【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。