(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 202211344840.0 (22)申请日 2022.10.31 (71)申请人 国网江苏省电力有限公司徐州供电 分公司 地址 221006 江苏省徐州市解 放北路20号 (72)发明人 高盎然　李玟　李聪聪　 (74)专利代理 机构 徐州市三联专利事务所 32220 专利代理师 陈晓璐 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电气一次设备局部放电信号的模式识 别方法 (57)摘要 一种电气一次设备局部放电信号的模式识 别方法， 包括如下步骤： S1、 获取电气一次设备局 部放电的样本， 对所述放电样本进行VMD分解和 CWD时频分析， 得到放电类型的VMD ‑CWD时频谱 图， 并以图片形式输 出； S2、 对步骤S1中所得的时 频谱图片做图像预处理， 构建训练样本集和测试 样本集； S3、 引入跨层连接和优化算法搭建跨层 特征融合优化卷积神经网络CFFO ‑CNN； S4、 训练 CFFO‑CNN网络并识别测试样本集的局放类型。 该 方法克服了传统浅层识别方法对高维数据处理 能力差的缺陷， 能够自主学习图像像素特征， 具 有更高的正确识别率。 权利要求书2页 说明书4页 附图2页 CN 115510922 A 2022.12.23 CN 115510922 A 1.一种电气一次设备局部放电信号的模式识别方法， 其特 征在于： 包括如下步骤： S1、 获取电气一次设备局部放电的样本， 对所述放电样本进行VMD 分解和CWD时频分析， 得到放电类型的VMD ‑CWD时频谱图， 并以图片形式输出； S2、 对步骤S1中所 得的时频谱图片做图像预处 理， 构建训练样本集和 测试样本集； S3、 引入跨层连接和优化 算法搭建跨层特 征融合优化卷积神经网络 CFFO‑CNN； S4、 训练CF FO‑CNN网络并识别测试样本集的局放类型。 2.如权利要求1所述的一种电气一 次设备局部放电信号的模式识别方法， 其特征在于： 步骤S1中， VMD ‑CWD时频谱图的形成过程包括以下步骤： S11： 利用VMD将局部放电信号z(t)分解为n个只包含单一频率分量的固有模态分量 BLIMF， 记为ui(t)(i＝1,2,...,n)； S12： 对各分量ui(t)(i＝1,2,...,n)进行CWD时频分析； S13： 将获得的各个CWD线性叠加， 形成原信号的VMD ‑CWD时频谱图， 并以图像形式输出。 3.如权利要求2所述的一种电气一 次设备局部放电信号的模式识别方法， 其特征在于： 步骤S12中， 对于信号z(t)， 其Cohen类时频分布的统一表达式为： 式中： t为时间， f为频率， u为局部时间， τ为时移参数， z*(t)为信号z(t)的共轭复数， Ψ (t‑u, τ )代表核函数， CWD分布的指数 型核函数表达式如下： 式中： α 为平 滑因子， 将式(2)代入式(1)得到 CWD分布的定义 为： 4.如权利要求1所述的一种电气一 次设备局部放电信号的模式识别方法， 其特征在于： 步骤S2中， 图像预处 理包括调整图像尺寸、 灰度化处 理。 5.如权利要求4所述的一种电气一 次设备局部放电信号的模式识别方法， 其特征在于： 采用加权平均法对VMD ‑CWD图像进行 灰度处理， 图像灰度化表达公式为： GGray(i,j)＝0.2 99R(i,j)+0.578G(i,j)+0.1 14B(i,j)             (4) 式中： R(i,j)为图像在点坐标(i,j)处的红色分量值， G(i,j)为图像在(i,j)处的绿色 分量值， B(i,j)为图像在(i,j)处的蓝色分量值， GGray(i,j)为灰度图像在(i,j)处的灰度 值。 6.如权利要求1所述的一种电气一 次设备局部放电信号的模式识别方法， 其特征在于： 步骤S3中， 确定最佳 特征融合层的过程包括以下步骤： S31： 将预处理后的图像输入到卷积神经网络中做卷积变换， 网络中包含n个卷积层 (conv)和n个池化层(po ol)； S32： 引入跨层 连接， 选取k(k＝1,...,n)个池化层输出特征图进行特征融合， 融合后的 特征可表示为： F＝[Xpool1,Xpool2,...,Xpoolk]           (5)权　利　要　求　书 1/2 页 2 CN 115510922 A 2式中： Xpool1,X pool2,…,X poolk为第1,2, …,k个池化层输出特征图， 比较采用不同融合 层网络结构的识别效果， 确定最佳 特征融合层， 形成特 征融合卷积神经网络 。权　利　要　求　书 2/2 页 3 CN 115510922 A 3