【技術實現步驟摘要】
本專利技術涉及絕緣子檢測，尤其是涉及一種基于msff-cnn的支柱絕緣子故障識別方法及系統。
技術介紹
1、瓷支柱絕緣子是變電站的重要高壓電氣設備，其主要用于變電站隔離開關和母線的支撐、固定和絕緣，其運行可靠性直接影響電網運行安全。在實際應用中，常見的支柱絕緣子故障類型為絕緣子傘裙與法蘭盤連接處發生斷裂，按照故障發生的位置，通常將支柱絕緣子故障類型劃分為上法蘭故障和下法蘭故障。
2、在現有技術中，通常采用深度學習算法來針對支柱絕緣子的不同故障振動信號進行特征提取，以實現支柱絕緣子的故障識別，然而在一些惡劣的條件下，利用無人機所采集到的振動信號含有強烈的噪聲干擾，導致目前所常用的卷積神經網絡無法有效地進行特征提取，從而難以有效地對支柱絕緣子進行故障識別。
技術實現思路
1、本專利技術提供一種基于msff-cnn的支柱絕緣子故障識別方法及系統，通過msff-cnn模型中的卷積模塊、多尺度卷積模塊和空洞卷積模塊，能夠提高對支柱絕緣子的振動數據的特征提取能力，從而有效地提高了對于振動數據的特征提取精度，基于提取的多尺度特征進行故障識別能夠有效地提高對于故障類型的分類準確性和魯棒性。
2、為了解決上述技術問題，本專利技術實施例第一方面提供一種基于msff-cnn的支柱絕緣子故障識別方法，包括：
3、獲取待測支柱絕緣子的振動數據；
4、利用預先訓練好的msff-cnn模型對所述振動數據進行多尺度特征提取，并基于提取到的多尺度特征進行故障識別，確定
5、作為優選方案，所述利用預先訓練好的msff-cnn模型對所述振動數據進行多尺度特征提取，并基于提取到的多尺度特征進行故障識別，確定所述待測支柱絕緣子的故障類型，具體包括：
6、通過所述卷積模塊對所述輸入層所接收到的所述振動數據進行特征提取，獲得初始故障特征并輸出至所述多尺度卷積模塊；
7、通過所述多尺度卷積模塊對所述初始故障特征進行多尺度特征提取，獲得初始多尺度特征并輸出至所述空洞卷積模塊；
8、通過所述空洞卷積模塊對所述初始多尺度特征進行不同感受野的特征提取，獲得所述多尺度特征并輸出至所述全局平均池化層；
9、通過所述全局平均池化層對所述多尺度特征的激活值進行求平均處理，生成全局特征向量并輸出至所述輸出層；
10、通過所述輸出層利用softmax函數求取所述全局特征向量所對應的在每一個故障類型的概率，并將概率最高的故障類型作為所述待測支柱絕緣子的故障類型。
11、作為優選方案，所述卷積模塊由依次連接的第一卷積層、第一批量歸一化層和第一最大池化層構建而成。
12、作為優選方案，所述第一卷積層的卷積核尺寸為8×8。
13、作為優選方案，所述多尺度卷積模塊由依次連接的多尺度卷積層、第一殘差連接層、第二批量歸一化層和第二最大池化層構建而成；所述多尺度卷積層包括若干個具有不同卷積核尺寸的第二卷積層。
14、作為優選方案，所述多尺度卷積層包括3個所述第二卷積層，且3個所述第二卷積層的卷積核尺寸分別為3×3、6×6和9×9。
15、作為優選方案，所述空洞卷積模塊由依次連接的空洞卷積單元、第二殘差連接層、第三批量歸一化層和第三最大池化層構建而成；所述空洞卷積單元包括若干個具有不同膨脹率的空洞卷積層。
16、作為優選方案，所述空洞卷積單元包括3個所述空洞卷積層，且3個所述空洞卷積層的膨脹率分別為1、3和5。
17、作為優選方案，所述方法具體通過如下步驟訓練所述msff-cnn模型：
18、采集若干支柱絕緣子故障振動數據，并按照預設的單個樣本數據量進行劃分，獲得故障振動數據集；
19、對所述故障振動數據集添加標簽，獲得訓練用數據集；其中，所述標簽包括正常數據標簽、上法蘭故障數據標簽和下法蘭故障數據標簽；
20、利用所述訓練用數據集對所述msff-cnn模型進行訓練，以對所述msff-cnn模型的參數進行調優。
21、本專利技術實施例第二方面提供一種基于msff-cnn的支柱絕緣子故障識別系統，包括：
22、數據獲取模塊，用于獲取待測支柱絕緣子的振動數據；
23、故障識別模塊，用于利用預先訓練好的msff-cnn模型對所述振動數據進行多尺度特征提取，并基于提取到的多尺度特征進行故障識別，確定所述待測支柱絕緣子的故障類型；其中，所述msff-cnn模型包括輸入層、卷積模塊、多尺度卷積模塊、空洞卷積模塊、全局平均池化層和輸出層。
