(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210721508.5 (22)申请日 2022.06.27 (71)申请人 上海格鲁布科技有限公司 地址 201210 上海市浦东 新区秋月路26号 10号楼 (72)发明人 赵洪义　沈道义　胡勇　钱大钊　 何成文　李丽彬　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/28(2022.01) G06V 10/25(2022.01) G06K 9/00(2022.01) G01R 31/12(2006.01) (54)发明名称 一种多源混合型特高频局部放电图谱的分 离识别方法 (57)摘要 本发明公开了一种多源混合型特高频局部 放电图谱的分离识别方法， 包括： 获取特高频局 部放电信号的PRPD图谱， 进行标准化处理， 构建 并标注局部放电样本数据库， 构建局部放电信号 以及噪声信号的PRPD图谱数据集； 确定深度学习 网络作为检测模型， 并输入检测模型参数； 划分 PRPD图谱数据集， 并输入到深度学习网络检测模 型训练， 调整检测模型以及训练参数， 保留并评 估训练好的模型， 选取效果最优的模型作为PRPD 图谱检测模型； 对待识别的图谱， 使用选取的检 测模型， 对待逐个分析确认检测目标， 保留最终 检测和多源分离的结果。 本发明解决了使用图像 识别算法对GIS特高频PRPD图谱进行放电类型识 别时， 当实际存在多个局部放电信号时， 无法将 它们分别检出的问题。 权利要求书2页 说明书4页 附图8页 CN 115187527 A 2022.10.14 CN 115187527 A 1.一种多源混合型 特高频局部放电图谱的分离识别方法， 其特 征在于， 包括以下步骤： 步骤一： 获取GIS局部放电信号的PRPD图谱， 并对PRPD图谱进行标准化处理， 构建局部 放电样本数据库； 步骤二： 标注局部放电样本数据库， 构建放电信号以及噪声信号的PRP D图谱数据集； 步骤三： 确定深度学习网络作为检测模型， 并输入检测模型参数； 步骤四： 划分PRPD图谱数据集， 并输入到深度学习网络检测模型进行训练， 调整检测模 型以及训练参数， 保留训练好的模型； 步骤五： 评估训练好的模型， 选取效果最优的模型作为局部放电信号的PRPD图谱检测 模型； 步骤六： 对待测图谱进行放电信号检测， 并在对应灰度图内检测出各类局部放电及噪 声干扰的目标； 步骤七： 逐个分析确认检测目标， 保留符合标准的检测目标作为最终检测和多源分离 的结果。 2.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤一中,使用特高频局部放电检测装置获取PRPD图谱， 所述PRPD图谱包括： 独立 的局部放电信号和干扰噪声信号、 以及若干混合局部放电和干扰噪声的信号； 将所述PRPD图谱转化为灰度图， 每个像素在该位置脉冲数归一化的灰度值的范围为 [0,255]。 3.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤二中， 通过图像标注工具进行局部放电样本数据库的标注， 其中： 对于局部放 电样本数据库中的每个图谱， 采用矩形框 分别标出局部放电信号和干扰噪声信号在PRPD图 谱中的位置， 以及信号类型； 所述悬浮放电、 固体绝缘放电和颗粒放电信号在PRPD图谱中为 相位偏差180度的两 簇聚集， 采用2个矩形框进行分别标注； 所述PRPD图谱数据集包括： 悬浮放电、 固体绝缘放电、 颗粒放电、 尖端放电、 干扰噪声的 待测目标。 4.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤三中， 所述深度学习检测模型 是基于YOLOv3检测算法的。 5.根据权利要求4所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤三中， 采用dark net‑53作为YOLOv3检测算法的骨干网络 。 6.根据权利要5所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在于， 所述步骤三中， 所述深度学习网络检测模型包括3类像素的特征图， 所述特征图使用的尺 寸 为K‑means算法聚类出9类先验框的平均尺寸。 7.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤四中， 所述PRPD图谱 数据集包括： 训练集、 验证集及测试集， 其中： 所述训练集、 验证集及测试集比例为6： 2： 2。 8.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤四中， 设置每次输入检测模型进行训练的图片数量和初始学习率， 根据损失函 数变化动态调整学习率； 所述保存训练好的模型 条件为： 损失函数的值在小范围附近波动并不再 下降。权　利　要　求　书 1/2 页 2 CN 115187527 A 29.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤五中,所述效果 最优的模型为： 在测试集上mAP最高的训练好的模型。 10.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法， 其特征在 于， 所述步骤七中， 逐个分析确认检测目标具体为： 对于悬浮放电、 固体绝缘放电、 颗粒放电 的待测目标， 在距离其相位偏移18 0度， 幅值相差10dB以内的区域， 若存在同类目标， 进行配 对后作为同一个 检出的局部放电信号； 若不存在同类目标， 丢弃 该目标。权　利　要　求　书 2/2 页 3 CN 115187527 A 3