一种基于MOBILENETV3的GIS局部放电类型识别方法及装置与流程

一种基于mobilenetv3的gis局部放电类型识别方法及装置
技术领域
1.本发明涉及一种基于mobilenetv3的gis局部放电类型识别方法及装置，属于gis局部放电监测技术领域。


背景技术：

2.随着人工智能、计算机视觉等新兴计算机技术的发展，为智能电网的建设提供了全新的发展方向。电力设备在长期运行的过程中不可避免的会发生不同类型的故障，运用计算机技术，采用智能化的方法对电力设备进行故障分析已经成为维护电力系统安全稳定运行的重要手段。
3.近年来，我国电力系统日渐庞大，gis（气体绝缘组合电器）在电力系统中也起着越来越重要的作用。gis在安装和运行过程中会产生各种各样的缺陷，比如管道内金属微粒、绝缘子缺陷、表面污秽等，对gis可靠性的统计表明，电气故障的最通常的特征是绝缘击穿前的局部放电，在gis运行过程中局部放电发展到一定程度会严重威胁电力系统安全。
4.由于对gis设备的全面检修存在工作量大、停电范围广、经济损耗大等诸多问题，因此gis局部放电监测和局部放电类型识别具有重要意义。目前，对于gis电气设备局部放电类型识别大都采用机器学习的方法，需要原始检测数据的支撑，但在实际应用中，各个企业数据类型互不相同也不对外开放，这使得各个厂家生产的局部放电类型检测方法难以通用。同时，在gis设备进行局部放电类型识别时，一般使用局部放电检测仪，将采集到的信号以prpd（phase resolved partial discharge）图谱的形式呈现给技术人员进行局部放电类型识别，通过人工的方式进行局放类型识别不仅识别效率低下，也会造成误判，造成不必要的资源浪费。通过训练卷积神经网络的方式对prpd图谱进行识别，不仅可以避免复杂的统计数据的特征提取，更可以大幅提高工作效率和局部放电类型识别准确率。


技术实现要素：

5.目的：为了克服现有技术中存在对于局部放电prpd图谱的深度学习算法大都需要大量的数据进行网络训练，而对于图谱数据的采集难以到达大批量的采集的不足，本发明提供一种基于mobilenetv3的gis局部放电类型识别方法及装置，采用迁移学习的方法将先前训练好的模型权重迁移到gis局部放电类型识别模型，大大减少了模型计算量，缩短gis局部放电类型识别时间。同时，本发明采用轻量级卷积神经网络进行类型识别，可以将模型加载到移动段或嵌入式设备中，实现gis局部放电检测设备的轻便化。
6.技术方案：为解决上述技术问题，本发明采用的技术方案为：第一方面，一种基于mobilenetv3的gis局部放电类型识别方法，包括如下步骤：利用gis局部放电的prpd图谱的训练集、验证集对局部放电检测模型进行训练，获取训练后的局部放电检测模型。
7.将gis局部放电的prpd图谱的测试集输入训练后的局部放电检测模型，输出gis局部放电的prpd图谱的gis局部放电的类型以及识别的准确率。
8.作为优选方案，所述gis局部放电的prpd图谱的训练集、验证集和测试集的获取方法，包括如下步骤：在高压实验室gis试验段上安装特高频传感器，通过分别设置高压实验室gis试验段的局部放电缺陷，获得对各应局部放电缺陷对应的gis局部放电类型的信号。
9.将gis局部放电类型的信号采用逐级加压法通过特高频传感器采集试验数据。
10.将试验数据通过局部放电分析仪生成prpd图谱。
11.给每张prpd图谱加注局部放电类型标签，通过卷积神经网络提取prpd图谱灰度图。
12.将prpd图谱灰度图进行增强图谱样本，扩充为prpd图谱样本集。
13.将prpd图谱样本集归一化为统一的输入尺寸。
14.归一化后prpd图谱样本集按照一定比例划分为训练集、验证集和测试集。
15.作为优选方案，所述局部放电缺陷至少包括以下所述其中之一：绝缘气隙缺陷、悬浮电位缺陷、尖端放电缺陷和自由金属颗粒缺陷，所述局部放电缺陷对应的gis局部放电类型至少包括以下所述其中之一：绝缘放电、悬浮放电、电晕放电和自由粒子放电。
