本發(fā)明涉及電網故障診斷設備，具體涉及一種基于yolov5雙分支的電網故障波形分析的故障診斷方法。

背景技術：

1、在配網故障診斷領域，傳統(tǒng)方法主要依賴于人工巡檢和基于傳感器的信號測量與分析。人工巡檢需要大量的人力資源和時間，且容易受到人為因素的影響，導致效率低下。傳統(tǒng)的信號測量與分析方法雖然能夠檢測基本的電網異常，但面對復雜的故障類型和多樣的電網結構時，其處理能力和準確性顯著受限。

2、傳統(tǒng)故障定位方法通常依賴于事先定義好的閾值和規(guī)則，對于復雜波形和噪聲干擾的處理能力不足，難以實現(xiàn)高精度的故障定位和分析。此外，專家系統(tǒng)和基于模型的預測方法雖然能夠利用先驗知識來輔助決策，但對新型故障和復雜情況的適應能力有限，無法實現(xiàn)自動學習和優(yōu)化?？柭鼮V波是一種廣泛應用于信號處理和控制系統(tǒng)中的遞歸算法，能夠在存在噪聲和不確定性的情況下，對系統(tǒng)的狀態(tài)進行估計。然而，盡管卡爾曼濾波在一定程度上克服了傳統(tǒng)方法的一些局限性，但其在故障診斷中的應用仍然面臨一些挑戰(zhàn)和局限。

3、現(xiàn)有技術的主要局限性包括但不限于：依賴人工干預、診斷精度不高、處理效率低下以及對噪聲和復雜波形的處理能力弱。這些問題限制了傳統(tǒng)方法在大規(guī)模電網系統(tǒng)中的應用，無法滿足電網智能化和自動化運維的需求。

技術實現(xiàn)思路

1、本發(fā)明所要解決的技術問題是提供一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，以克服上述現(xiàn)有技術中的不足。

2、本發(fā)明解決上述技術問題的技術方案如下：一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，包括如下步驟：

3、步驟s01：抓取1秒內的行波信號數(shù)據；

4、步驟s02：構建神經網絡架構，對行波信號數(shù)據進行去噪處理；

5、步驟s03：將去噪后的行波信號數(shù)據轉換為故障波形圖片；

6、步驟s04：利用yolov5模型的第一分支，檢測行波信號數(shù)據中的行波頭和故障點；

7、步驟s05：當步驟s04檢測到行波頭，立即將行波頭時刻前后的故障波形圖片和電氣數(shù)據特征輸入yolov5模型的第二分支進行特征融合；

8、步驟s06：基于融合后的特征向量，輸出故障診斷結果。

9、本發(fā)明的有益效果是：本發(fā)明提出的基于行波信號轉圖片和yolov5雙分支目標檢測的故障診斷方法具有明顯的優(yōu)勢。首先，利用神經網絡去噪技術，能夠精確提取波形信號中的關鍵特征，大幅度減少噪聲的影響，從而提高了故障診斷的準確性和穩(wěn)定性。其次，采用雙分支yolov5模型進行故障時刻和故障類型的自動識別，不僅快速高效，還能夠在復雜環(huán)境中準確捕捉多種故障特征，提升了系統(tǒng)故障診斷的智能化水平?？朔藗鹘y(tǒng)技術在效率、精度和適用范圍上的局限，還為電網系統(tǒng)的安全運行和維護提供了創(chuàng)新而可靠的解決方案。

