【技术实现步骤摘要】
本专利技术涉及电力电缆领域，更具体地说，它涉及一种电缆终端局部放电类型识别方法、装置、设备及介质。
技术介绍
1、电力电缆作为城市输配电的重要电力设备，需求量逐渐增大，提高电力电缆安全运行可靠性越来越重要。但电缆在运行过程中不可避免受到外界环境和负荷电流大小等影响，导致其绝缘逐渐老化与劣化。
2、局部放电作为电力电缆重要的状态检测指标，对电力电缆的安全运行有着预警作用，但在实际局部放电检测过程中，存在环境干扰信号，导致局部放电特征识别偏差，进而导致后续基于分类器的局部放电类型的识别偏差。
3、因此，如何对电力电缆终端局部放电特征及类型进行精准识别，以使运维人员正确维护设备，提高运维水平是目前急需解决的问题。
技术实现思路
1、本专利技术的目的是提供一种电缆终端局部放电类型识别方法、装置、设备及介质，本专利技术基于主成分分析法提取由第一局部放电信号及环境干扰信号合成的第二局部放电信号绘制而成的prpd图谱的特征分量，能够有效降低环境干扰信号对局部放电特征识别的影响，提高电缆终端局部放电的特征分量识别的准确度，将待测试数据输入至训练完成的深度信念网络模型对电缆终端局部放电类型进行识别，从而提升了在含有环境干扰信号的干扰下，对电缆局部放电信号的放电类型的准确识别，基于识别结果能够对高压电缆进行及时合理的维护、检修，提高电缆运行的可靠性。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、本专利技术的第一方面，提供了一种电缆终端
4、采集电缆终端模拟绝缘缺陷所产生的第一局部放电信号及环境干扰信号；
5、合成所述第一局部放电信号及环境干扰信号，得到第二局部放电信号，并依据第二局部放电信号绘制prpd图谱，其中所述prpd图谱为第二局部放电信号的放电次数随放电量与放电相位的分布；
6、采用主成分分析法提取所述prpd图谱的特征分量；
7、基于特征分量对深度信念网络模型进行训练，得到训练完成的深度信念网络模型，其中深度信念网络模型是基于自适应动量随机优化算法对深度信念网络的受限玻尔兹曼机进行训练得到的；
8、将待测试数据输入训练完成的深度信念网络模型以对电缆终端局部放电类型进行识别。
9、在一种实现方案中，所述绝缘缺陷包括绝缘存在金属颗粒、半导体存在气息、绝缘存在划痕、电缆偏心率不合格、半导体存在尖端。
10、在一种实现方案中，合成所述第一局部放电信号及环境干扰信号，得到第二局部放电信号，具体为：将环境干扰信号的相位信息和电荷信息分别叠加在第一局部放电信号的相位信息和电荷信息上，得到第二局部放电信号。
11、在一种实现方案中，采用主成分分析法提取所述prpd图谱的特征分量，具体为：
12、根据电荷的正负极性将所述prpd图谱分为正极性组和负极性组；
13、基于四个相位象限将所述prpd图谱分为四组，其中每个相位象限90度；
14、采用主成分分析法对正极性组和负极性组进行降维处理，得到第一主成分分析结果；
15、采用主成分分析法对四组相位象限进行降维处理，得到第二主成分分析结果；
16、组合所述第一主成分分析结果和第二主成分分析结果，得到prpd图谱的特征分量。
17、在一种实现方案中，深度信念网络模型的训练过程，具体为：
18、将特征分量作为训练数据集输入深度信念网络的可见单元，采用对比散度法逐层训练第n个受限玻尔兹曼机的可见层的权重矩阵和偏置向量，并根据可见层的权重矩阵和偏置向量计算第n+1受限玻尔兹曼机的隐藏层，以第n+1受限玻尔兹曼机的隐藏层作为第n+2个受限玻尔兹曼机的可见层，得到采用对比散度法训练的深度信念网络的网络参数，其中网络参数由各个受限玻尔兹曼机对应的网络权重和偏置向量构成；
19、基于自适应动量随机优化算法对深度信念网络的网络参数进行调整，得到训练完成的深度信念网络模型。
20、在一种实现方案中，基于自适应动量随机优化算法对深度信念网络的网络参数进行调整，具体为：
21、若训练的网络参数为第1代网络参数θ1，设经过k次迭代后得到网络参数θk，计算误差函数对应网络参数θk的梯度其中，为梯度算子，j(θ)表示误差函数；
22、计算更新迭代次数为k+1时的偏一阶矩估计mk+1和偏二阶矩估计vk+1：mk+1＝β1mk+(1-β1)gk；其中，β1和β2分别表示控制自适应动量随机优化算法的超参数，取值为[0，1)区间，mk表示第k次迭代时的偏一阶矩估计，vk表示第k次迭代时的偏二阶矩估计；
23、修正更新迭代次数为k+1的偏一阶矩估计和偏二阶矩估计
24、应用梯度更新计算第k+1次迭代时的网络参数值θk+1，并且更新迭代次数k+1；其中梯度更新的计算式为其中，α表示学习率，τ表示常数；
25、当训练满足预设的训练次数后停止，利用测试集对不同训练次数下网络参数对应的深度信念网络进行性能评估，以性能最优的深度信念网络作为训练完成的深度信念网络模型。
