本发明专利技术提出一种基于SDAE的局部放电模式识别方法、计算机设备和存储介质，其中识别方法包括以下步骤：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；初始化SDAE，采用蝙蝠算法对SDAE中的隐藏层点数进行优化；将训练样本输入经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的训练样本的重构表示；基于训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果，能够进一步提高局部放电模式识别精度，有效过滤干扰数据。
【技术实现步骤摘要】
基于SDAE的局部放电模式识别方法、计算机设备和存储介质
本专利技术涉及局部放电识别
，更具体地，涉及一种基于SDAE的局部放电模式识别方法、计算机设备和存储介质。
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。然而由于设计缺陷、安装过程中的工艺缺陷、外力破坏等因素，电缆系统中不可避免地会产生绝缘缺陷。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。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，因此准确识别出电缆局部放电模式对判断绝缘缺陷类型有着十分重要的意义。目前现有的局部放电模式识别方法主要包括人工识别和机器学习算法识别，如公开号为CN109799434A(公开日：2019-05-24)提出的一种局部放电模式识别方法，其主要通过采集局部放电信号获得其三维图谱，然后输入识别模型中进行识别。然而，这种局放模式识别方法仅针对局部放电信号的三维图谱数据进行分析，没有考虑电缆局部放电数据的噪声等影响因素，存在电缆局部放电模式识别准确率较低的问题。
技术实现思路
本专利技术为克服上述现有技术所述的电缆局部放电模式识别准确率较低的缺陷，提供一种基于SDAE的局部放电模式识别方法，以及一种实现基于SDAE的局部放电模式识别方法的计算机设备和存储介质。为解决上述技术问题，本专利技术的技术方案如下：基于蝙蝠算法的局部放电模式识别方法，包括以下步骤：S1：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；S2：初始化堆叠降噪自编码器SDAE，对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE；S3：将训练样本输入经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的训练样本的重构表示；S4：基于训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；S5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。优选地，S1步骤中，对监测数据进行预处理的具体步骤包括：对高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据监测数据的关联性得到强相关监测数据序列。优选地，S1步骤中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理；S1.2：根据离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分后的支持度S，用于表示监测数据的关联性。优选地，S2步骤中，采用蝙蝠算法对SDAE中的隐藏层点数进行优化，其具体步骤包括：S2.1：初始化蝙蝠算法各项参数值，设置搜索频度r；S2.2：获取当前种群中最优蝙蝠位置，更新蝙蝠的速度和位置；S2.3：生成均匀分布随机数rand，判断当前rand是否大于r，若是，则对当前最优解进行随机扰动，产生一个新的解；若否，则随机选择一个解进行随机扰动，产生一个新的解；S2.4：对新的解进行判断，若优于当前最优蝙蝠位置则将新的解作为当前最优蝙蝠位置，并更新蝙蝠的速度；S2.5：判断是否满足预设的迭代条件，若否，则跳转执行S2.3步骤，若是，则输出最优解，并将其应用于对SDAE中的隐藏层点数进行优化。优选地，S3步骤中，其具体步骤包括：S3.1：在训练样本中添加噪声，将添加噪声的训练样本作为输入数据x输入经过优化的SDAE中进行训练学习；S3.2：计算SDAE中染噪数据的隐藏层特征y，其计算公式如下：其中，θ＝(W,b)表示编码模型参数，W为d′×d维的编码权值矩阵，b为d′维的偏置向量，σ函数表示激活函数；S3.3：对隐藏层特征y进行解码得到其重构表示z，其表达公式如下：z＝gθ′(y)＝σ(W′y+b′)其中，θ′＝(W′,b′)表示解码模型参数，W′为d′×d维的解码权值矩阵，b′为d维的偏置向量；S3.4：根据输入数据x与重构表示z计算重构误差，通过最小化重构误差训练得到最优训练参数。优选地，S3.1步骤中，在训练样本中添加的噪声包括0或白噪声。优选地，S4步骤中，确定重构误差的上限阈值的具体步骤包括：对训练样本的重构误差进行和密度估计得到误差概率分布情况，根据误差概率分布情况取误差概率最大值作为重构误差的上限阈值。优选地，S5步骤中，其具体步骤包括：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到测试样本的重构表示及测试样本的重构误差，比较重构误差与重构误差的上限阈值进行比较得到辨识结果，辨识结果即为局部放电模式识别结果。本专利技术还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其中处理器执行计算机程序时实现上述任一技术方案提出的基于SDAE的局部放电模式识别方法的步骤。