[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

本發明提出一種高壓電纜局部放電模式識別方法，包括以下步驟：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；將訓練集分別輸入多種分類器中進行訓練，其次將測試集分別輸入完成訓練的分類器中進行測試，再將現場采集的待識別數據輸入完成訓練后的多種分類器中，得到初步識別結果；將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學習方法構建局部放電模式識別模型，然后將輸入數據輸入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；將現場采集的待識別數據輸入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。

技術領域

本發明涉及局部放電識別技術領域，更具體地，涉及一種基于多種分類器相結合的高壓電纜局部放電模式識別方法、計算機設備和存儲介質。

背景技術

由于高壓電纜長期在高電壓大電流中運行，在外力破壞、設備缺陷、水樹入侵等因素作用下，產生的不同類型缺陷都會使高壓電纜產生局部放電，高壓電纜局部放電將引起電纜絕緣內電樹的產生和擴展，加速絕緣劣化并最終導致擊穿，為電力系統的安全運行帶來巨大隱患。因此，為了提前發現因局部放電而產生的安全隱患，避免高壓電纜發生突發事故，需要有效的方法對局放進行識別。

現有的局部放電模式識別方法主要包括人工識別和機器學習算法識別，其中，人工識別方法具有明顯的缺點，費時費力，且效率較低；而機器學習算法識別方法雖然提高了局部放電模式識別效率，但使用單個的分類器進行識別存在泛化能力差、準確率低、模型訓練的過程中容易出現過擬合等問題。如公開號為CN108573225A的專利提出了一種局部放電信號模式識別方法及系統，其采用基于局部放電信號的大數據樣本訓練深度卷積神經網絡模型，然后基于經過訓練的所述深度卷積神經網絡模型確定待識別的局部放電信號的模式。該方法同樣存在泛化能力差的問題。

發明內容

本發明為克服上述現有技術所述的使用單個的分類器進行識別存在泛化能力差的缺陷，提供一種基于多種分類器相結合的高壓電纜局部放電模式識別方法。

為解決上述技術問題，本發明的技術方案如下：

一種高壓電纜局部放電模式識別方法，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：將訓練集分別輸入多種分類器中進行訓練，其次將測試集分別輸入完成訓練的分類器中進行測試，再將現場采集的待識別數據輸入完成訓練后的多種分類器中，得到初步識別結果；

S3：將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，然后將輸入數據輸入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：將現場采集的待識別數據輸入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。

本技術方案中，分別應用訓練集和測試集數據訓練和測試多種分類器，再使用完成訓練的分類器對現場數據進行局部放電模式進行初步識別；其次，將多種分類器分別得到的初步識別結果作為輸入，訓練和測試以支持向量機為基分類器的Bagging集成學習模型，再用于對現場采集的待識別數據進行識別，得到最終輸出的高壓電纜局部放電模式識別結果。本技術方案中使用多種準確而有差異的分類器，其目的在于利用不同分類器之間的互補性能獲得比任何單一分類器都要高的分類識別率，從而提高其泛化能力。

優選地，S2步驟中，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。

優選地，S2步驟中，將訓練集數據輸入決策樹分類器中進行訓練的步驟包括：決策樹分類器對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。