一种电缆接头局部放电超声波序列预测方法技术

本发明专利技术公开了一种电缆接头局部放电超声波序列预测方法，属于电缆系统的终端接头故障预警技术领域。通过超声波传感器对电缆接头处进行超声波在线监测，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：a.建立LSTM神经网络算法构架；b.对LSTM神经网络算法构架中的超参数进行优化；c.确定LSTM神经网络算法中的目标函数；d.预测模型及超参数优化的LSTM神经网络架构；e.待优化超参数解空间的粒子群划分；f.对电缆接头的局部放电超声波序列进行预测。它可以提高神经网络的预测精度。

【技术实现步骤摘要】
一种电缆接头局部放电超声波序列预测方法
本专利技术涉及属于电缆系统的终端接头故障预警

技术介绍
近年来，随着计算机技术和电力电子技术的飞速发展，依靠各类传感器的电力设备在线监测技术得到广泛应用，用于监测电力设备运行状态和健康状况，如开关柜电缆接头及电力设备的局部放电监测传感器。基于各类传感器监测得到的特征参量可以分析电力设备当前的运行状态和健康水平；此外，利用在线监测数据，还可以通过预测监测的特征量的趋势来判断未来健康状态。长短期记忆(LSTM)神经网络具有深度学习的能力，作为循环神经网络(RNN)变体模型，LSTM神经网络通过在结构设计中引入记忆模块，有效规避了普通RNN在训练过程中存在的梯度消失与梯度爆炸等问题，目前已被广泛应用于语音识别、时间序列预测等众多领域。神经网络超参数是指在机器学习模型开始学习过程之前人为设置的参数；在时间序列的预测中，对网络的训练和预测精度起着至关重要的作用。目前超参数寻优过程采用网格搜索暴力穷举，耗时长且浪费计算资源；采用随机搜索得到的寻优结果无法保证；贝叶斯优化在寻优过程，某些时候会由于假设的先验模型的原因导致预测效果不佳。深度学习模型中，超参数的选择对神经网络预测的效果有较大的影响。目前的神经网络超参数寻优方法存在的不足，针对深度学习模型，重复的实验不仅效率低而且耗费时间。
技术实现思路
本专利技术要解决的技术问题是提供一种电缆接头局部放电超声波序列预测方法，它可以提高超参数寻优的速度和效果，从而提高神经网络的预测精度。为解决上述技术问题，本专利技术所采取的技术方案是：一种电缆接头局部放电超声波序列预测方法，通过超声波传感器对高压开关柜电缆仓中的电缆接头处进行超声波在线监测，以检测电缆接头处因局部放电产生的超声波信号，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：a.建立LSTM神经网络算法构架，以所采集的超声波序列作为LSTM神经网络算法公式的输入变量，从而确定针对局部放电超声波序列预测方法的LSTM神经网络算法构架，则：yn+1＝f(x1,x2,…,xn)式中，x1,x2,…,xn为输入超声波序列，yn+1为超声波序列预测值；b.对LSTM神经网络算法构架中的超参数进行优化，超参数包括输入时间窗口长度L、隐含层数目Nh、隐含层维数Dh、学习率Rl和批次尺寸S，选择Nh＝2；最大迭代次数Emax定为1000，L、Dh、S均为正整数，预测模型L范围[5，20]、Dh范围[10，80]，S范围[1，60]，Rl范围[0.001，0.002，0.005，0.008，0.01，0.02，0.05]；选择L、Dh、S、Rl四个超参数构成四维搜索空间，任意一个即为超参数寻优的一个解，称为一个粒子；待优化超参数的约束可表示如下：式中，L为输入时间窗口长度，Dh为隐含层维数，Rl为学习率，S为批次尺寸；c.确定LSTM神经网络算法中的目标函数，基于下述的LSTM神经网络预测框架，以局部放电超声波预测数据的均方根误差eRMSE为寻优的目标函数，表达公式为：式中，yi和分别表示油中溶解气体浓度的真实值以及预测值；n表示预测验证数据个数；i表示预测点序列编号；d.预测模型及超参数优化的LSTM神经网络架构：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)式中，xt为当前超声波输入数据；ht-1为前一时刻的隐含层状态；ft、it、ot分别为t时刻遗忘门、输入门、输出门的状态值；Wf、Wi、Wo分别为遗忘门、输入门、输出门的权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门的偏置项；LSTM神经网络最终的输出由输出门状态值ot和单元状态ct共同确定：it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)式中，Wc、bc分别为输入单元状态的权重矩阵和偏置项；ct、ht分别表示单元的候选状态、当前单元状态与和隐含层状态；tanh层是双曲正切激活函数，可将变量映射到[–1，1]；表示表示按元素相乘；利用LSTM神经网络预测模型的表达式如下:yn+1＝f(x1,x2,…,xn)式中，x1,x2,…,xn为输入状态量，yn+1为输出量；e.待优化超参数解空间的粒子群划分，采用自适应PSO双层优化求解超参数；设LSTM预测神经网络超参数的解空间中，h个解向量构成的一个种群对每一个超参数给定两个变量，局部密度ρi和其到更高局部密度粒子间距离粒子计算如下：式中，dij为两个解之间的欧式距离，dc为截断距离，其大小取所有解向量欧式距离排序后的前1％～2％；对于局部密度ρi最大的样本，其中根据计算结果，选择ρ和δ都较大的粒子作为聚类中心；对于其他粒子将其归入密度比大且距离最近的样本所在的子群；超参数的寻优过程，基于上述LSTM神经网络预测模型架构，依据对LSTM神经网络超参数寻优解空间子群划分结果，根据适应度函数，即目标函数的大小将子群中的粒子划分为普通粒子与局部最优粒子；最优粒子为使目标函数最小的解，其余均为普通粒子；普通粒子在子群中的最优粒子的指引下扩展局部搜索能力，更新公式如下：式中，w为惯性权重；c1、c2表示加速度常数，调节学习最大步长；rand1、rand2两个随机参数，取值范围[0,1]；pc,d为第c个子群中的最优粒子；对于局部最优粒子，其更新方法是综合超参数寻优解空间各子集的信息，以加强子群间的信息交互；同时，顶层的最优粒子也来指导底层各子群局部最优粒子，使得底层的每个子群向全局最优解移，更新公式如下：式中，c3表示加速度常数，调节学习最大步长；rand3两个随机参数，取值范围[0,1]；pc,d为第c个子群中的最优粒子，为顶层的最优粒子；当达到最大迭代次数或者误差满足设置要求时，停止迭代，得到最优超参数，带入LSTM神经网络预测模型进行超声波序列的预测；f.对电缆接头的局部放电超声波序列进行预测：将所采集的输入时间窗口长度L内的超声波序列按采集时间顺序依次输入LSTM神经网络算法构架，根据步骤b所确定的待优化超参数，运用步骤e的自适应粒子群双层优化算法，在步骤c和步骤d所对应的LSTM神经网络预测模型的目标函数和框架下进行超参数优化训练；寻优使目标函数满足所预定的误差范围的超参数，带入步骤a中的LSTM神经网络预测模型中，从而预测出下一个超声波信号数据。本专利技术进一步改进在于：在超参数寻优过程中，预定的所述目标函数的误差范围为：eRMSE≤0.8。采用上述技术方案所产生的有益效果在于：本文档来自技高网...

