[發明專利]基于螢火蟲算法和CNN的高壓電纜局部放電模式識別方法

在審

• 申請號: 202011057846.0
• 申請日: 2020-09-30
• 公開（公告）號: CN112183737A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 吳毅江;王干軍;林洪棟
• 申請（專利權）人: 廣東電網有限責任公司中山供電局
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06N3/04;G01R31/12
• 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.基于螢火蟲算法和CNN的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：獲取不同電纜絕緣缺陷類型的局部放電數據，并對局部放電數據進行處理，得到局部放電特征數據；

S2：建立卷積神經網絡模型，并將局部放電特征數據輸入卷積神經網絡模型，根據螢火蟲算法對卷積神經網絡模型進行優化，得到優化后的卷積神經網絡模型；

S3：通過優化后的卷積神經網絡模型實現對高壓電纜局部放電模式的識別。

2.根據權利要求1所述的基于螢火蟲算法和CNN的高壓電纜局部放電模式識別方法，其特征在于，在步驟S1中，對局部放電數據進行處理的步驟包括：

S1.1：對局部放電數據進行去噪與局部放電脈沖分離處理，得到分離后的數據；

S1.2：對分離后的數據進行局部放電單個脈沖的特征構造與提取處理，得到局部放電特征數據。

3.根據權利要求1所述的基于螢火蟲算法和CNN的高壓電纜局部放電模式識別方法，其特征在于，在步驟S1中，得到局部放電特征數據之后，還包括將局部放電特征數據劃分為訓練樣本集和測試樣本集。

4.根據權利要求3所述的基于螢火蟲算法和CNN的高壓電纜局部放電模式識別方法，其特征在于，步驟S2具體為：

S2.1：建立卷積神經網絡模型，并初始化卷積神經網絡模型參數；

S2.2：設置螢火蟲算法的目標函數，根據卷積神經網絡模型參數隨機在n維搜索空間產生m只螢火蟲從而構成螢火蟲種群x＝[x₁，x₂，...，x_m]^T，這里第i只螢火蟲的初始位置為x_i＝[x_i，1，x_i，2，...，x_i，n]^T、第i只螢火蟲的初始速度為v_i＝[v_i，1，v_i，2，...，v_i，n]^T，則得到螢火蟲的初始個體最優位置和螢火蟲種群的初始群體最優位置；其中，x₁，x₂，...，x_m分別為螢火蟲種群中每只螢火蟲的初始位置；x_i，1，x_i，2，...，x_i，n分別為第i只螢火蟲在第n維搜索空間的初始位置；v_i，1，v_i，2，...，v_i，n分別為第i只螢火蟲在第n維搜索空間的初始速度；

S2.3：將訓練樣本集輸入卷積神經網絡模型，得到實際輸出，并計算實際輸出與預設的期望輸出之間的誤差絕對值之和，將誤差絕對值之和作為每只螢火蟲的適應度值；

S2.4：根據螢火蟲的適應度值確定螢火蟲的個體最優位置與群體最優位置；

S2.5：根據螢火蟲的個體最優位置與群體最優位置更新螢火蟲的速度與位置；

S2.6：根據螢火蟲更新后的位置計算螢火蟲新的適應度值，并重新確定螢火蟲的個體最優位置與群體最優位置，完成一次迭代；

S2.7：判斷是否達到迭代終止條件；

若達到，則得到最優輸出值，最優輸出值即為最優卷積神經網絡模型參數；

否則，返回步驟S2.5進行下一次迭代。

5.根據權利要求4所述的基于螢火蟲算法和CNN的高壓電纜局部放電模式識別方法，其特征在于，步驟S2.4具體為：

S2.4.1：比較每只螢火蟲的適應度值與其個體最優位置的大小；

若螢火蟲的適應度值大于個體最優位置，則用螢火蟲的適應度值更新個體最優位置；

否則，保持個體最優位置不變；

S2.4.2：比較螢火蟲種群中所有螢火蟲的個體最優位置與群體最優位置的大小；

若存在大于群體最優位置的個體最優位置，則用大于群體最優位置的個體最優位置更新群體最優位置；

否則，保持群體最優位置不變。