CN120123853B 基于深度学习的局部放电信号识别方法、系统及存储介质 （上海莫克电子技术有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN120123853B(45)授权公告日2025.07.08

(21)申请号202510618391.1

(22)申请日2025.05.14

(65)同一申请的已公布的文献号申请公布号CN120123853A

(43)申请公布日2025.06.10

(73)专利权人上海莫克电子技术有限公司

地址201315上海市浦东新区秀浦路2388

号13幢6层，7层

(72)发明人吴伟杨文举苏海

(74)专利代理机构上海维卓专利代理有限公司31409

专利代理师杨方田

(51)Int.CI.

GO6F18/241(2023.01)

GO6F18/243(2023.01)

GO6F18/2131(2023.01)

GO6F18/2135(2023.01)

GO6F18/15(2023.01)

GO6N5/01(2023.01)

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

GO6N3/0455(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN119375632A,2025.01.28

KR101574615B1,2015.12.11

审查员王丹丹

权利要求书2页说明书16页附图3页

(54)发明名称

基于深度学习的局部放电信号识别方法、系统及存储介质

(57)摘要

CN120123853B一种基于深度学习的局部放电信号识别方法、系统及存储介质，涉及基于特定计算模型的计算机系统领域，该方法包括：将多源监测数据划分为高频信号组和低频信号组；分别输入对应的特征信息至第一深度神经网络和第二深度神经网络，得到高频特征向量和低频特征向量；基于低频特征向量生成信号衰减补偿因子，对高频特征向量进行失真补偿，得到高频修正向量；计算高频修正向量与低频特征向量的特征相关度，并在特征相关度低于预设关联阈值时，提取高频修正向量的瞬态特征信息，融合低频特征向量，得到低频修正向量；输入高频修正向量和低频修正向量至局放识别模型，得到局部放电类型和识

CN120123853B

接收局部放电的多源监测数据，根据预设区分频率将多源监测数据划分为高频

接收局部放电的多源监测数据，根据预设区分频率将多源监测数据划分为高频信号组和低频信号组

分别提取高频信号组和低频信号组的特征信息，并分别输入对应的特征信息至第一深度神经网络和第二深度神经网络，得到高频特征向量和低频特征向量

基于低频特征向量生成信号衰减补偿因子，并根据信号衰减补偿因子对高频特征向量进行失真补偿，得到高频修正向量

计算高频修正向量与低频特征向量的特征相关度，并在特征相关度低于预设关联阈值时，提取高频修正向量的瞬态特征信息

融合瞬态特征信息和低频特征向量，得到低频修正向量

输入高频修正向量和低频修正向量至局放识别模型，得到局部放电类型和识别置信度

S103

S102

CN120123853B权利要求书1/2页

2

1.一种基于深度学习的局部放电信号识别方法，其特征在于，应用于局放识别系统，所述方法包括：

接收局部放电的多源监测数据，根据预设区分频率将所述多源监测数据划分为高频信号组和低频信号组；

分别提取所述高频信号组和所述低频信号组的特征信息，并分别输入对应的特征信息至第一深度神经网络和第二深度神经网络，得到高频特征向量和低频特征向量；

基于所述低频特征向量生成信号衰减补偿因子，并根据所述信号衰减补偿因子对所述高频特征向量进行失真补偿，得到高频修正向量；

计算所述高频修正向量与所述低频特征向量的特征相关度，并在所述特征相关度低于预设关联阈值时，提取所述高频修正向量的瞬态特征信息；

融合所述瞬态特征信息和所述低频特征向量，得到低频修正向量；

输入所述高频修正向量和所述低频修正向量至局放识别模型，得到局部放电类型和识别置信度。

2.根据权利要求1所述的方法，其特征在于，所述分别提取所述高频信号组和所述低频信号组的特征信息，并分别输入对应的特征信息至第一深度神经网络和第二深度神经网络，得到高频特征向量和低频特征向量的步骤，具体包括：

对所述高频信号组和所述低频信号组进行时频变换，得到时频特征图；

基于卷积神经网络对所述时频特征图进行分层卷积运算，得到特征张量；

对所述特征张量进行自监督学习编码，生成特