一种基于神经网络的高压电缆局部放电缺陷识别方法技术

本发明专利技术公开了一种基于神经网络的高压电缆局部放电缺陷识别方法，涉及电力系统技术领域；包括以下步骤：获取高压电缆局部放电缺陷现场的历史数据，以形成原始数据集；从所述原始数据集中提取局部放电特征数据，并生成样本数据集；对所述样本数据集进行归一化处理，并拆分为训练集和测试集；根据样本数据集，初始化粒子群；对所述粒子群中个体向量映射，进行样本空间训练；评价并计算粒子群个体，并判断是否满足中止条件；若不满足中止条件，则重新确定极值，更新所述粒子群，并返回上一步；若满足中止条件，则输出一组优化权值和中心值，并输入所述神经网络模型完成缺陷识别。本发明专利技术避免了误判、节省了人力、加快了识别速度和提高了识别的准确率。了识别的准确率。了识别的准确率。

【技术实现步骤摘要】
一种基于神经网络的高压电缆局部放电缺陷识别方法


[0001]本专利技术涉及电力系统
，具体涉及一种基于神经网络的高压电缆局部放电缺陷识别方法。

技术介绍

[0002]高压电缆是电力系统中重要的电力设备，其运行状态影响着电网供电的安全性与可靠性。然而由于设计缺陷、安装过程中的工艺缺陷、外力破坏、水和树入侵等因素，电缆系统中不可避免地会产生绝缘缺陷，并产生局部放电现象。其中“局部放电”PD(Partial Discharge)是指在电场作用下，绝缘系统中只有部分区域发生放电，而没有形成贯穿性放电通道的一种放电，简称局放电局部放电既是绝缘劣化的主要原因，又是电缆绝缘缺陷和绝缘老化的重要表征。产生局部放电的主要原因是电解质不均匀时，绝缘体各区域承受的电场强度不均匀，在某些区域电场强度达到击穿场强而发生放电，而其他区域仍然保持绝缘的特性。
[0003]现有大型电气设备的绝缘结构比较复杂，使用的材料多种多样，导致整个绝缘系统电场分布不均匀。由于设计或制造工艺上不尽完善使绝缘系统中含有气隙，或是长期运行过程中绝缘受潮，水分在电场作用下发生分解产生气体而形成气泡。而空气的介电常数比绝缘材料的介电常数小，即使绝缘材料在不太高的电场作用下，气隙气泡的场强也会很高，当场强达到一定值后就会发生局部放电。另外绝缘内部存在缺陷或混入各种杂质，或者在绝缘结构中存在某些电器连接不良，都会使局部电场集中，在电场集中的地方就有可能发生固体绝缘表面放电和悬浮电位放电。总结来说，局部放电的类型大致可分为气隙放电、沿面(表面)放电、电晕放电和悬浮放电四类。
[0004]现有技术中，对于高压电缆局部放电缺陷识，主要有人工现场作业和神经网络模型判断。人工现场作业，不仅存在人为因素的误判，而且工作量、存在安全风险。而现有的神经网络模型，数据处理量大，识别速度满且准确率较低。

