【技术实现步骤摘要】
基于粒子群算法和DBN的高压电缆局部放电模式识别方法
本专利技术涉及高压配电识别
,更具体的,涉及一种基于粒子群算法和DBN的高压电缆局部放电模式识别方法。
技术介绍
高压电缆是电力系统重要的电力设备,其运行状态影响着电网供电的安全性与可靠性。而高压电缆经长时间运行使用会产生裂纹等缺陷,如果没有及时的预防措施将会造成一系列严重的系统故障,因此对高压电缆进行外绝缘的局部放电监测是对其绝缘状况评估的重要手段。电缆绝缘缺陷形式多样,不同缺陷类型引发的局部放电具有不同的表现形式,对设备安全运行的影响以及绝缘的危害程度也不同。准确识别出电缆局部放电类型进而判断绝缘缺陷类型有着十分重要的意义。目前对于高压电缆局部放电模式的识别方面已有大量的研究成果,其中以反向传播神经网络和支持向量机的应用较为广泛。但是,传统的反向传播神经网络由于网络层数限制,对大规模样本的学习能力有限,在深层次特征提取方面存在不足,导致识别准确度不够高。支持向量机也因核函数受Mercer条件限制、规则化参数选取困难以及当识别对象类型多时计算复杂等特点,而 ...
【技术保护点】
1.一种基于粒子群算法和DBN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:获取高压电缆局部放电脉冲信号,并对高压电缆局部放电脉冲信号进行预处理;/nS2:将经过预处理的高压电缆局部放电脉冲信号划分为训练样本和测试样本;/nS3:建立DBN,并采用粒子群算法优化DBN的初始权重,得到最优初始权重;/nS4:输入训练样本对完成初始权重优化的DBN进行离线训练,得到训练后的DBN模型;/nS5:将测试样本输入到训练后的DBN模型中进行测试,得到高压电缆多源局部放电的识别结果。/n
【技术特征摘要】
1.一种基于粒子群算法和DBN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:获取高压电缆局部放电脉冲信号,并对高压电缆局部放电脉冲信号进行预处理;
S2:将经过预处理的高压电缆局部放电脉冲信号划分为训练样本和测试样本;
S3:建立DBN,并采用粒子群算法优化DBN的初始权重,得到最优初始权重;
S4:输入训练样本对完成初始权重优化的DBN进行离线训练,得到训练后的DBN模型;
S5:将测试样本输入到训练后的DBN模型中进行测试,得到高压电缆多源局部放电的识别结果。
2.根据权利要求1所述的基于粒子群算法和DBN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,预处理的具体步骤为:
S1.1:剔除高压电缆局部放电脉冲信号中的冗余数据和错误数据;
S1.2:采用插值法补全高压电缆局部放电脉冲信号中的缺失数据;
S1.3:将不同量纲的高压电缆局部放电脉冲信号进行归一化处理。
3.根据权利要求2所述的基于粒子群算法和DBN的高压电缆局部放电模式识别方法,其特征在于,在步骤S1.3中,归一化处理的计算公式为:
其中,x表示归一化前的高压电缆局部放电脉冲信号,x'表示归一化后的高压电缆局部放电脉冲信号,xmin表示获取到的高压电缆局部放电脉冲信号的最小值,xmax表示获取到的高压电缆局部放电脉冲信号的最大值。
4.根据权利要求1所述的基于粒子群算法和DBN的高压电缆局部放电模式识别方法,其特征在于,在步骤S2中,训练样本中的样本数和测试样本中的样本数的比例为5:1。
5.根据权利要求1所述的基于粒子群算法和DBN的高压电缆局部放电模式识别方法,其特征在于,在步骤S3中,采用粒子群算法优化DBN的初始权重的具体步骤如下:
S3.1:初始化粒子群参数,包括:设定学习因子、最大迭代次数、惯性权重;设定粒子速度和粒子位置范围,在粒子位置范围内随机初始化粒子的速度向量和位置向量;设定各粒子的个体极值Pbest和粒子群的群体极值Gbest;
S3.2:将DBN各层间的连接权重映射到粒子的各维度;
S3.3:计算粒子的适应度Ffitness;
S3.4:比较各粒子当前的适应度与其自身的个体极值Pbest的大小;<...
【专利技术属性】
技术研发人员:王干军,吴毅江,林洪栋,戴泽雄,董芝春,黄源辉,杨劲松,周慧彬,
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。