10、在上述技術方案的基礎上，本發(fā)明還可以做如下改進。

11、進一步，步驟s02具體包括如下步驟：

12、步驟s21：收集含有噪聲的行波信號數(shù)據和相對應的無噪聲或低噪聲行波信號數(shù)據；

13、步驟s22：對收集到的行波信號數(shù)據進行標記，標記包括噪聲信號和目標無噪聲信號；

14、步驟s23：神經網絡架構包括：

15、輸入層：其用于接收原始的行波信號數(shù)據，其中，為時間序列數(shù)據中的第個數(shù)據點；

16、隱藏層：其用于使用卷積神經網絡和長短期記憶網絡結構來提取行波信號中的特征；

17、輸出層：其用于生成去噪后的行波信號數(shù)據；

18、步驟s24：通過損失函數(shù)來衡量去噪后的行波信號數(shù)據與目標無噪聲信號之間的差距。

19、進一步，步驟s24中的損失函數(shù)的公式如下：

20、，

21、其中，為均方誤差，是目標無噪聲信號，是去噪后的信號。

22、進一步，步驟s03具體包括如下步驟：

23、步驟s31：將行波信號作為時間序列數(shù)據記錄，將長時間的行波信號劃分為固定長度的時間窗口，每個時間窗口包含了從到的行波信號數(shù)據；

24、步驟s32：將每個時間窗口內的行波信號轉換為一張故障波形圖片。

25、進一步，步驟s32中的轉換具體包括如下步驟：

26、步驟s321：使用歸一化的方式將行波信號的振幅映射為灰度值或彩色像素強度，公式如下：

27、，

28、其中，表示在時間的振幅值，而表示故障波形圖片中的像素值；

29、步驟s322：將時間軸信息映射到故障波形圖片的橫軸。

30、進一步，步驟s03還包括如下步驟：

31、步驟s33：將故障波形圖片進行格式化；格式化的步驟如下：

32、步驟s331：將圖片調整為模型所需的固定大小；

33、步驟s332：根據需要調整故障波形圖片的邊界，以使所有輸入的故障波形圖片具有相同的尺寸。

34、進一步，步驟s05中的特征融合具體包括如下步驟：

35、步驟51：使用卷積神經網絡從故障波形圖片中提取高維特征，設表示從故障波形圖片提取的特征向量，公式為：

36、，

37、步驟52：使用全連接層或其他神經網絡結構從電氣數(shù)據中提取電氣數(shù)據特征，設表示從電氣數(shù)據提取的特征向量，公式為：

38、，

39、步驟53：將和進行融合操作，得到融合后的特征向量，公式為：

40、。

41、進一步，步驟s52中提取的電氣數(shù)據特征包括電壓和電流。

42、進一步，步驟s06中的輸出故障診斷結果具體為：

43、在融合后的特征向量的基礎上，使用預訓練和微調后的yolov5模型進行故障類型、故障位置和診斷報告的輸出；

44、yolov5模型的結構包括：

45、輸入層：其用于接收融合后的特征向量；

46、卷積層：其用于提取空間特征和模式；

47、檢測層：其用于使用yolo的檢測機制，輸出故障類型、故障位置和診斷報告。

技術特征：

1.一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，包括如下步驟：

2.根據權利要求1所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s02具體包括如下步驟：

3.根據權利要求2所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s24中的所述損失函數(shù)的公式如下：

4.根據權利要求1所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s03具體包括如下步驟：

5.根據權利要求4所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s32中的所述轉換具體包括如下步驟：

6.根據權利要求4所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s03還包括如下步驟：

7.根據權利要求1所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s05中的所述特征融合具體包括如下步驟：

8.根據權利要求7所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s52中提取的所述電氣數(shù)據特征包括電壓和電流。

9.根據權利要求1所述的一種基于yolov5雙分支的電網故障波形分析的故障診斷方法，其特征在于，所述步驟s06中的所述輸出故障診斷結果具體為：

技術總結
本發(fā)明涉及一種基于YOLOv5雙分支的電網故障波形分析的故障診斷方法，包括構建神經網絡架構，對行波信號數(shù)據進行去噪處理；將去噪后的行波信號數(shù)據轉換為故障波形圖片；利用YOLOv5模型的第一分支，檢測行波信號數(shù)據中的行波頭和故障點；當檢測到行波頭，立即將行波頭時刻前后的故障波形圖片和電氣數(shù)據特征輸入YOLOv5模型的第二分支進行特征融合；基于融合后的特征向量，輸出故障診斷結果。利用神經網絡去噪技術，能夠精確提取波形信號中的關鍵特征，大幅度減少噪聲的影響，從而提高了故障診斷的準確性和穩(wěn)定性。采用雙分支YOLOv5模型進行故障時刻和故障類型的自動識別，不僅快速高效，還能夠在復雜環(huán)境中準確捕捉多種故障特征，提升了系統(tǒng)故障診斷的智能化水平。

技術研發(fā)人員：張國清,馮傲,梁歡,羅倩,黎賽典,盧正武,王振秋,殷志江,彭洋
受保護的技術使用者：智聯(lián)新能電力科技有限公司
技術研發(fā)日：
技術公布日：2024/12/10