本专利技术还提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一技术方案提出的基于SDAE的局部放电模式识别方法的步骤。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术采用堆叠降噪自编码器SDAE对局部放电数据进行局部放电模式识别，并融合蝙蝠算法对叠降噪自编码器SDAE的隐藏层节点数进行优化，能够进一步提高局部放电模式识别精度，有效过滤干扰数据，提高电缆局部放电模式识别准确率及数据分析效率，为检测对象的质量诊断体系提供保障。附图说明图1为本专利技术的基于SDAE的局部放电模式识别方法的流程图。图2为本专利技术的基于SDAE的局部放电模式识别方法步骤2的流程图。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；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专利技术的技术方案做进一步的说明。本实施例提出一种基于SDAE的局部放电模式识别方法，如图1所示，为本实施例的基于SDAE的局部放电模式识别方法的流程图。本实施例提出的基于SDAE的局部放电模式识别方法中，具体包括以下步骤：S1：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本。本步骤中，对监测数据进行预处理的具体步骤包括：对高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据监测数据的关联性得到强相关监测数据序列。其中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理，从而实现局部放电状态在线监测数据的区段化映射；S1.2：根据离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分本文档来自技高网...
【技术保护点】
1.基于SDAE的局部放电模式识别方法，其特征在于，包括以下步骤：/nS1：采集获取高压电缆局部放电状态在线监测数据，对所述监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；/nS2：初始化堆叠降噪自编码器SDAE，对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE；/nS3：将训练样本输入所述经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的所述训练样本的重构表示；/nS4：基于所述训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；/nS5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。/n
【技术特征摘要】
1.基于SDAE的局部放电模式识别方法，其特征在于，包括以下步骤：
S1：采集获取高压电缆局部放电状态在线监测数据，对所述监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；
S2：初始化堆叠降噪自编码器SDAE，对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE；
S3：将训练样本输入所述经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的所述训练样本的重构表示；
S4：基于所述训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；
S5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。
2.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S1步骤中，对所述监测数据进行预处理的具体步骤包括：对所述高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据所述监测数据的关联性得到强相关监测数据序列。
3.根据权利要求2所述的局部放电模式识别方法，其特征在于，所述S1步骤中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：
S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理；
S1.2：根据所述离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分后的支持度S，用于表示监测数据的关联性。
4.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S2步骤中，采用蝙蝠算法对SDAE中的隐藏层点数进行优化，其具体步骤包括：
S2.1：初始化蝙蝠算法各项参数值，设置搜索频度r；
S2.2：获取当前种群中最优蝙蝠位置，更新蝙蝠的速度和位置；
S2.3：生成均匀分布随机数rand，判断当前rand是否大于r，若是，则对当前最优解进行随机扰动，产生一个新的解；若否，则随机选择一个解进行随机扰动，产生一个新的解；
S2.4：对新的解进行判断，若优于当前最优蝙蝠位置则将新的解作为当前最优蝙蝠位置，并更新蝙蝠的速度；
S2.5：判断是否满足预设的迭代条件，若否，则跳转执行S2.3步骤，若是，则输出最优解，并将其应用于...
【专利技术属性】
技术研发人员：王干军，吴毅江，
申请(专利权)人：广东电网有限责任公司，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。