[發明專利]結合證據折扣的深度超級學習機的局部放電模式識別方法

在審

• 申請號: 202011057921.3
• 申請日: 2020-09-30
• 公開（公告）號: CN112183387A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 蔣偉;張金水;王宇航;薛乃凡;許佳輝
• 申請（專利權）人: 上海電力大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N20/00;G01R31/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 孫永申

1.一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，包括以下步驟：

步驟1：信號采集：通過傳感器收集局部放電信號；

步驟2：數據預處理：針對局部放電信號進行去噪處理；

步驟3：利用深度超級學習機針對經過數據預處理的局部放電信號進行初步診斷，并構造出對應的證據體BPA；

步驟4：對證據體BPA進行證據折扣操作；

步驟5：構建新特征：將經過證據折扣操作的證據體BPA添加至原始經過數據預處理的局部放電信號中，形成新的特征向量輸入至深度超級學習機進行下一次迭代；

步驟6：循環步驟3至步驟5直至深度超級學習機的損失函數不再減小，即得到最終的深度超級學習機輸出的模式識別結果。

2.根據權利要求1所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述的步驟3中的深度超級學習機采用集成多種機器學習算法的學習機。

3.根據權利要求2所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述的多種機器學習算法包括邏輯回歸算法、K最鄰近算法、隨機森林算法、極度隨機數算法以及XGBoost算法。

4.根據權利要求1所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述的步驟3包括以下分步驟：

步驟301：將經過數據預處理的局部放電信號分成K個大小相等的數據集；

步驟302：建立識別框架Θ；

步驟303：采用K-Fold交叉驗證方法對深度超級學習機中集成的每個深度學習算法進行訓練，構造出識別框架下的基本概率分配，即證據體BPA。

5.根據權利要求4所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述步驟302中的識別框架Θ，其具體包括：F₁氣隙放電、F₂自由顆粒放電、F₃電暈放電、F₄懸浮電極放電以及F₅沿面放電。

6.根據權利要求4所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述步驟303中的證據體BPA，其描述公式為：

式中，i為集成的機器學習算法，j為局部放電的類型，m_i(j)為第i個證據體對j類局部放電的基本概率，o_i(j)為第i個機器學習算法的第j個輸出，δ_i為各個機器學習算法的正確率，m_i(Θ)為證據體i的不確定性。

7.根據權利要求1所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述的步驟4包括以下分步驟：

步驟401：針對證據體BPA進行分類，具體分類類別包括可信證據、不沖突證據和沖突證據；

步驟402：基于分類的證據體BPA，判斷證據間是否存在隱藏沖突，根據是否存在隱藏沖突采用不同的證據折扣方法并進一步得到對應不同的折扣因子；

步驟403：基于折扣因子計算折扣后的證據。

8.根據權利要求7所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述的步驟402具體包括：基于分類的證據體BPA，判斷證據間是否存在隱藏沖突，若證據間不存在隱藏沖突，對可信證據和不沖突證據，折扣因子取1，對沖突證據，折扣因子根據沖突程度確定；否則采用基于主元的證據折扣方法，根據步驟3構造的多個證據體BPA得到證據主元以及折扣因子。

9.根據權利要求7所述的一種結合證據折扣的深度超級學習機的局部放電模式識別方法，其特征在于，所述步驟403中折扣后的證據，其描述公式為：

式中，m_α(A)為折扣后的證據A的BPA，α為折扣因子，m(A)為證據A的BPA，m_α(Θ)為折扣后的證據體的不確定性。