基于PSO和双向LSTM的高压电缆局部放电模式识别方法技术

本发明专利技术提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，S1：获取PD特征数据；S2：建立双向LSTM网络模型；S3：得到训练好的双向LSTM网络模型；S4：得到预测结果；S5：确定粒子的个体最优位置与群体最优位置；S6：更新粒子的速度与位置；S7：重新确定粒子的个体最优位置与群体最优位置；S8：判断迭代次数是否达到最大；若达到最大，则得到最优输出值；若没有达到最大，则返回步骤S6；S9：构建PSO‑LSTM预测模型，并通过PSO‑LSTM预测模型实现对高压电缆局部放电模式的识别。本发明专利技术提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，通过PSO‑LSTM预测模型对高压电缆局部放电模式进行识别，解决了目前对于高压电缆局部放电模式的识别精度还不够高的问题。

【技术实现步骤摘要】
基于PSO和双向LSTM的高压电缆局部放电模式识别方法
本专利技术涉及局部放电模式识别
，更具体的，涉及一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法。
技术介绍
高压电缆在电力系统中的应用越来越广泛，已成为电力系统不可或缺的组成部分。但是高压电缆由于长期处于高电压大电流的运行状态，在外力破坏、设备缺陷、水树入侵等因素作用下，产生的不同类型缺陷都会产生局部放电(PartialDischarge，PD)。高压电缆局部放电将引起电缆绝缘内电树的产生和扩展，加速绝缘劣化并最终导致击穿，为电力系统的安全运行带来巨大隐患。不同类型的高压电缆绝缘缺陷诱发的PD信号具有一定的差异性，但是部分绝缘缺陷类型之间具有很高的相似度，这给高压电缆PD模式识别带来了很大挑战，而目前对于高压电缆局部放电模式的识别精度还不够高。现有技术中，如2020年08月25日公开的中国专利，基于深度学习进行高压电力电缆局部放电现象检测方法，公开号为CN111579939A，利用双向LSTM进行高压电力电缆局部放电现象检测，能够较为准确的判断监测到的某段高压电力线路电压时序信号中是否出现了局部放电现象，但没有结合粒子群算法(ParticleSwarmOptimization，PSO)进行检测识别。
技术实现思路
本专利技术为克服目前对于高压电缆局部放电模式的识别精度还不够高的技术缺陷，提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法。为解决上述技术问题，本专利技术的技术方案如下：一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，包括以下步骤：S1：获取PD(PartialDischarge，局部放电)特征数据，并将PD特征数据划分为训练数据集与测试数据集；S2：建立双向LSTM(LongShort-TermMemory，长短期记忆)网络模型，并初始化模型参数；S3：将训练数据集输入到双向LSTM网络模型中进行训练，得到训练好的双向LSTM网络模型；S4：将测试数据集输入到训练好的双向LSTM网络模型中进行预测，得到预测结果；S5：以模型参数为粒子，将所有预测结果的平均绝对百分比误差作为粒子的适应度值；并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置；S6：根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置；S7：根据粒子更新后的位置计算粒子新的适应度值，从而重新确定粒子的个体最优位置与群体最优位置，完成一次迭代；S8：判断迭代次数是否达到最大；若迭代次数达到最大，则得到最优输出值；若迭代次数没有达到最大，则返回步骤S6继续迭代；S9：根据最优输出值构建PSO-LSTM预测模型，并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。上述方案中，采用PSO算法对双向LSTM网络模型进行优化，从而构建PSO-LSTM预测模型；通过PSO-LSTM预测模型对高压电缆局部放电模式进行识别，能够获得更高的识别性能，提高了局部放电模式识别的精度。优选的，在步骤S1中，获取PD特征数据的步骤为：S1.1：获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据；S1.2：对原始数据进行PD脉冲分离处理，得到分离后的数据；S1.3：对分离后的数据进行PD单个脉冲的特征构造与提取，得到PD特征数据。优选的，在步骤S1.2中，还包括对原始数据进行数据去噪处理。优选的，在步骤S1中，将PD特征数据划分为训练数据集与测试数据集之前，还包括以下步骤：对PD特征数据采用最大最小归一化处理，映射到[0,1]之间，归一化处理的公式为：其中，x*为归一化后的PD特征数据；xmin，xmax分别为PD特征数据的最小值与最大值；x为归一化前的PD特征数据。优选的，在步骤S1中，将PD特征数据按9:1的比例划分为训练数据集与测试数据集。优选的，在步骤S2中，初始化模型参数包括设置神经元个数与学习率各自的取值范围、搜索范围。优选的，以神经元个数与学习率为粒子。优选的，最优输出值为最优的神经元个数与学习率。优选的，在步骤S2中，还包括初始化PSO(ParticleSwarmOptimization，粒子群算法)参数：设置最大迭代次数、种群数量、粒子的初始位置和初始速度。优选的，在步骤S6中，更新粒子的速度与位置的公式为：其中，w为惯性算子；c1,c2为学习算子；rand()为(0,1)区间内的随机数；分别为第i个粒子的运在第k次迭代前、后的速度信息；分别为第i个粒子在第k次迭代前、后的位置信息；是第i个粒子在第k次迭代时的个体最优位置；是第k次迭代时群体最优位置。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术提供了一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，采用PSO算法对双向LSTM网络模型进行优化，从而构建PSO-LSTM预测模型；通过PSO-LSTM预测模型对高压电缆局部放电模式进行识别，能够获得更高的识别性能，提高了局部放电模式识别的精度。附图说明图1为本专利技术的技术方案实施步骤流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1如图1所示，一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，包括以下步骤：S1：获取PD特征数据，并将PD特征数据划分为训练数据集与测试数据集；S2：建立双向LSTM网络模型，并初始化模型参数；S3：将训练数据集输入到双向LSTM网络模型中进行训练，得到训练好的双向LSTM网络模型；S4：将测试数据集输入到训练好的双向LSTM网络模型中进行预测，得到预测结果；S5：以模型参数为粒子，将所有预测结果的平均绝对百分比误差作为粒子的适应度值；并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置；S6：根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置；S7：根据粒子更新后的位置计算粒子新的适应度值，从而重新确定粒子的个体最优位置与群体最优位置，完成一次迭代；S8：判断迭代次数是否达到最大；若迭代次数达到最大，则得到最优输出值；若迭代次数没有达到最大，则返回步骤S6继续迭代；S9：根据最优输出值构建PSO-LSTM预测模型，并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。在具体实施过程中，通过步骤S6-步骤S8采用自适应学习策略的PSO算法对双向LSTM网络模型进行迭代优化，从而构建PSO-L本文档来自技高网...

