基于振荡波的电缆局部放电缺陷识别方法技术

本发明专利技术公开了一种基于振荡波的电缆局部放电缺陷识别方法，利用DE和PSO两者间的互补性将两者进行结合，使得改进后的算法能够挣脱局部最优解的束缚寻找到全局最优解，同时保证算法的收敛速度；将M

【技术实现步骤摘要】
基于振荡波的电缆局部放电缺陷识别方法


[0001]本专利技术涉及电缆缺陷检测技术，具体涉及一种基于振荡波的电缆局部放电缺陷识别方法。

技术介绍

[0002]随着地埋电缆在城市及乡镇的大量使用发现，电力电缆在实际生产制造以及负荷运行过程中不可避免的存在各种各样的问题，给人们的生活和生产带来了不必要的经济损失。振荡波局部放电检测技术是一种新兴的电缆缺陷检测技术，可以有效检测电缆中的各种缺陷，而且其对电缆施加的电压与交流电源有着良好的等效性、作用时间短，对电缆不会造成二次伤害，然而目前关于振荡波电压下电力电缆局部放电信号的模式识别研究相对较少，且识别准确率低。
[0003]现有的模式识别应用最广泛的为神经网络，其遵循经验风险最小化原则，反而容易因过拟合造成识别精度低。目前支持向量机(Support VectorMachine，SVM)遵循结构风险最小化原则，在局部放电模式识别中取得了很多成果。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于振荡波的电缆局部放电缺陷识别方法，本专利技术能够有效地识别出振荡波下电缆局部放电类型，且识别准确度高。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]基于振荡波的电缆局部放电缺陷识别方法，包括以下步骤：
[0007](1)获取振荡波局部放电数据集，并对数据集中每组样本数据按照已知类别进行分类；
[0008](2)对数据集中的每一组样本数据进行归一化处理，以消除局部放电特征值量纲，同时按照比例将数据集划分为训练集与测试集；
[0009](3)设置支持向量机模型中的核函数类型为径向基核函数(radial basis function，RBF)；
[0010](4)利用改进的差分进化
‑
粒子群优化算法(Differential Evolution
‑ꢀ
Particle Swarm Optimization，DE
‑
PSO)计算参数；
[0011](5)将求解的参数代入支持向量机(Support Vector Machine，SVM) 模型中，运用训练集数据训练基于M
‑
ary的支持向量机分类器；
[0012](6)使用测试集数据评估支持向量机分类器性能，通过比较使用支持向量机分类器识别得到的标签和按照电缆缺陷类型划分的理论类别标签，得到该模型的识别精度。
[0013]进一步地，所述改进的差分进化
‑
粒子群优化算法步骤如下：
[0014]4.1)获取振荡波局部放电数据集，开始数据处理过程；
[0015]4.2)将MATLAB中生成的N个随机数初始化为粒子种群、迭代次数k＝0，粒子初始位置x
i
和速度v
i
、适应度函数表达式f(x)；
[0016]4.3)按照适应度函数计算每个粒子的适应度值f(i)，同时确定个体最优值和群体最优值
[0017]4.4)更新每个粒子的速度和位置，同时令k＝k+1；
[0018]4.5)针对每个粒子，使用f(i)与个体最优值比较，若则更新个体最优值，否则保持当前值不变；使用f(i)与群体最优值比较，若则更新群体最优值否则保持当前值不变；
[0019]4.6)计算粒子群体的适应度方差值σ2；
[0020]4.7)若σ2小于设定的阈值λ0，则执行步骤8)，否则执行步骤9)；
[0021]4.8)引入DE算法，将当前PSO种群作为DE算法的初始种群，初始化 DE算法的缩放因子F以及交叉率CR，变异交叉选择出更优后代作为PSO 种群的粒子，执行步骤3)；
[0022]4.9)判断粒子搜寻的全局最优解是否满足精度要求或者算法迭代次数满足条件，执行步骤4.10)；若不满足，则以当前粒子群体作为新的粒子群体执行步骤3)；
[0023]4.10)算法停止，输出算法求得的全局最优解即改进DE
‑
PSO的 M
‑
ary多分类SVM的分类器参数值。
[0024]进一步地，步骤4.4)按照如下公式更新每个粒子的速度和位置：
