本發明涉及電氣設備局部放電檢測，具體為一種基于denseblock的局部放電特征融合提取方法及系統。

背景技術：

1、配電網系統中電氣設備的局部放電問題是最常見的故障之一，電氣設備在外部環境變化、內部材料老化和機械振動等的作用下都可能導致絕緣性能下降，進而發生局部放電。這一現象極大地損害變壓器設備的絕緣性能，且不同類型的放電對設備的危害程度也各不相同。因此，及時、準確地識別和分類變壓器發生的局部放電現象對于電力系統的穩定運行和變壓器的長期可靠性具有重要意義。

2、當前，變壓器局部放電的檢測主要利用超高頻法、超聲波法、光學檢測法以及油溶氣體分析法等。這些傳統方法能夠檢測到變壓器發生了局部放電現象并收集到放電脈沖信息，再配合上卷積神經網絡等人工智能算法實現自動識別局部放電種類。

3、然而，在目前大多數方法在處理收集到放電脈沖信息時，往往面臨高維度數據處理和特征提取的挑戰。這些傳統算法在特征選擇和分類過程中可能會丟失一些重要信息，導致識別準確率不高。此外，模型的復雜性和訓練過程中的過擬合現象也限制了其實際應用效果，導致最終識別誤差較大。

技術實現思路

1、鑒于上述存在的問題，提出了本發明。

2、因此，本發明解決的技術問題是：現有的變壓器局部放電檢測方法存在特征提取信息丟失，識別準確率低，識別模型過擬合，以及如何提升局部放電故障特征的識別準確性的問題。

3、為解決上述技術問題，本發明提供如下技術方案：一種基于denseblock的局部放電特征融合提取方法，包括通過第一試驗采集原始數據，并進行第一分類；對分類后的圖譜進行預處理；構建第一識別模型，并進行分類識別有效性評估。

4、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述通過第一試驗采集原始數據包括生成prpd圖譜。

5、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述并進行第一分類包括剔除無用prpd圖譜，對優質prpd圖譜進行分類。

6、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述進行預處理包括對分類后的prpd圖譜進行歸一化和灰度化處理。

7、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述進行預處理還包括將預處理后的prpd圖譜劃分為訓練集和測試集。

8、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述構建第一識別模型包括采用denseblock模塊與卷積神經網絡cnn，構建densenet模型，識別電氣設備中的局部放電故障特征，并通過訓練集對第一識別模型進行迭代訓練與優化。

9、作為本發明所述的基于denseblock的局部放電特征融合提取方法的一種優選方案，其中：所述并進行分類識別有效性評估包括將測試集輸入到訓練完成的第一識別模型，輸出分類結果，比較輸出結果與測試集真實標簽，計算分類準確率、f1分數、精準率和召回率，并生成性能分析報告以確保第一識別模型的泛化能力和識別準確度。

10、本發明的另外一個目的是提供一種基于denseblock的局部放電特征融合提取系統，其能通過對分類后的圖譜進行預處理，減少了數據的冗余和復雜性，使得第一識別模型能夠更有效地學習數據中的關鍵特征，解決了目前的變壓器局部放電檢測技術含有識別準確率低的問題。

11、作為本發明所述的基于denseblock的局部放電特征融合提取系統的一種優選方案，其中：包括數據采集模塊，數據預處理模塊，模型構建與評估模塊；所述數據采集模塊用于通過第一試驗采集原始數據，并進行第一分類；所述數據預處理模塊用于對分類后的圖譜進行預處理；所述模型構建與評估模塊用于構建第一識別模型，并進行分類識別有效性評估。

12、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序是實現基于denseblock的局部放電特征融合提取方法的步驟。

13、一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現基于denseblock的局部放電特征融合提取方法的步驟。

14、本發明的有益效果：本發明提供的基于denseblock的局部放電特征融合提取方法，通過第一試驗采集原始數據并生成prpd圖譜，確保測得數據的全面性和可靠性，能夠有效地保留局部放電特征信息，降低信息丟失的風險，對prpd圖譜進行分類，通過剔除無用圖譜并保留優質圖譜進行進一步分析，保證了后續第一識別模型訓練和特征提取的有效性，確保重要特征不被遺漏，通過對分類后的prpd圖譜進行歸一化和灰度化處理，減少了數據的冗余和復雜性，使得后續的第一識別模型能夠更有效地學習數據中的關鍵特征，從而提高識別準確率，通過將denseblock模塊引入卷積神經網絡構建densenet模型，使每一層能夠直接訪問之前所有層的特征，從而增強了信息的流動性并降低了梯度消失的風險，densenet的特征復用機制在減少參數數量的同時，提高了第一識別模型的表達能力，改善了信息傳遞，這種設計有效減少了過擬合現象，提升了故障識別的準確性和可靠性，本發明在準確性、安全性以及穩定性方面都取得更加良好的效果。

技術特征：

1.一種局部放電特征融合提取方法，其特征在于，包括：

2.如權利要求1所述的局部放電特征融合提取方法，其特征在于：所述通過第一試驗采集原始數據包括生成圖譜。

3.如權利要求2所述的局部放電特征融合提取方法，其特征在于：所述并進行第一分類包括對圖譜進行分類處理。

4.如權利要求3所述的局部放電特征融合提取方法，其特征在于：所述進行預處理包括對分類后的圖譜進行數據處理。

5.如權利要求4所述的局部放電特征融合提取方法，其特征在于：所述進行預處理還包括對預處理后的圖譜進行數據集劃分。

6.如權利要求5所述的局部放電特征融合提取方法，其特征在于：所述構建第一識別模型包括采用denseblock模塊與卷積神經網絡cnn，構建densenet模型，識別電氣設備中的局部放電故障特征，并通過訓練集對第一識別模型進行迭代訓練與優化。

7.如權利要求6所述的局部放電特征融合提取方法，其特征在于：所述并進行分類識別有效性評估包括將測試集輸入到訓練完成的第一識別模型，輸出分類結果，比較輸出結果與測試集真實標簽，計算分類準確率、f1分數、精準率和召回率，并生成性能分析報告以確保第一識別模型的泛化能力和識別準確度。

8.一種采用如權利要求1～7任一所述的局部放電特征融合提取方法的系統，其特征在于：包括數據采集模塊，數據預處理模塊，模型構建與評估模塊；

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的局部放電特征融合提取方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的局部放電特征融合提取方法的步驟。

技術總結
本發明公開了一種基于DenseBlock的局部放電特征融合提取方法及系統，涉及電氣設備局部放電檢測技術領域，包括通過第一試驗采集原始數據，并進行第一分類；對分類后的圖譜進行預處理；構建第一識別模型，并進行分類識別有效性評估。本發明所述方法通過第一試驗采集原始數據并生成PRPD圖譜，能夠有效地保留局部放電特征信息，通過對分類后的PRPD圖譜進行預處理，減少了數據的冗余和復雜性，通過將DenseBlock模塊引入卷積神經網絡構建DenseNet模型，提高了第一識別模型的表達能力，改善了信息傳遞，有效減少了過擬合現象，提升了故障識別的準確性和可靠性。

技術研發人員：賀石芳,劉揚,范浩浩,祖維國,李厚羽
受保護的技術使用者：三峽金沙江云川水電開發有限公司
技術研發日：
技術公布日：2025/4/28