26、在一种实现方案中，所述误差函数的计算式为其中，表示由深度信念网络映射的第i个样本标签，f表示非线性函数，xi表示训练数据集中的第i组数据，θ表示深度信念网络的网络参数。
27、本专利技术的第二方面，提供了一种电缆终端局部放电类型识别装置，包括：
28、信号采集模块，用于采集电缆终端模拟绝缘缺陷所产生的第一局部放电信号及环境干扰信号；
29、prpd图谱绘制模块，用于合成所述第一局部放电信号及环境干扰信号，得到第二局部放电信号，并依据第二局部放电信号绘制prpd图谱，其中所述prpd图谱为第二局部放电信号的放电次数随放电量与放电相位的分布；
30、特征提取模块，用于采用主成分分析法提取所述prpd图谱的特征分量；
31、模型构建模块，用于基于特征分量对深度信念网络模型进行训练，得到训练完成的深度信念网络模型，其中深度信念网络模型是基于自适应动量随机优化算法对深度信念网络的受限玻尔兹曼机进行训练得到的；
32、放电类型识别模块，用于将待测试数据输入训练完成的深度信念网络模型以对电缆终端局部放电类型进行识别。
33、本专利技术的第三方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术的第一方面提供的一种电缆终端局部放电类型识别方法。
34、本专利技术的第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本专利技术的第一方面提供的一种电缆终端局部放电类型识别方法。
35、与现有技术相比，本专利技术具有以下有益效果：...
【技术保护点】
1.一种电缆终端局部放电类型识别方法，其特征在于，包括：
2.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，所述绝缘缺陷包括绝缘存在金属颗粒、半导体存在气息、绝缘存在划痕、电缆偏心率不合格、半导体存在尖端。
3.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，合成所述第一局部放电信号及环境干扰信号，得到第二局部放电信号，具体为：将环境干扰信号的相位信息和电荷信息分别叠加在第一局部放电信号的相位信息和电荷信息上，得到第二局部放电信号。
4.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，采用主成分分析法提取所述PRPD图谱的特征分量，具体为：
5.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，深度信念网络模型的训练过程，具体为：
6.根据权利要求5所述的一种电缆终端局部放电类型识别方法，其特征在于，基于自适应动量随机优化算法对深度信念网络的网络参数进行调整，具体为：
7.根据权利要求6所述的一种电缆终端局部放电类型识别方法，其特征在于，
8.一种电缆终端局部放电类型识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的一种电缆终端局部放电类型识别方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行权利要求1-7任一项所述的一种电缆终端局部放电类型识别方法。
...【技术特征摘要】
1.一种电缆终端局部放电类型识别方法，其特征在于，包括：
2.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，所述绝缘缺陷包括绝缘存在金属颗粒、半导体存在气息、绝缘存在划痕、电缆偏心率不合格、半导体存在尖端。
3.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，合成所述第一局部放电信号及环境干扰信号，得到第二局部放电信号，具体为：将环境干扰信号的相位信息和电荷信息分别叠加在第一局部放电信号的相位信息和电荷信息上，得到第二局部放电信号。
4.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，采用主成分分析法提取所述prpd图谱的特征分量，具体为：
5.根据权利要求1所述的一种电缆终端局部放电类型识别方法，其特征在于，深度信念网络模型的训练过程，具体为：
6.根据权利要求5所述的一种电缆终端局部放电类型识别方法，其特征在于，基于自...
【专利技术属性】
技术研发人员：任春雷，李宝，冯超，佘渊，冉麒麟，易明月，朱怍恒，王思平，何涌，
申请(专利权)人：国网四川省电力公司达州供电公司，
类型：发明
国别省市：
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。