本發(fā)明屬于電力電纜監(jiān)測，具體涉及基于增量學習的電力電纜缺陷識別方法及裝置。

背景技術：

1、隨著電力系統(tǒng)的發(fā)展，電力電纜作為輸配電網絡的重要組成部分，其運行的安全性和可靠性越來越受到關注。

2、局部放電是電力電纜老化與絕緣失效的早期征兆，及時有效地檢測和識別局部放電信號識別缺陷類型對預防電纜故障至關重要。

3、現(xiàn)有的老化電力電纜缺陷類型檢測方法依賴于人工經驗分析，存在誤判率高、檢測效率低等問題，難以滿足大量老舊電纜狀態(tài)分析評價的需求。

技術實現(xiàn)思路

1、鑒于此，本發(fā)明提出基于增量學習的電力電纜缺陷識別方法及裝置，旨在解決現(xiàn)有技術中缺陷類型檢測工作誤判率高或檢測效率低的問題。

2、第一方面，本發(fā)明提出一種基于增量學習的電力電纜缺陷識別方法，包括：

3、構建不同缺陷類型電力電纜局部放電多參數(shù)特征樣本數(shù)據，作為網絡模型訓練的輸入；其中，所述多參數(shù)特征樣本數(shù)據包括：實驗室條件下的電力電纜局部放電信號對應的多參數(shù)特征及其缺陷類型、工業(yè)現(xiàn)場的電力電纜局部放電信號對應的多參數(shù)特征；

4、將實驗室條件下的電力電纜局部放電信號對應的多參數(shù)特征及其缺陷類型作為標記數(shù)據用于cnn缺陷識別模型的訓練，將工業(yè)現(xiàn)場的電力電纜局部放電信號對應的多參數(shù)特征作為缺陷類型未知的未標記數(shù)據進行自訓練過程，得到基于cnnl的半監(jiān)督增量學習缺陷識別模型；

5、利用基于cnnl的半監(jiān)督增量學習缺陷識別模型，執(zhí)行基于半監(jiān)督cnnl增量學習的缺陷識別，更新基于cnnl的半監(jiān)督增量學習缺陷識別模型，并確定實時采集的工業(yè)現(xiàn)場的電力電纜局部放電信號對應的缺陷類型。

6、進一步地，所述構建不同缺陷類型電力電纜局部放電多參數(shù)特征樣本數(shù)據，包括：

7、制作不同缺陷類型的電力電纜缺陷段；

8、在實驗室條件下開展基于典型缺陷的電力電纜局部放電試驗，采集實驗室條件下不同缺陷類型的局部放電信號；

9、在工業(yè)現(xiàn)場搭建真實電力電纜運行平臺，采集工業(yè)現(xiàn)場環(huán)境下電力電纜的局部放電信號。

10、進一步地，所述構建不同缺陷類型電力電纜局部放電多參數(shù)特征樣本數(shù)據，包括：

11、基于實驗室條件下和工業(yè)現(xiàn)場采集到的局部放電信號，對其進行信號去噪預處理；繪制歸一化相位圖譜，并提取其特征參數(shù)；

12、分別構建環(huán)切刀痕缺陷樣本、打磨不規(guī)則樣本、應力錐移位缺陷樣本和金屬尖刺缺陷樣本，基于不同類型缺陷樣本構建基于典型缺陷的電力電纜局部放電多參數(shù)特征樣本庫。

13、進一步地，所述繪制歸一化相位圖譜，并提取其特征參數(shù)，包括：

14、基于繪制的基于典型缺陷的電力電纜歸一化相位圖譜，通過vgg、resnet、senet和fpnet分別提取其相位圖譜高維特征，得到vgg圖譜高維特征、resnet圖譜高維特征、senet圖譜高維特征和fpnet圖譜高維特征；

15、基于典型缺陷的電力電纜歸一化相位圖譜，提取相位圖譜圖像特征，分別為圖譜顏色特征、圖譜形狀特征、圖譜lbp特征和圖譜幾何特征。

16、進一步地，所述構建不同缺陷類型電力電纜局部放電多參數(shù)特征樣本數(shù)據，包括：

17、基于實驗室條件下和工業(yè)現(xiàn)場采集到的局部放電信號，對其進行信號去噪預處理；選取其脈沖上升時間、脈沖重復率、脈沖偏度和脈沖峰度作為局部放電脈沖特征參數(shù)；