16.作为优选方案，所述利用gis局部放电的prpd图谱的训练集、验证集对局部放电检测模型进行训练，获取训练后的局部放电检测模型的方法，包括如下步骤：将mobilenet卷积神经网络在imagenet数据集上进行训练得到训练特征参数，通过迁移学习的方法将训练特征参数迁移到针对gis局部放电类型识别的mobilenet卷积神经网络，并使用prpd图谱样本集的训练集对mobilenet卷积神经网络进一步训练，获得局部放电检测模型的参数，完成局部放电检测模型的构建。
17.将prpd图谱的验证集输入构建的局部放电检测模型，并计算损失函数值，根据损失函数值更新网络学习参数。
18.当损失函数值在n次验证内不再下降时，停止验证，得到训练后的局部放电检测模型。
19.作为优选方案，所述训练后的局部放电检测模型至少包括以下所述其中之一：卷积层、深度可分离卷积层、归一化层、全局平均池化层、全连接层和softmax层。
20.作为优选方案，所述局部放电检测模型的初始学习率设置为0.001，训练次数设置为5个epoch。
21.作为优选方案，所述损失函数值采用adam算法或者rmsprop算法进行计算。
22.第二方面，一种基于mobilenetv3的gis局部放电类型识别装置，包括如下模块：神经网络训练模块：用于利用gis局部放电的prpd图谱的训练集、验证集对局部放电检测模型进行训练，获取训练后的局部放电检测模型。
23.gis局部放电类型识别模块：用于将gis局部放电的prpd图谱的测试集输入训练后的局部放电检测模型，输出gis局部放电的prpd图谱的gis局部放电的类型以及识别的准确率。
24.作为优选方案，所述gis局部放电的prpd图谱的训练集、验证集和测试集的获取方法，包括如下步骤：在高压实验室gis试验段上安装特高频传感器，通过分别设置高压实验室gis试验段的局部放电缺陷，获得对各应局部放电缺陷对应的gis局部放电类型的信号。
25.将gis局部放电类型的信号采用逐级加压法通过特高频传感器采集试验数据。
26.将试验数据通过局部放电分析仪生成prpd图谱。
27.给每张prpd图谱加注局部放电类型标签，通过卷积神经网络提取prpd图谱灰度图。
28.将prpd图谱灰度图进行增强图谱样本，扩充为prpd图谱样本集。
29.将prpd图谱样本集归一化为统一的输入尺寸。
30.归一化后prpd图谱样本集按照一定比例划分为训练集、验证集和测试集。
31.作为优选方案，所述局部放电缺陷至少包括以下所述其中之一：绝缘气隙缺陷、悬浮电位缺陷、尖端放电缺陷和自由金属颗粒缺陷，所述局部放电缺陷对应的gis局部放电类型至少包括以下所述其中之一：绝缘放电、悬浮放电、电晕放电和自由粒子放电。
32.作为优选方案，所述利用gis局部放电的prpd图谱的训练集、验证集对局部放电检测模型进行训练，获取训练后的局部放电检测模型的方法，包括如下步骤：将mobilenet卷积神经网络在imagenet数据集上进行训练得到训练特征参数，通过迁移学习的方法将训练特征参数迁移到针对gis局部放电类型识别的mobilenet卷积神经网络，并使用prpd图谱样本集的训练集对mobilenet卷积神经网络进一步训练，获得局部放电检测模型的参数，完成局部放电检测模型的构建。
33.将prpd图谱的验证集输入构建的局部放电检测模型，并计算损失函数值，根据损失函数值更新网络学习参数。
34.当损失函数值在n次验证内不再下降时，停止验证，得到训练后的局部放电检测模型。
35.作为优选方案，所述训练后的局部放电检测模型至少包括以下所述其中之一：卷积层、深度可分离卷积层、归一化层、全局平均池化层、全连接层和softmax层。
36.作为优选方案，所述局部放电检测模型的初始学习率设置为0.001，训练次数设置为5个epoch。