【技术保护点】
1.一种电缆接头局部放电超声波序列预测方法，通过超声波传感器对高压开关柜电缆仓中的电缆接头处进行超声波在线监测，以检测电缆接头处因局部放电产生的超声波信号，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；其特征在于：所述方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：/na.建立LSTM神经网络算法构架，以所采集的超声波序列作为LSTM神经网络算法公式的输入变量，从而确定针对局部放电超声波序列预测方法的LSTM神经网络算法构架，则：/ny

【技术特征摘要】
1.一种电缆接头局部放电超声波序列预测方法，通过超声波传感器对高压开关柜电缆仓中的电缆接头处进行超声波在线监测，以检测电缆接头处因局部放电产生的超声波信号，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；其特征在于：所述方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：
a.建立LSTM神经网络算法构架，以所采集的超声波序列作为LSTM神经网络算法公式的输入变量，从而确定针对局部放电超声波序列预测方法的LSTM神经网络算法构架，则：
yn+1＝f(x1,x2,…,xn)
式中，x1,x2,…,xn为输入超声波序列，yn+1为超声波序列预测值；
b.对LSTM神经网络算法构架中的超参数进行优化，所述超参数包括输入时间窗口长度L、隐含层数目Nh、隐含层维数Dh、学习率Rl和批次尺寸S，选择Nh＝2；最大迭代次数Emax定为1000，L、Dh、S均为正整数，预测模型L范围[5，20]、Dh范围[10，80]，S范围[1，60]，Rl范围[0.001，0.002，0.005，0.008，0.01，0.02，0.05]；
选择L、Dh、S、Rl四个超参数构成四维搜索空间，任意一个即为超参数寻优的一个解，称为一个粒子；
待优化超参数的约束可表示如下：



式中，L为输入时间窗口长度，Dh为隐含层维数，Rl为学习率，S为批次尺寸；
c.确定LSTM神经网络算法中的目标函数，基于下述的LSTM神经网络预测框架，以局部放电超声波预测数据的均方根误差eRMSE为寻优的目标函数，表达公式为：



式中，yi和分别表示油中溶解气体浓度的真实值以及预测值；n表示预测验证数据个数；i表示预测点序列编号；
d.预测模型及超参数优化的LSTM神经网络架构：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
式中，xt为当前超声波输入数据；ht-1为前一时刻的隐含层状态；ft、it、ot分别为t时刻遗忘门、输入门、输出门的状态值；Wf、Wi、Wo分别为遗忘门、输入门、输出门的权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门的偏置项；
LSTM神经网络最终的输出由输出门状态值ot和单元状态ct共同确定：
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
式中，Wc、bc分别为输入单元状态的权重矩阵和偏置项；ct、ht分别表示单元的候选状态、当前单元状态与和隐含层状态；tanh层是双曲正切激活函数，可将变量映射到[–1，1]；表示表示按元素相乘；...

【专利技术属性】
技术研发人员：侯俊国，王亚丽，屈耕书，张腾腾，尚成，赵洪山，孟航，
申请(专利权)人：国网山西省电力公司晋城供电公司，
类型：发明
国别省市：山西;14