[發明專利]一種高壓電纜局部放電模式識別方法、計算機設備和存儲介質

在審

• 申請號: 202010533535.0
• 申請日: 2020-06-12
• 公開（公告）號: CN111814834A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 吳毅江;王干軍;畢竟;陳岸;戴澤雄
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司中山供電局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01R31/12;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種高壓電纜局部放電模式識別方法，其特征在于，包括以下步驟：

S1：通過實驗室數據獲取訓練數據，將其劃分為訓練集和測試集，并采集現場的待識別數據；

S2：將所述訓練集分別輸入多種分類器中進行訓練，其次將所述測試集分別輸入所述完成訓練的分類器中進行測試，再將所述現場采集的待識別數據輸入完成訓練后的所述多種分類器中，得到初步識別結果；

S3：將所述初步識別結果作為輸入數據，采用以支持向量機為及分類器的Bagging集成學習方法構建局部放電模式識別模型，然后將所述輸入數據輸入所述局部放電模式識別模型中進行測試，得到完成測試的局部放電模式識別模型；

S4：將所述現場采集的待識別數據輸入所述完成測試的局部放電模式識別模型中，輸出得到高壓電纜局部放電集成模式識別結果。

2.根據權利要求1所述的高壓電纜局部放電模式識別方法，其特征在于：所述S2步驟中，所述分類器包括決策樹分類器、隨機森林分類器、梯度提升決策樹分類器。

3.根據權利要求2所述的高壓電纜局部放電模式識別方法，其特征在于：所述S2步驟中，將所述訓練集數據輸入決策樹分類器中進行訓練的步驟包括：所述決策樹分類器對所述訓練集數據進行特征選取，構建基于決策樹分類器的電纜局部放電模式識別模型。

4.根據權利要求2所述的高壓電纜局部放電模式識別方法，其特征在于：所述S2步驟中，將所述訓練集數據輸入隨機森林分類器中訓練的步驟包括：所述隨機森林分類器先選取不同節點分裂規則，選取特征個數，選取不同決策樹的棵數，然后將所述訓練集數據輸入隨機森林分類器中，從所述訓練集數據中取樣形成一個子訓練集，將所述子訓練集的數據用于訓練決策樹；重復上述步驟完成構建基于隨機森林分類器的電纜局部放電模式識別模型。

5.根據權利要求2所述的高壓電纜局部放電模式識別方法，其特征在于：所述S2步驟中，將所述訓練集數據輸入梯度提升決策樹分類器中進行訓練的步驟包括：將所述訓練集數據輸入梯度提升決策樹分類器中，所述梯度提升決策樹分類器計算所述訓練集數據的數據殘差，決定其下降方向，構建基于梯度提升決策樹分類器的電纜局部放電模式識別模型。

6.根據權利要求2～5任一項所述的高壓電纜局部放電模式識別方法，其特征在于：所述S3步驟中，采用以支持向量機為及分類器的Bagging集成學習方法構建局部放電模式識別模型的具體步驟包括：

S3.1：設定支持向量機分類器和所述輸入數據，設置其訓練總數為M，設置其訓練輪數為m＝0；

S3.2：從所述輸入數據中取樣，對選取的樣本隨機選擇特征屬性，形成n個子訓練集；

S3.3：對應所述n個子訓練集，分別訓練n個支持向量機分類器，即每輪訓練完成后得到一個識別模型；

S3.4：判斷所述訓練輪數m是否小于所述訓練總數M，若是，則設置訓練輪數m＝m+1，然后跳轉執行S3.2步驟；若否，則執行S3.5步驟；

S3.5：從所述完成訓練的M個支持向量機分類器中選取一個支持向量機分類器作為基分類器構建Bagging集成局部放電模式識別模型，將所述輸入數據再次輸入所述局部放電模式識別模型中進行測試，得到完成測試的局部放電模式識別模型。

7.根據權利要求6所述的高壓電纜局部放電模式識別方法，其特征在于：所述S3.2步驟中，采用自助法重采樣技術動態并重復地從所述輸入數據中取樣。

8.根據權利要求6所述的高壓電纜局部放電模式識別方法，其特征在于：所述S3.5步驟中，采用多數投票規則選取一個支持向量機分類器作為基分類器構建Bagging集成局部放電模式識別模型。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任一項所述的方法的步驟。