基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究

李振华; 李浩; 黄景光; 张磊; 吴琳

doi:10.3969/j.issn.1008-0198.2022.04.004

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究

特别推荐 | 更新时间：2025-06-11

- 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究
- Insulator Pollution Monitoring Based on Acoustic Signal and One-Dimensional Convolutional Neural Network
- 湖南电力 2022年42卷第4期页码：18-22
- 作者机构：
  
  1. 三峡大学,湖北,宜昌,443002
  2. 国网湖北省电力有限公司技术培训中心,湖北,武汉,430014
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(51877122);强电磁工程与新技术国家重点实验室开放课题(2022KF005)
- DOI：10.3969/j.issn.1008-0198.2022.04.004
  中图分类号： TM216.4
- 纸质出版日期：2022
- 稿件说明：
移动端阅览
李振华, 李浩, 黄景光, 张磊, 吴琳. 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J]. 湖南电力, 2022, 42(4): 18-22.

LI Zhenhua, LI Hao, HUANG Jingguang, et al. Insulator Pollution Monitoring Based on Acoustic Signal and One-Dimensional Convolutional Neural Network[J]. 2022, 42(4): 18-22.
李振华, 李浩, 黄景光, 张磊, 吴琳. 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J]. 湖南电力, 2022, 42(4): 18-22. DOI： 10.3969/j.issn.1008-0198.2022.04.004.

LI Zhenhua, LI Hao, HUANG Jingguang, et al. Insulator Pollution Monitoring Based on Acoustic Signal and One-Dimensional Convolutional Neural Network[J]. 2022, 42(4): 18-22. DOI： 10.3969/j.issn.1008-0198.2022.04.004.

摘要

针对高压输电线路污秽绝缘子放电模式监测

设计一种新型的一维卷积神经网络结构(1D-CNN)

提出一种基于声发射信号和1D-CNN的污秽绝缘子放电模式监测方法。将实验室采集到的不同放电状态下的声发射信号经过预处理后

利用卷积神经网络对放电信号样本进行自适应特征提取和特征降维

以减少训练模型参数和计算量

最终使用Softmax函数对预测结果进行分类。识别结果表明模型能够达到99.84%以上的识别率

减少了传统绝缘子污秽度监测方法中人工对数据进行预处理的过程

可有效应用于污秽绝缘子放电模式监测任务。

Abstract

Aiming at the problem of discharge mode monitoring of polluted insulators in high voltage transmission lines

a new one-dimensional convolutional neural network structure (1D-CNN) is designed for monitoring the discharge patterns of fouled insulators in high-voltage lines

and a fouled insulator discharge pattern monitoring method based on acoustic emission signals and 1D-CNN is proposed. After preprocessing the acoustic emission signals collected in the laboratory under different discharge states

the convolutional neural network is used to perform adaptive feature extraction and feature dimensionality reduction on the discharge signal samples to reduce the training model parameters and computation

and finally the Softmax function is used to classify the prediction results. The recognition results show that the model can achieve a recognition rate of more than 99.84%

which effectively solves the process of manual preprocessing of data in the traditional insulator fouling degree monitoring method and can be effectively applied to the task of fouling insulator discharge pattern monitoring.

关键词

Keywords

references

马欢, 郭裕钧, 张血琴, 等. 基于高光谱技术的绝缘子污秽含水量检测[J]. 高电压技术, 2020, 46(4) : 1396-1404.

刘又超, 蒋兴良, 张欢, 等. 不溶物对绝缘子污闪的影响[J]. 中国电机工程学报, 2017, 37(11) :3331-3338,3390.

彭波, 周卫华, 汤美云, 等. 污秽绝缘子闪络特性试验研究[J]. 湖南电力, 2012, 32(5) : 1-6.

于映坤, 刘智勇, 陈彦廷, 等. 基于声发射信号的绝缘子污秽检测分析[J]. 电气时代, 2020(10) : 53-55,58.

邵翠玲, 杨振, 田双双. 应用于绝缘子污秽放电监测方法中聚焦声传感器装置的研究[J]. 电测与仪表, 2015, 52(18) : 10-15.

郭淑贞, 郭子韡. 基于声发射技术的绝缘子污秽放电监测[J]. 电子技术与软件工程, 2014(16) : 172-173.

李自品. 基于声发射技术的污秽绝缘子电气绝缘强度在线监测方法及装置的研究[D]. 武汉:武汉大学, 2013.

陈兴新, 岳一石, 程紫熠, 等. 基于XGBoost算法的绝缘子污秽放电在线诊断方法研究[J]. 湖南电力, 2021, 41(2) : 36-40.

何宁辉, 王世杰, 刘军福, 等. 基于深度学习的航拍图像绝缘子缺失检测方法研究[J]. 电力系统保护与控制, 2021, 49(12) : 132-140.

田绪钤, 孟飞, 田双双. 基于经验模态分解能量分布和灰色相似关联度的污秽绝缘子放电识别[J]. 智能电网, 2015, 3(4) : 298-302.

田双双, 靳一林, 舒乃秋, 等. 绝缘子污秽放电声发射信号特征量提取的研究[J]. 中国电力, 2016, 49(7) : 15-19,38.

李红玲, 文习山. 绝缘子污秽放电声发射的统计指纹分析[J]. 高电压技术, 2010, 36(11) : 2705-2710.

李红玲, 文习山, 舒乃秋, 等. 小波变换去噪在绝缘子污秽放电声发射监测中的应用[J]. 电力系统保护与控制, 2010, 38(6) : 56-59.

常淼, 沈艳霞. 基于改进卷积神经网络的风电轴承故障诊断策略[J]. 电力系统保护与控制, 2021, 49(6) : 131-137.

曲建岭, 余路, 袁涛, 等. 基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 仪器仪表学报, 2018, 39(7) : 134-143.

Wei Zhang, Gaoliang Peng, Chuanhao Li, et al. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals[J]. Sensors, 2017, 17(2) : 425.

张文泷, 魏延, 李媛媛, 等. 基于CA-ResNet网络与nadam优化的入侵检测算法[J]. 重庆师范大学学报(自然科学版) , 2021, 38(4) : 97-106.

郑一珍, 牛蔺楷, 熊晓燕, 等. 基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断[J]. 振动与冲击, 2021, 40(19) : 230-238,285.

杨观赐, 杨静, 李少波, 等. 基于Dopout与ADAM优化器的改进CNN算法[J]. 华中科技大学学报(自然科学版) , 2018, 46(7) : 122-127.

浏览量

294

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于深度学习与局部感知注意力的避雷器套管红外图像分割方法

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

基于自注意力感知的配电网杆塔点云语义分割

基于改进沙丘猫群算法优化支持向量机的高压断路器故障诊断