[發明專利]電力電纜典型缺陷局部放電信號識別方法

在審

• 申請號: 201811326013.2
• 申請日: 2018-11-08
• 公開（公告）號: CN109683066A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 趙慶沖;楊震威;鄭元勛
• 申請（專利權）人: 山東康威通信技術股份有限公司
• 主分類號: G01R31/12
• 分類號: G01R31/12;G06N3/00;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李圣梅

1.電力電纜典型缺陷局部放電信號識別方法，其特征是，包括：

采集已知類型的局部放電數據，提取特征參數作為輸入參數，對于每種放電類型特征設定放電類型標簽，存入局部放電類型識別的信息庫；

搭建用于識別放電類型的神經網絡模型，使用蜂群算法對網絡的權值和閾值進行修正并獲得最佳模型參數輸入權值、隱層閾值和輸出權值，并保存最佳模型參數；

基于最佳模型參數，采集待識別的電力電纜局部放電信號，提取放電脈沖特征參數，將待識別的放電特征參數輸入搭建好的神經網絡模型，進行識別獲得放電類型。

2.如權利要求1所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，放電類型包括電樹放電、懸浮放電、氣泡放電及絕緣受潮放電。

3.如權利要求1所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，搭建用于識別放電類型的神經網絡模型時，對于每種放電類型，采集若干放電信號，一部分用來訓練神經網絡，一部分用來測試神經網絡。

4.如權利要求3所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，對于每一種放電類型，分別提取局部放電脈沖均值、局部放電脈沖方差、局部放電脈沖突出度或離散程度、放電脈沖偏斜度即左右不對稱度、放電脈沖輪廓差異的互相關系數以及放電脈沖幅值分布特性的Weibull形狀參數6個特征屬性作為特征量。

5.如權利要求1所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，神經網絡模型采用極端學習機，根據提取的放電特征量特征屬性的個數、放電類型的個數確定極端學習機輸入個數及輸出個數。

6.如權利要求1所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，蜂群算法優化極端學習機的輸入權值及閾值的過程，其計算過程描述如下：

(1)根據輸入節點個數和隱層節點個數確定每一個待優化個體的維數，應為(n+1)×m，其中n為輸入節點個數，m為隱層節點個數；

(2)參數初始化，確定蜂群算法的參數，包括種群規模、最大迭代次數和終止條件；

(3)計算適應度值，計算每一個個體的適應度值，然后對適應度值排序，找出最優個體；

(4)優化算法迭代尋優，通過雇傭蜂和觀望蜂的食物源采集學習過程，更新種群個體位置；如果沒有達到終止條件，返回(3)繼續尋優；否則，找到全局最優個體；

(5)尋優結束，保存最優個體值，即最優的輸入權值和隱層閾值；

(6)將最優權閾值帶入極端學習機中，求得最佳的輸出權值矩陣，將計算得到的輸出權值以及輸入權值和隱層閾值作為最佳模型參數保存。

7.如權利要求1所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，極端學習機經過各層計算得到輸出，利用人工蜂群算法優化極端學習機的權閾值，得到最佳輸入權值和隱層閾值，計算得到輸出權值，保存為最佳模型參數，假如輸入節點個數為n，隱層節點個數為m，則待優化的個體的維數為(n+1)×m，而且待優化個體可以表示成α_i＝[ω₁₁,ω₁₂,…,ω_1n,…,ω_mn,b₁,…,b_m]，α_i為第i個待優化的個體，其中ω_mn為輸入層與隱層的權值，b_i為隱層的閾值，ω_mn∈[-1,1]，b_i∈[0,1]。

8.如權利要求7所述的電力電纜典型缺陷局部放電信號識別方法，其特征是，以極端學習機的輸出值與目標值之間的均方根誤差函數作為適應度函數，如下式所示：

式中g(·)為隱層激活函數，t_j為第j個目標樣本值，m為隱層的節點個數，N_train為訓練樣本的個數，ω_i為輸入層與隱層的權值，b_i為隱層閾值，β_i為隱層與輸出層的權值。