18、分別對基于實驗室條件下和在工業(yè)現(xiàn)場的局部放電相位圖譜高維特征、局部放電相位圖譜圖像特征和局部放電脈沖特征參數(shù)進行融合，得到融合后的多參數(shù)特征樣本數(shù)據，作為模型訓練的輸入。

19、進一步地，所述得到基于cnnl的半監(jiān)督增量學習缺陷識別模型，包括：

20、將實驗室條件下的基于典型缺陷的電力電纜特征參數(shù)作為標記數(shù)據，訓練基于cnn的電力電纜缺陷識別模型；

21、將工業(yè)現(xiàn)場環(huán)境下的基于典型缺陷的電力電纜特征參數(shù)作為未標記數(shù)據，有放回地抽取30％的數(shù)據作為未標記數(shù)據集1送入已經訓練好的基于cnn的電力電纜缺陷識別模型，得到工業(yè)現(xiàn)場未標記數(shù)據的偽標簽1；

22、再次有放回地抽取30％的工業(yè)現(xiàn)場數(shù)據作為未標記數(shù)據集2送入已經訓練好的基于cnn的電力電纜缺陷識別模型，在偽標簽1的基礎上微調增量學習器，得到偽標簽2；

23、對所述的微調增量學習器，通過使用數(shù)據特征回放的方式，首先通過真實數(shù)據回放訓練基于cnn的電力電纜缺陷識別模型，進而基于未標記數(shù)據及其生成的偽標簽進行生成數(shù)據的回放，對已有的cnn缺陷識別網絡進行微調，生成新的基于cnn的電力電纜缺陷識別模型，并得到針對未標記數(shù)據生成的新的偽標簽；

24、循環(huán)上述步驟，直至基于cnn的電力電纜缺陷識別網絡達到預期收斂效果，完成自訓練過程，并得到基于cnnl的半監(jiān)督增量學習缺陷識別模型。

25、進一步地，所述確定實時采集的工業(yè)現(xiàn)場的電力電纜局部放電信號對應的缺陷類型，包括：

26、利用基于cnnl的半監(jiān)督增量學習缺陷識別模型，執(zhí)行基于半監(jiān)督cnnl增量學習的缺陷識別，其中，將實時采集的工業(yè)現(xiàn)場的電力電纜局部放電信號對應的多參數(shù)特征融合后，作為未標記數(shù)據，結合訓練完成的基于cnnl的半監(jiān)督增量學習缺陷識別模型進行自訓練，更新基于cnnl的半監(jiān)督增量學習缺陷識別模型，并確定實時采集的工業(yè)現(xiàn)場的電力電纜局部放電信號對應的缺陷類型。

27、第二方面，本發(fā)明提供一種基于增量學習的電力電纜缺陷識別裝置，執(zhí)行如第一方面說明的基于增量學習的電力電纜缺陷識別方法，包括：

28、樣本數(shù)據構建模塊，用于構建不同缺陷類型電力電纜局部放電多參數(shù)特征樣本數(shù)據，作為網絡模型訓練的輸入；其中，所述多參數(shù)特征樣本數(shù)據包括：實驗室條件下的電力電纜局部放電信號對應的多參數(shù)特征及其缺陷類型、工業(yè)現(xiàn)場的電力電纜局部放電信號對應的多參數(shù)特征；

29、缺陷識別模型生成模塊，用于將實驗室條件下的電力電纜局部放電信號對應的多參數(shù)特征及其缺陷類型作為標記數(shù)據用于cnn缺陷識別模型的訓練，將工業(yè)現(xiàn)場的電力電纜局部放電信號對應的多參數(shù)特征作為缺陷類型未知的未標記數(shù)據進行自訓練過程，得到基于cnnl的半監(jiān)督增量學習缺陷識別模型；

30、工業(yè)現(xiàn)場缺陷類型識別模塊，用于利用基于cnnl的半監(jiān)督增量學習缺陷識別模型，執(zhí)行基于半監(jiān)督cnnl增量學習的缺陷識別，更新基于cnnl的半監(jiān)督增量學習缺陷識別模型，并確定實時采集的工業(yè)現(xiàn)場的電力電纜局部放電信號對應的缺陷類型。

31、第三方面，本發(fā)明提供一種終端，包括：存儲器、處理器及存儲在該存儲器上并可在該處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)第一方面說明的所述的方法。

32、第四方面，本發(fā)明提供一種計算機存儲介質，存儲有計算機可調控指令，所述計算機可調控指令用于執(zhí)行第一方面說明的所述的方法。

33、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。