【技术保护点】
1.基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，包括以下步骤：/nS1：获取PD特征数据，并将PD特征数据划分为训练数据集与测试数据集；/nS2：建立双向LSTM网络模型，并初始化模型参数；/nS3：将训练数据集输入到双向LSTM网络模型中进行训练，得到训练好的双向LSTM网络模型；/nS4：将测试数据集输入到训练好的双向LSTM网络模型中进行预测，得到预测结果；/nS5：以模型参数为粒子，将所有预测结果的平均绝对百分比误差作为粒子的适应度值；并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置；/nS6：根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置；/nS7：根据粒子更新后的位置计算粒子新的适应度值，从而重新确定粒子的个体最优位置与群体最优位置，完成一次迭代；/nS8：判断迭代次数是否达到最大；/n若迭代次数达到最大，则得到最优输出值；/n若迭代次数没有达到最大，则返回步骤S6继续迭代；/nS9：根据最优输出值构建PSO-LSTM预测模型，并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。/n

【技术特征摘要】
1.基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，包括以下步骤：
S1：获取PD特征数据，并将PD特征数据划分为训练数据集与测试数据集；
S2：建立双向LSTM网络模型，并初始化模型参数；
S3：将训练数据集输入到双向LSTM网络模型中进行训练，得到训练好的双向LSTM网络模型；
S4：将测试数据集输入到训练好的双向LSTM网络模型中进行预测，得到预测结果；
S5：以模型参数为粒子，将所有预测结果的平均绝对百分比误差作为粒子的适应度值；并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置；
S6：根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置；
S7：根据粒子更新后的位置计算粒子新的适应度值，从而重新确定粒子的个体最优位置与群体最优位置，完成一次迭代；
S8：判断迭代次数是否达到最大；
若迭代次数达到最大，则得到最优输出值；
若迭代次数没有达到最大，则返回步骤S6继续迭代；
S9：根据最优输出值构建PSO-LSTM预测模型，并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。


2.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，在步骤S1中，获取PD特征数据的步骤为：
S1.1：获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据；
S1.2：对原始数据进行PD脉冲分离处理，得到分离后的数据；
S1.3：对分离后的数据进行PD单个脉冲的特征构造与提取，得到PD特征数据。


3.根据权利要求2所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，在步骤S1.2中，还包括对原始数据进行数据去噪处理。


4.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特...

【专利技术属性】
技术研发人员：吴毅江，王干军，陈岸，戴泽雄，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：广东;44