，并进行多源局部放电识别过程的可解释性分析。

9、进一步地，所述步骤s1包括以下子步骤：

10、s11：采集高压电动机主绝缘的典型结构信息，包括但不限于主绝缘的外形尺寸、结构布局、绝缘介质类型与参数，导电部件的几何形状；

11、s12：获取主绝缘发生电晕放电、槽放电、表面放电的绝缘缺陷特点，包括但不限于运行电压、电流、温度、湿度、频率以及局部放电发生的位置；

12、s13：取f等级的绝缘线圈若干，先对其外观进行观察，确保无裂纹、磨损等明显的绝缘损坏；

13、s14：根据缺陷特点设计电晕放电、槽放电、表面放电、电晕-槽放电、电晕-表面放电、槽-表面放电、电晕-槽-表面放电七种局部放电的模型。

14、进一步地，所述步骤s2包括以下子步骤：

15、s21：在实验室条件下搭建局部放电检测平台，用脉冲电流法检测局部放电信号；

16、s22：采用mpd600局部放电检测仪，通过检测脉冲在耦合电容上的反应，将数据保存至pc端，获取相位信息和放电幅值等信息。

17、进一步地，所述步骤s3包括以下子步骤：

18、s31：将得到的局部放电数据进行预处理，对放电幅值进行线性归一化，将其映射至[0,1]的数值区间；

19、s32：将归一化后的数据生成prpd谱图，首先将一个工频周期划分为多个相位区间，再将幅值也划分为多个幅值区间，通过颜色映射反应脉冲数的方式生成所述二维prpd谱图。

20、进一步地，所述步骤s4包括以下子步骤：

21、s41：将生成的prpd谱图赋予相应的放电类型标签，采用多标签标注以表征单一放电类型或多种放电类型同时存在的复合放电状态；

22、s42：将标注后的prpd谱图作为模型输入的数据库；数据库由excel表格制成，第一列为prpd谱图存储的位置，后面三列为每一张prpd谱图中的放电类型；

23、s43：深度卷积神经网络模型为包含残差连接结构的多层卷积神经网络，过深的网络结构容易造成计算资源的浪费，过浅的网络结构又无法提取深层特征，所以采用残差34结构，用于增强模型对复杂局部放电模式的特征提取能力。

24、进一步地，所述深度卷积神经网络模型包含输入层、首层卷积层、主体残差结构、全局平均池化层、全连接层；首层卷积层使用1个大小为7×7的卷积核，步长为2，通过2×2池化窗口；得到64个特征图，快速提取低层特征。通过bn+relu，引入非线性，提高收敛速度，抑制过拟合；最后在用最大池化操作，进一步下采样，减少计算量。残差网络由四个层组构成，每个层组有若干个残差块，其残差块的数量与层组的关系可由[3,4,6,3]一组向量表示。总共的残差块的数量为16个，每一个残差块都有两个卷积层，一共为32个卷积层。

25、卷积神经网络在提取空间特征时，卷积核通过在特征向量上滑动计算，来提取数据特征，公式如下：

26、；

27、；

28、其中，代表第k个输出通道在位置的输出，代表从第m个输入通道到第k个输出通道的卷积核权重，代表第m个输出通道在偏移处的值。

29、s44：将输入的数据库进行划分，其中70%为训练集、20%为验证集、10%为测试集，采用系统性的超参数优化方法，对模型的如学习率、批次大小等的超参数进行调优，直到模型的训练结果能达到预期的精度要求和鲁棒性要求。

30、进一步地，所述步骤s5包括以下子步骤：

31、s51：得到训练后模型最后一个特征层和分类类型的预测值；

32、s52：对预测值进行反向传播，得到反传回特征层的梯度信息，通过计算得到针对最后一个特征层每个通道的重要程度；

33、s53：进行加权求和通过relu函数，得到的模型重点关注区域的热力分布图。

34、进一步地，所述步骤s52的计算方法如下：

35、；

36、其中，为特征层a的

k个通道在空间位置处的激活值，表示类别

c的预测得分，为特征图a中各像素点的梯度，为每个特征通道的权重系数。

37、进一步地，所述步骤s53加权求和的公式如下：

38、；

39、其中，1代表类别c的类激活热力图。

40、与现有技术相比，本发明的有益效果是：通过引入深度学习方法实现高压电机主绝缘多源局部放电的智能识别，能够在复杂工况下对不同放电类型进行自动特征提取与判别，提升局部放电识别的准确性与稳定性；同时，本发明支持多源及复合局部放电状态的识别，适应多种放电机理并存的实际运行环境；此外，本发明在识别过程中引入可解释性分析机制，对深度学习模型的关注区域进行可视化表征，使识别结果具有明确的物理意义和可理解性。