技术实现思路

[0005]针对现有高压电缆局部放电缺陷识别模型识别速度慢和准确率偏低的技术问题，本专利技术提供了一种基于神经网络的高压电缆局部放电缺陷识别方法，能够根据实际情况增减数组数据点以及局部放电故障类型，从而减少数据处理的工作量，避免了现场作业带来的风险及人为的误判，节省了大量人力，而且加快了识别速度，提高了识别的准确率，有效的保障了高压电缆及相关设备的安全运行。
[0006]本专利技术通过下述技术方案实现：
[0007]本专利技术提供了一种基于神经网络的高压电缆局部放电缺陷识别方法，包括以下步骤：
[0008]S10、获取高压电缆局部放电缺陷现场的历史数据，以形成原始数据集；
[0009]S20、从所述原始数据集中提取局部放电特征数据，并生成样本数据集；
[0010]S30、对所述样本数据集进行归一化处理，并拆分为训练集和测试集；
[0011]S40、根据样本数据集，初始化粒子群；
[0012]S50、对所述粒子群中个体向量映射，进行样本空间训练；
[0013]S60、评价并计算粒子群个体，并判断是否满足中止条件；
[0014]若不满足中止条件，则重新确定极值，更新所述粒子群，并返回步骤50；
[0015]若满足中止条件，则输出一组优化权值和中心值，并输入所述神经网络模型完成缺陷识别。
[0016]本专利技术提供的高压电缆局部放电缺陷识别方法，先通过高压电缆局部放电缺陷现场的历史数据获得原始数据集，以经过特征提取生成样本数据集，再对样本数据集进行归一化处理，从而加快训练速度，并根据样本数据集初始化粒子群，然后对粒子群中个体向量映射，进行样本空间训练，最后评价并计算粒子群个体，并判断是否满足中止条件；若不满足中止条件，则重新确定极值，更新所述粒子群，并返回上一步，若满足中止条件，则输出一组优化权值和中心值，并输入所述神经网络模型完成缺陷识别，从而通过粒子群算法优化模型的权值和中心值，识别当前局部放电缺陷类型，能够根据实际情况增减数组数据点以及局部放电故障类型，进而减少数据处理的工作量。
[0017]因此，本专利技术提供的高压电缆局部放电缺陷识别方法，运用在大电网高压电缆局部放电缺陷识别领域时，相较于以往的神经网络模型，能够根据实际情况增减数组数据点以及局部放电故障类型，减少数据处理时大量繁杂的工作量，避免了现场作业带来的风险及人为的误判率，节省了大量人力，而且加快了识别速度，提高了识别的准确率，有效的保障了高压电缆及相关设备的安全运行。
[0018]在一具体的实施方式中，步骤S10中，在获得所述原始数据集后，检查原始数据是否有缺失并进行降噪处理，以提搞数据信噪比。
[0019]在一具体的实施方式中，若所述原始数据集存在缺失则采用插值法进行填充。
[0020]在一具体的实施方式中，所述降噪处理为傅里叶降噪处理，所述降噪处理的处理模型为：式中：
[0021]ω为频率；
[0022]t为时间；
[0023]e
‑
iωt
为复变函数。
[0024]在一具体的实施方式中，步骤S20中，所述局部放电特征数据包括Q
m
、CC
m
、Q
a
、CC
a
、Q
n
、CC
n
。
[0025]在一具体的实施方式中，步骤S30中，所述归一化处理的计算模型为式中x
i
为样本数据、y
i
为归一化后的结果。
[0026]在一具体的实施方式中，所述神经网络为径向基函数神经网络。
[0027]在一具体的实施方式中，步骤S40中，初始化粒子群包括步骤：
[0028]S41、根据所述样本数据集，将所述神经网络中所有神经元间的连接权值和中心值编码成实数码串表示的个体；
[0029]S42、假设所述神经网络中包含M个优化权值和中心值，则每个个体为由M个权值和
中心值参数组成的M维向量；
[0030]S43、根据粒子规模初始化粒子速度和位置，并设置零位和粒子的最大速度；
[0031]S44、初始化全局最优极值和个体最优极值。
[0032]在一具体的实施方式中，步骤S50中，将粒子群中每一个体的分量映射为神经网络中的权值和中心值，对每一个体对应的神经网络输入训练集进行训练；
[0033]在每一次的迭代中，粒子通过跟踪所述全局最优极值和所述个体最优极值进行自更新；
[0034]其中：
[0035]第i个粒子在k次迭代的速度模型为：
[0036]式中i＝1,2,3
…
m、d＝1,2,3
…
D、ω为惯性参数、c1，c2为学习因子且取值为[0,4]，r1和r2为随机数且取值为(0,1)；
[0037]位置更新速度模型为：且每次更新的速度均小于粒子的最大速度。
[0038]在一具体的实施方式中，步骤S60中，所述中止条件为迭代数等于100。
[0039]本专利技术与现有技术相比，具有如下的优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的高压电缆局部放电缺陷识别方法，其特征在于，包括以下步骤：S10、获取高压电缆局部放电缺陷现场的历史数据，以形成原始数据集；S20、从所述原始数据集中提取局部放电特征数据，并生成样本数据集；S30、对所述样本数据集进行归一化处理，并拆分为训练集和测试集；S40、根据样本数据集，初始化粒子群；S50、对所述粒子群中个体向量映射，进行样本空间训练；S60、评价并计算粒子群个体，并判断是否满足中止条件；若不满足中止条件，则重新确定极值，更新所述粒子群，并返回步骤50；若满足中止条件，则输出一组优化权值和中心值，并输入所述神经网络模型完成缺陷识别。2.根据权利要求1所述的基于神经网络的高压电缆局部放电缺陷识别方法，其特征在于，步骤S10中，在获得所述原始数据集后，检查原始数据是否有缺失并进行降噪处理。3.根据权利要求2所述的基于神经网络的高压电缆局部放电缺陷识别方法，其特征在于，若所述原始数据集存在缺失则采用插值法进行填充。4.根据权利要求2所述的基于神经网络的高压电缆局部放电缺陷识别方法，其特征在于，所述降噪处理为傅里叶降噪处理，所述降噪处理的处理模型为：式中：ω为频率；t为时间；e
‑
iωt
为复变函数。5.根据权利要求1所述的基于神经网络的高压电缆局部放电缺陷识别方法，其特征在于，步骤S20中，所述局部放电特征数据包括Q
m
、CC
m
、Q
a
、CC
a
、Q
n
、CC
n
。6.根据权利要求1所述的基于神经网络的高压电...

【专利技术属性】
技术研发人员：邵千秋，范松海，刘曦，马小敏，刘凤莲，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：