【技术实现步骤摘要】
本专利技术属于电力设施诊断，特别涉及一种基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法。
技术介绍
1、电缆在安装检修或者外力破坏情况下会出现局部放电现象，根据局部放电的基本类型，结合工作人员在实际运维检修环境中遇到的最常见的局部放电类型，制作了四种典型的、最具代表性的电缆缺陷模型：内部放电模型、表面放电模型、电晕放电模型以及悬浮放电模型。
2、针对四种放电缺陷模型的识别，现有技术根据所采集到的信号采用了三种方式进行识别，分别为：基于局放特高频信号的缺陷识别、基于局放超声信号的缺陷识别以及基于声-电-热信号的联合识别。
3、上述三种检测方法均能一定程度上发现和识别电缆的局部缺陷放电形式，但是检测灵敏度在面对不同的缺陷模型存在差异，为了进一步提升识别的效果，提出了本专利技术的基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法。
技术实现思路
1、为了解决上述问题，本专利技术提供一种基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法，基于改进d-s证据理论实现多检测信息的融合，通过数学推理实现不确定和不完整信息的融合计算，其主要包括识别框架θ、基本概率分配(简称bpa)、合成规则、决策规则，其中，识别框架θ是全部结论的集合，概率分配是信息融合的基础，合成规则即为融合过程，而决策规则通过对决策信息源的融合所得的基础概率分配，为对识别框架内识别对象的概率输出。
2、本专利技术具体为一种基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法
3、具体技术方案包括以下步骤：
4、步骤一：建立建立识别框架θ，分别为：a1(电晕放电)、a2(内部放电)、a3(悬浮放电)、a4(表面放电)以及不确定性θ；
5、即：θ＝{a1,a2,a3,a4,θ}；
6、步骤二：设置基础概率分配；
7、对于识别框架θ，其基础概率分配值m是从到区间[0,1]的一个映射，它满足以下2个条件：
8、
9、其中，m(·)为基本可信数，其反映的是对框架θ的信度大小；为识别框架外范围；
10、步骤三：证据合成，根据dempster合成规则，对于3类信息源的基础概率分配合成计算；
11、步骤四：决策判断，通过对决策信息源的融合所得的基础概率分配，为对识别框架内识别对象的概率输出做出决策判断。
12、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤二过程中，由于各个信息源来源的可靠性不一，设置α∈[0,1]为可靠系数，并以bp神经网络计算的识别率代替，即识别框架上的基础概率分配值计算方法为：
13、mi(aj)＝aiuij,i＝1,2,3,j＝1,2,3,4；
14、
15、式中，mi(aj)为第i个证据对于第j个对象的基础概率分配值；mi(θ)是第i个证据不确定性的基础概率分配值；uij表示第i个证据对于输出j类缺陷的隶属度；αi为第i个证据源的可靠系数。
16、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤三过程中，3类信息源分别为：特高频信号、超声信号以及声-电-热信号。
17、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤三的合成计算方法表示为：
18、
19、
20、式中：表示异或运算；k为归一化因子；
21、通过上式，合成3类信息源的基础概率分配值，输出的结论即为基于3类信息的共同识别结论。
22、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤四中，为对识别框架内识别对象的概率输出进行判断，满足以下规则：
23、m(amax1)为输出基础概率分配值的最大值；说明作为整体表示结论的输出应该具有最大值的基础概率分配值。
24、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤四中，为对识别框架内识别对象的概率输出，还通过以下规则判断其属性：
25、m(amax1)＞m(θ)。说明其输出的基础概率分配值最大值须大于不确定性θ。
26、作为本专利技术所述基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法的一种优选方案，其中：步骤四中，为对识别框架内识别对象的概率输出进行判断，还满足以下规则：
27、m(amax1)-m(amax2)≥ε，说明只有当最终的输出足够突出时才能被接受；
28、其中，m(amax2)为基础概率分配值的次大值ε的取值须结合信号源的辨识率以及综合识别的实际应用。
29、与现有技术相比，本专利技术的有益效果是：本专利技术在采用的d-s多信息融合技术对电缆典型缺陷局部放电进行联合识别时，将基于放电的特高频信号、超声信号和声-电-热联合信号的bp神经网络识别结果作为d-s证据识别框架的证据体，应用基本概率分配函数计算出各证据体的信度分配，然后运用d-s证据合成法则计算融合后的信度分配，最后利用决策规则进行典型缺陷局部放电的类型识别，识别准确率大大提高。
本文档来自技高网...【技术保护点】
1.基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤二过程中，由于各个信息源来源的可靠性不一，设置α∈[0,1]为可靠系数，并以BP神经网络计算的识别率代替，即识别框架上的基础概率分配值计算方法为：
3.根据权利要求2所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤三中所述3类信息源分别为：特高频信号、超声信号以及声-电-热信号。
4.根据权利要求3所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤三中的合成计算方法表示为：
5.根据权利要求4所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤四中，为对所述识别框架内识别对象的概率输出，通过以下规则判断其属性：
6.根据权利要求5所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤四中，为所述对识别框架内识别对象的概率输出，还通过以
7.根据权利要求6所述的基于改进D-S多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤四中，为对所述识别框架内识别对象的概率输出，还通过以下规则判断其属性：
...【技术特征摘要】
1.基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤二过程中，由于各个信息源来源的可靠性不一，设置α∈[0,1]为可靠系数，并以bp神经网络计算的识别率代替，即识别框架上的基础概率分配值计算方法为：
3.根据权利要求2所述的基于改进d-s多信息融合的典型缺陷电缆局放联合识别方法，其特征在于，步骤三中所述3类信息源分别为：特高频信号、超声信号以及声-电-热信号。
4.根据权利要求3所述的基于改进d-s多信息融合的典型缺陷电缆局...
【专利技术属性】
技术研发人员：张轩，李琦，杨应挺，王成成，顾春晖，樊道诚，
申请(专利权)人：国网江苏省电力有限公司盐城供电分公司，
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。