24、相比于現有技術，本專利技術實施例的有益效果在于，通過msff-cnn模型中的卷積模塊、多尺度卷積模塊和空洞卷積模塊，能夠提高對支柱絕緣子的振動數據的特征提取能力，從而有效地提高了對于振動數據的特征提取精度，基于提取的多尺度特征進行故障識別能夠有效地提高對于故障類型的分類準確性和魯棒性。
本文檔來自技高網...【技術保護點】
1.一種基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，包括：
2.如權利要求1所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述利用預先訓練好的MSFF-CNN模型對所述振動數據進行多尺度特征提取，并基于提取到的多尺度特征進行故障識別，確定所述待測支柱絕緣子的故障類型，具體包括：
3.如權利要求1所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述卷積模塊由依次連接的第一卷積層、第一批量歸一化層和第一最大池化層構建而成。
4.如權利要求3所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述第一卷積層的卷積核尺寸為8×8。
5.如權利要求1所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述多尺度卷積模塊由依次連接的多尺度卷積層、第一殘差連接層、第二批量歸一化層和第二最大池化層構建而成；所述多尺度卷積層包括若干個具有不同卷積核尺寸的第二卷積層。
6.如權利要求5所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述多尺度卷積層包括3
7.如權利要求1所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述空洞卷積模塊由依次連接的空洞卷積單元、第二殘差連接層、第三批量歸一化層和第三最大池化層構建而成；所述空洞卷積單元包括若干個具有不同膨脹率的空洞卷積層。
8.如權利要求7所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述空洞卷積單元包括3個所述空洞卷積層，且3個所述空洞卷積層的膨脹率分別為1、3和5。
9.如權利要求1所述的基于MSFF-CNN的支柱絕緣子故障識別方法，其特征在于，所述方法具體通過如下步驟訓練所述MSFF-CNN模型：
10.一種基于MSFF-CNN的支柱絕緣子故障識別系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于msff-cnn的支柱絕緣子故障識別方法，其特征在于，包括：
2.如權利要求1所述的基于msff-cnn的支柱絕緣子故障識別方法，其特征在于，所述利用預先訓練好的msff-cnn模型對所述振動數據進行多尺度特征提取，并基于提取到的多尺度特征進行故障識別，確定所述待測支柱絕緣子的故障類型，具體包括：
3.如權利要求1所述的基于msff-cnn的支柱絕緣子故障識別方法，其特征在于，所述卷積模塊由依次連接的第一卷積層、第一批量歸一化層和第一最大池化層構建而成。
4.如權利要求3所述的基于msff-cnn的支柱絕緣子故障識別方法，其特征在于，所述第一卷積層的卷積核尺寸為8×8。
5.如權利要求1所述的基于msff-cnn的支柱絕緣子故障識別方法，其特征在于，所述多尺度卷積模塊由依次連接的多尺度卷積層、第一殘差連接層、第二批量歸一化層和第二最大池化層構建而成；所述多尺度卷積層包括若干個具有不同卷積核尺寸的第二...
【專利技術屬性】
技術研發人員：孫林濤，金蕾，范海兵，劉昌標，鄧華，吳承福，宋國海，李文燕，張翾喆，
申請(專利權)人：國網浙江省電力有限公司超高壓分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。