[0025][0026][0027]其中，为粒子i第k次迭代时位置矢量的第d维分量；为粒子i第 k次迭代速度矢量的第d维分量，ω称为权重系数，也叫做惯性因子，用来联系粒子自身状态，调节粒子搜索可行解的范围，平衡粒子群体搜寻的全局搜索能力和粒子个体的局部搜索能力；c1，c2称为学习因子，决定粒子自身经验和群体经验对粒子速度的影响程度，平衡PSO算法的收敛速度和搜索效果；γ1，γ2为[0，1]之间的随机数，以增加搜索的随机性。
[0028]进一步地，步骤4.6)中根据公式计算粒子群体的适应度方差值σ2，其中f
i
是第i个粒子的适应度值，f
avg
是粒子群体适应度值的平均， f为归一化比例因子。
[0029]进一步地，归一化比例因子f表达式为：
[0030][0031]与现有技术相比，本专利技术具有以下有益的技术效果：
[0032]本专利技术提出了一种基于改进DE
‑
PSO的M
‑
ary多分类支持向量机用以识别振荡波下局部放电信号，该方法根据局部放电类型多的特征采用M
‑
ary多分类思想构建组合支持向量机；在保持粒子群优化(Particle SwarmOptimization，PSO)算法优点基础上，判断群体适应度方差以适时增加差分进化(Differential Evolution，DE)算法干扰，解决算法易陷入早期收敛的缺点，同时保证了算法的高准确率。最后，通过MATLAB仿真与实验结果进一步验证所提出改进的DE
‑
PSO
‑
SVM算法可以有效地识别出振荡波下电缆局部放电类型，且识别准确度高。
[0033]本专利技术方法具有以下优点：
[0034](1)利用DE及PSO算法两者间的互补性将两者进行结合，使得改进后的算法能够挣脱局部最优解的束缚寻找到全局最优解，同时保证算法的收敛速度。
[0035](2)将M
‑
ary多分类思想用于识别四种局部放电信号的分类器，相较于传统方法，构建的分类器数量更少，降低了计算量，提高了分类速度。
[0036](3)所提出的基于改进DE
‑
PSO
‑
SVM的电缆局部放电信号模式识别算法能够通过局部放电信号识别出电缆缺陷类型，且识别准确率高。该方法具有很强的实用前景，具有重要的社会效益和经济价值。
附图说明
[0037]图1为基于M
‑
ary多分类支持向量机的电缆缺陷识别模型；
[0038]图2为改进的DE
‑
PSO算法流程图；
[0039]图3a为电缆外半导体尖端缺陷模型图；
[0040]图3b为电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于振荡波的电缆局部放电缺陷识别方法，其特征在于，包括以下步骤：(1)获取振荡波局部放电数据集，并对数据集中每组样本数据按照已知类别进行分类；(2)对数据集中的每一组样本数据进行归一化处理，以消除局部放电特征值量纲，同时按照比例将数据集划分为训练集与测试集；(3)设置支持向量机模型中的核函数类型为径向基核函数；(4)利用改进的差分进化
‑
粒子群优化算法计算参数；(5)将求解的参数代入支持向量机模型中，运用训练集数据训练基于M
‑
ary的支持向量机分类器；(6)使用测试集数据评估支持向量机分类器性能，通过比较使用支持向量机分类器识别得到的标签和按照电缆缺陷类型划分的理论类别标签，得到该模型的识别精度。2.根据权利要求1所述的基于振荡波的电缆局部放电缺陷识别方法，其特征在于，所述改进的差分进化
‑
粒子群优化算法步骤如下：4.1)获取振荡波局部放电数据集，开始数据处理过程；4.2)将MATLAB中生成的N个随机数初始化为粒子种群、迭代次数k＝0，粒子初始位置x
i
和速度v
i
、适应度函数表达式f(x)；4.3)按照适应度函数计算每个粒子的适应度值f(i)，同时确定个体最优值和群体最优值4.4)更新每个粒子的速度和位置，同时令k＝k+1；4.5)针对每个粒子，使用f(i)与个体最优值比较，若则更新个体最优值，否则保持当前值不变；使用f(i)与群体最优值比较，若则更新群体最优值否则保持当前值不变；4.6)计算粒子群体的适应度方差值σ2；4.7)若σ2小于设定的阈值λ0，则执行步骤8)，否则执...

【专利技术属性】
技术研发人员：白晓斌，米建伟，梁军科，郭峰，李林，刘子瑞，薛军，郑建康，景晓东，常江，王亮，董文，李飞，蒋文龙，王新辉，
申请(专利权)人：国网陕西省电力公司宝鸡供电公司国网陕西省电力公司国家电网有限公司，
类型：发明
国别省市：