37.有益效果：本发明提供的一种基于mobilenetv3的gis局部放电类型识别方法及装置，采用局部放电prpd图谱训练性能优异、参数需求和计算量都很少的轻量级卷积神经网络模型来完成局部放电类型识别，能够快速检测gis局部放电类型，有效提高gis局部放电类型检测效率和准确性。本方法对卷积神经模型网络进行了改进，采用迁移学习的方法对局部放电类型识别模型进行了优化，经过5个epoch的训练，改进前的模型准确率为95.5%，改进后的模型准确率为96.1%，改进前的模型训练时间为20min左右，改进后的模型训练时间为5min左右，虽然在模型准确率上的性能提升并不明显，但在很大程度上减小了模型计算量，极大减少了模型训练和识别时间。
38.本发明能够克服传统局部放电类型识别需要人工检测和大量训练数据支撑的局限性，可以提高局部放电类型识别的效率和准确性。
附图说明
39.图1为本发明基于mobilenetv3的gis局部放电类型识别模型的构建和训练流程图。
40.图2为本发明采集gis局部放电类型prpd图谱数据集的试验布置图。
41.图3为本发明实施例中采集到的prpd图谱。
42.图4为本发明实施例中构建的mobilenetv3模型结构图。
43.图5为本发明实施例中gis局部放电类型识别模型对测试样本图谱检测的输出结果。
具体实施方式
44.以下结合附图及实施例对本发明的原理和特征进行描述，本发明保护范围不仅局限于以下内容的表述，该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整，仍属于本发明的保护范围。
45.以下利用gis局部放电所包含的四个类型的prpd图谱样本，通过mobilenetv3网络模型，使用四种类型的prpd图谱对网络模型进行训练、验证和测试，其流程图如图1所示。主要包括以下步骤：s1：在被测试的gis设备上安装特高频传感器，通过设置绝缘放电、悬浮放电、电晕放电和自由粒子放电四种典型的缺陷类型进行局部放电信号采集，特高频传感器测得四种典型的局部放电信号后，通过局部放电分析仪产生prpd图谱。
46.在高压实验室gis试验段设置四种典型的局部放电缺陷，分别为绝缘气隙缺陷、悬浮电位缺陷、尖端放电缺陷和自由金属颗粒缺陷，通过这四种局部放电缺陷分别会造成gis设备绝缘放电、悬浮放电、电晕放电和自由粒子放电这四种放电类型。将这四种典型缺陷分别设置与gis试验气室中模拟gis局部放电缺陷，采用逐级加压法通过特高频传感器采集总共100组试验数据，随后通过局部放电分析仪生成prpd图谱。采集gis局部放电类型prpd图谱数据集的试验布置如图2所示，包括依次连接调压器、滤波器、试验变压器，试验变压器输出端通过测试阻抗连接有gis试验段，gis试验段输出端依次连接有特高频传感器、局放分析仪。
47.s2：汇总采集到的prpd图谱数据并进行预处理操作，给每张图谱加注局部放电类型标签，通过卷积神经网络提取prpd图谱灰度图，将提取到的灰度图进行翻转、裁剪、缩放等增强图谱样本，扩充图谱样本集，然后按照一定比例将图谱数据划分为训练集、验证集和测试集，最后归一化图谱尺寸为224
×
224
×
3，使其符合局部放电模型输入尺寸。
48.根据局部放电类型对prpd图谱进行分类标签，并运用卷积神经网络提取prpd图谱灰度图，如图3所示。然后将提取好的灰度图进行下采样操作，归一化图谱尺寸为224
×
224
×
3，使得图谱大小符合神经网络模型规定的图像大小。随后对图像进行预处理操作，对图像进行翻转、裁剪、缩放等，扩充图谱样本集。选取每种缺陷2组数据作为测试集，剩下的23组数据作为训练集和验证集。本实施例中，局部放电样本集共包含4000张图谱，其中训练集、验证集和测试集样本比例为7：2：1。
49.s3：迁移mobilenet在大型数据集中训练过的轻量级卷积神经网络模型，修改模型结构与输出，使其匹配局部放电检测问题。具体地，将mobilenet卷积神经网络在imagenet数据集上进行训练得到部分特征参数后，再通过迁移学习的方法将训练参数迁移到针对gis局部放电类型识别的mobilenet卷积神经网络上来，并使用prpd图谱数据集对模型进一步训练，加强模型对局部放电类型识别的特征提取能力，完成局部放电检测模型的构建。
