基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统技术方案

一种基于小波阈值去噪的Yogi

【技术实现步骤摘要】
基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法与诊断系统


[0001]本专利技术属于电力设备绝缘状态评估
，具体涉及一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法与诊断系统。

技术介绍

[0002]在电力电网中，电缆是供电设备与电力设备之间的桥梁，起着传输电能的作用。应用广泛，故障因此经常发生故障。电力电缆由于工厂加工工艺、现场制作工艺以及运行环境腐蚀等原因，导致了绝缘层中存在缺陷，这些缺陷使电缆线芯周围原本均匀的电场产生畸变，从而激发局部放电，最终发展为电缆击穿故障，造成严重后果，因此如何在绝缘开始劣化或电缆出现故障后，高效与准确地找到绝缘缺陷点与消除故障是本领域的难题。
[0003]局部放电是一种电极间导电介质外部未横贯的重复穿透与点燃的放电过程，不过由于局部放电末期，放电量非常大，实际上绝不会冲击电缆线路的稳定运行与工作，此时导电电阻，介质损耗，泄露电流等均绝不会爆发甚小的变化。透过对于行驶之中电缆局部放电信号的检测，可构建对于电力电缆绝缘状态的精确评估值，因而得悉电缆导电的运行参数以及状态，立即除去缺陷，防止故障的发生，大幅度减少损失。根据电缆发生局部放电的位置和机理的不同，我们可以将放电类型划分为内部放电(气隙放电)、沿面放电、电弧放电和电晕放电。
[0004]近年来，深度神经网络(deep neural networks，DNN)在机器视觉、语音识别和和故障识别诊断等很多领域取得了诸多的研究成果。同时，计算性能的提升和算法的优化也为DNN创造了良好的条件，基于人工智能的故障诊断方法以其对电力设备运行状态类型较高的分类准确率，成为了学界热门的研究方向。由于梯度消失和梯度爆炸问题，RNNS无法捕获大范围的序列依赖关系。为了解决该问题，LSTM应运而生，其引入门控机制，通过有选择性地保留之前的信息，可以从输入序列中检测到重要特征，并在长时间内保留该特征信息，从而捕获潜在的大范围序列依赖关系。由于LSTM和乘法RNN(multiplicative RNN，mRNN)结构存在互补性，Ben等提出乘法LSTM(multiplicative LSTM，mLSTM)，该模型结合了mRNN中隐状态的元素级更新控制与LSTM门限框架的特点。mLSTM结构在mRNN的隐状态与LSTM中的每个门限单元之间添加连接，目标是将mRNN上一时刻的隐状态输出用作这一时刻输入的权值以更新隐状态，并与LSTM的大时滞和信息流控制相结合。这样，LSTM的门限单元可以更容易地控制大范围的暂态依赖关系。

