【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: ...
【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。