50.在本实施例中，采用mobilenetv3建立轻量级卷积神经网络，通过修改模型结构和
参数使得模型适用与局部放电类型识别问题。通过加载imagenet数据集在mobilenet网络模型中预训练过的模型权重，冻结全连接层前的所有卷积层，删除原网络的最后三层，将网络最后的全连接层全部替换为一个包含四个输出节点的全连接层、softmax层以及绝缘放电、悬浮放电、电晕放电和自由粒子放电四种类别输出层的结构，完成gis局部放电类型识别模型的构建。mobilenetv3模型结构如图4所示。主要包括卷积层、深度可分离卷积层、归一化层、全局平均池化层、全连接层、softmax层，首先将局部放电图谱按照模型规格输入局部放电类型识别模型，然后进行一系列卷积操作，最后通过全局平均池化和全连接层将特征图转换为1280维特征向量进行分类输出。
51.s4：分批次将训练样本图谱输入到局部放电检测模型中，通过rmsprop（root mean square prop）、adam（adaptive momentum）等优化算法对局部放电检测模型交叉熵损失函数进行优化，局部放电检测模型框架主要包括：卷积层、深度可分离卷积层、归一化层、全局平均池化层、全连接层、softmax层。通过调整卷积神经网络中深度卷积层、归一化层、全局平均池化层和全连接层中的可学习参数，对训练样本进行迭代验证，当损失函数值在50个验证内不再下降时停止网络训练，得到gis局部放电类型智能识别模型。
52.本实施例中，每次迭代输入16张图谱样本，从均值为0、标准差为1的高斯分布中随机选取数值，给替换的全连接层中连接权值和偏置赋初始值。将网络的前六层学习率设定为0来维持这些网络层的参数在学习过程中不变，而新的全连接层的学习率设定为其余层的10倍来加快模型的训练。将一个子样本集的训练样本图像依次输入到模型中，计算模型输出与标签值的差异并更新网络学习参数，当整个训练样本集图像都被gis局部放电类型识别模型学习完成后，将验证集中的图谱依次输入该模型计算检测准确率。重复进行训练和验证多次，在每次验证之后与图像输入模型之前，将图像进行随机放大、裁剪或者翻转操作，进而防止网络过拟合。每次验证后观察模型的准确率和损失值，根据模型的拟合和泛化能力对模型的结构进行调整与优化，当模型学习达到较高准确率和较好的泛化能力时停止训练。在对网络模型进行训练时，本模型采用adam算法优化损失函数，初始学习率设置为0.001，训练次数设置为5个epoch。
53.s5：利用训练好的局部放电类型智能识别模型对测试集的局部放电prpd图谱进行检测，输出局部放电识别结果，计算识别准确率。
54.本实例在cpu为amd ryzen 7 4800h，主频为2.9ghz、gpu为rtx2060-8gb的硬件环境和基于python的pytorch的框架下编写网络模型进行的gis局部放电类型识别，将局部放电prpd图谱输入到训练好的模型中进行自动检测，输出模型检测结果。局部放电类型识别结果表明对测试样本的识别准确率为96.1%，其中，对悬浮放电的检测准确率为100%，对电晕放电的检测准确率为92%，对绝缘放电的检测准确率为85%，对自由颗粒放电检测准确率为98.2%，gis局部放电类型识别模型对测试样本图谱检测的输出结果如图5所示。由此可见局部放电类型识别模型能够有效识别出gis局部放电类型，并且具有很高的检测准确率。
55.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
56.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
57.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
58.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
59.以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。