技术实现思路

[0005]目前针对电缆局放缺陷的识别并没有完善的技术手段，同时现场数据的采集也存在较大困难。而且现有的电缆局放识别方法准确率低、工作量大以及系统不完备，鉴于此本专利技术提供了一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法与诊断系统。
[0006]本专利技术首先利用小波阈值法对电缆局放信号进行去噪处理，然后提取特征值作为
样本数据，将样本数据拆分为训练数据和测试数据，接着将训练数据传入经Yogi算法优化的mLSTM模型进行训练，由此提出了一种全新的网络模型方法，即一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法。为电缆的故障诊断提供了一个可行且可靠的方法，同时本专利技术还提出了一种相应的电缆局放诊断系统，有力地保障了电缆运行的安全稳定。
[0007]本专利技术利用小波阈值法对电缆局放信号进行去噪，尽可能得到电缆的局放真实数据，然后提取主要特征值作为样本数据，传入mLSTM网络模型进行训练，从而得到诊断结果，此方法有效避免了现场作业带来的风险及人为的误判率，节省了大量人力，而且引入Yogi优化算法加快了识别速度，提高了识别的准确率。同时本专利技术提出的诊断系统，不仅保障了电缆的安全运行，也保证了电缆局放缺陷诊断与识别的规范化和稳定性。
[0008]为达到上述目的，本专利技术采用以下技术方案：
[0009]建立一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法，主要步骤如下：
[0010]步骤(1)：采集并获取电缆局放缺陷信号；
[0011]步骤(2)：利用小波阈值法对局放信号进行去噪处理，得到电缆局放原始数据；
[0012]步骤(3)：将电缆局放原始数据进行归一化处理，然后提取主要特征值作为样本数据，并将其拆分为训练样本和测试样本；
[0013]步骤(4)：搭建Yogi
‑
mLSTM网络模型；
[0014]步骤(5)：将训练数据传入Yogi
‑
mLSTM网络模型进行训练，同时确定中止条件(迭代次数)；
[0015]步骤(6)：判断模型训练是否满足中止条件，若满足，若满足，则将测试样本输入训练好的诊断模型，得到模型预测准确率；若不满足，则继续对模型进行训练。
[0016]步骤(7)：将待识别数据传入训练后的Yogi
‑
mLSTM网络模型，完成当前电缆局放缺陷类型识别。
[0017]本专利技术上述技术方案中，本专利技术提出了一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法。因为本专利技术所述技术方案针对的对象电缆，其运行环境复杂多变，采集的局放缺陷信号中必然掺杂着多种噪声，而且现场采集后立刻进行诊断识别，将产生大量的人力成本和时间成本，而且也存在着各种安全隐患。故本专利技术采用人工智能领域中的神经网络学习算法解决上述困难，首先将采集的局放缺陷信号利用小波阈值法去噪，然后经过归一化处理和提取特征后传入本专利技术提出的Yogi
‑
mLSTM网络模型进行训练，最后得出识别结果。
[0018]进一步的，所述步骤(1)中电缆局放缺陷信号，随着电缆的持续投入使用，电缆局放缺陷信号将随时间逐渐增加，而且会通过服务器更新并写入历史数据，丰富的样本数据可以大大提高局放缺陷识别的准确率；
[0019]进一步的，所述步骤(2)中包含以下步骤：
[0020]步骤(2.1)：对电缆局放缺陷信号进行小波阈值去噪处理。小波阈值去噪的实质为抑制信号中无用部分、增强有用部分的过程。小波阈值去噪过程为：(1)小波分解，即选定一种小波对信号进行n层小波分解；(2)阈值处理，即对分解的各层系数进行阈值处理，获得估计小波系数；(3)小波重构，据去噪后的小波系数进行小波重构，获得去噪后的信号。
[0021]步骤(2.2)：检查原始数据的完整性，如果数据有缺失，则直线插值法进行填充。
[0022]进一步的，所述步骤(3)中包含以下步骤：
[0023]步骤(3.1)：对原始数据进行归一化处理以加快训练速度，归一化公式为：
[0024][0025]其中x
i
为样本数据，y
i
为归一化后结果。
[0026]步骤(3.2)：将归一化后的数据进行特征值提取，特征值包括步骤(3.2)：将归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法，其特征在于，包括：步骤1：获取电缆局放信号；步骤2：利用小波阈值法对所述局放信号进行去噪处理，得到电缆局放原始数据；步骤3：对所述电缆局放原始数据进行归一化处理，提取局放特征值作为样本数据，并分为训练样本和测试样本；步骤4：搭建Yogi
‑
mLSTM网络模型；步骤5：将训练样本传入所述Yogi
‑
mLSTM网络模型进行训练，同时确定中止条件，即迭代次数；步骤6：判断模型训练是否满足中止条件，若满足，则将测试样本输入训练好的诊断模型，得到模型预测准确率；若不满足，则继续对模型进行训练。步骤7：将待识别数据传入训练好的Yogi
‑
mLSTM网络模型，完成当前电缆局放缺陷类型识别。2.根据权利要求1所述的基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法，其特征在于，所述步骤2小波阈值去噪，具体步骤如下：步骤2.1小波分解：选定一种小波对所述局放信号进行n层小波分解；步骤2.2阈值处理：对分解的各层系数进行阈值处理，获得估计小波系数；步骤2.3小波重构：对估计小波系数进行小波重构，获得去噪后的信号，即电缆局放原始数据。3.根据权利要求1所述的基于小波阈值去噪的Yogi
‑
mLSTM电缆局放识别方法，其特征在于，所述步骤3具体步骤如下：步骤3.1归一化处理，公式如下：其中x
i
为样本数据，y
i
为归一化后结果；步骤3.2将归一化后的数据进行特征值提取，特征值包括步骤3.2将归一化后的数据进行特征值提取，特征值包括Q
m
、CC
m
、Q
a
、CC
a
、Q
n
和CC
n
，各含义依次为：最大放电量分布正半周偏斜度，最大放电量分布负半周偏斜...

【专利技术属性】
技术研发人员：董芝春，陈旗展，周慧彬，冯宝，胡筱曼，曾宏毅，吴奕泓，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：