基于粒子群算法和DBN的高压电缆局部放电模式识别方法

摘要

本发明提供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，包括以下步骤：S1：获取高压电缆局部放电脉冲信号，并进行预处理；S2：将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。本发明提供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，利用深度置信网络模型良好的特征筛选分析能力,有效提高了局部放电模式的识别精度和识别准确度，解决了目前在高压电缆局部放电模式上存在识别准确度不够高的问题。

说明书

技术领域

本发明涉及高压配电识别技术领域，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。

背景技术

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，而在实际应用中具有一定的局限性。

现有技术中，如2017年10月17日公开的中国专利，一种高压开关柜局部放电分析方法，公开号为CN107255779A，基于S变换和DBN网络对局部放电信号的模式进行识别，可以在线实时准确地分析出局部放电信息和放电量，但没有结合粒子群算法进行识别，准确度不够高。

发明内容

本发明为克服现有技术在高压电缆局部放电模式上存在识别准确度不够高的技术缺陷，提供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。

为解决上述技术问题，本发明的技术方案如下：

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，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(深度置信网络)，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。

上述方案中，利用粒子群算法对深度置信网络的初始权重进行优化，能够有效避免因初值选择不当导致算法陷入局部最优解和收敛速度慢的缺点。同时，利用深度置信网络模型良好的特征筛选分析能力,有效提高了局部放电模式的识别精度和识别准确度，为监测对象的质量诊断体系提供保障。

优选的，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。

优选的，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，x

优选的，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。

优选的，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P

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F

S3.4：比较各粒子当前的适应度与其自身的个体极值P

若粒子当前的适应度大于P

否则，保持P

S3.5：比较粒子群中所有粒子的个体极值与G

若存在优于G

否则，保持G

S3.6：根据P

S3.7：判断迭代是否终止；

若迭代终止，则执行步骤S3.8；

否则，返回步骤S3.3；

S3.8：将最终更新得到的群体极值G

优选的，在步骤S3.3中，计算粒子的适应度F

其中，p

优选的，在步骤S3.7中，当达到设定的最高迭代次数时，迭代终止。

优选的，在步骤S3.7中，当群体极值的变化量小于预设的群体极值变化阈值时，迭代终止。

优选的，步骤S4具体包括以下步骤：

S4.1：将训练样本输入完成初始权重优化的DBN中，并设定最大层数和最高训练次数；

S4.2：令参数i＝1；

S4.3：对DBN中的每个受限玻尔兹曼机RBM进行预训练；

S4.4：判断i是否大于最大层数；

若是，则执行步骤S4.5；

若否，则将i+1的值赋予i，并返回步骤S4.3；

S4.5：判断是否达到最高训练次数；

若是，则得到训练后的DBN模型；

若否，则返回步骤S4.2。

优选的，在步骤S4.4中，若i大于最大层数，还包括：利用BP神经网络进行反向调优，得到DBN每层的最优解。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供了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，利用粒子群算法对深度置信网络的初始权重进行优化，能够有效避免因初值选择不当导致算法陷入局部最优解和收敛速度慢的缺点。同时，利用深度置信网络模型良好的特征筛选分析能力,有效提高了局部放电模式的识别精度和识别准确度，为监测对象的质量诊断体系提供保障。

附图说明

图1为本发明的技术方案实施步骤流程图；

图2为本发明中采用粒子群算法优化DBN的初始权重的步骤流程图；

图3为本发明中步骤S4的步骤流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，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，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(深度置信网络)，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。

在具体实施过程中，利用粒子群算法对深度置信网络的初始权重进行优化，能够有效避免因初值选择不当导致算法陷入局部最优解和收敛速度慢的缺点。同时，利用深度置信网络模型良好的特征筛选分析能力,有效提高了局部放电模式的识别精度和识别准确度，为监测对象的质量诊断体系提供保障。

更具体的，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。

在具体实施过程中，由于高压电缆局部放电脉冲信号中各类数据的采集频率不同，通常插入中位数补全用缺失数据，使数据长度保持一致；由于高压电缆局部放电脉冲信号中的各类数据的量纲不同，故需要经过归一化处理，便于计算处理。

更具体的，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，x

更具体的，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。

更具体的，如图2所示，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P

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F

S3.4：比较各粒子当前的适应度与其自身的个体极值P

若粒子当前的适应度大于P

否则，保持P

S3.5：比较粒子群中所有粒子的个体极值与G

若存在优于G

否则，保持G

S3.6：根据P

S3.7：判断迭代是否终止；

若迭代终止，则执行步骤S3.8；

否则，返回步骤S3.3；

S3.8：将最终更新得到的群体极值G

在具体实施过程中，采用粒子群算法优化DBN的初始权重，可以有效避免因初值选择不当导致算法陷入局部最优解和收敛速度慢的缺点，获得更好的寻优结果。

更具体的，在步骤S3.3中，计算粒子的适应度F

其中，p

更具体的，在步骤S3.7中，当达到设定的最高迭代次数时，迭代终止。

更具体的，在步骤S3.7中，当群体极值的变化量小于预设的群体极值变化阈值时，迭代终止。

在具体实施过程中，当达到设定的最高迭代次数或群体极值的变化量小于预设的群体极值变化阈值时，迭代终止；否则继续进行迭代。

更具体的，如图3所示，步骤S4具体包括以下步骤：

S4.1：将训练样本输入完成初始权重优化的DBN中，并设定最大层数和最高训练次数；

S4.2：令参数i＝1；

S4.3：对DBN中的每个受限玻尔兹曼机RBM进行预训练；

S4.4：判断i是否大于最大层数；

若是，则执行步骤S4.5；

若否，则将i+1的值赋予i，并返回步骤S4.3；

S4.5：判断是否达到最高训练次数；

若是，则得到训练后的DBN模型；

若否，则返回步骤S4.2。

更具体的，在步骤S4.4中，若i大于最大层数，还包括：利用BP神经网络进行反向调优，得到DBN每层的最优解。

在具体实施过程中，把训练样本输入所述完成初始权重优化的深度置信网络模型中，对深度置信网络模型进行离线训练，通过受限玻尔兹曼机自身的预训练及BP神经网络反向传播的调整，得到深度置信网络模型每层的最优解,输出训练后的深度置信网络模型。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。