[發明專利]一種電纜接頭局部放電超聲波序列預測方法

在審

• 申請號: 202110036166.9
• 申請日: 2021-01-12
• 公開（公告）號: CN112881869A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 侯俊國;王亞麗;屈耕書;張騰騰;尚成;趙洪山;孟航
• 申請（專利權）人: 國網山西省電力公司晉城供電公司
• 主分類號: G01R31/12
• 分類號: G01R31/12;G06N3/063;G06N3/08;G06F17/15;G06F17/16
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 李興林

1.一種電纜接頭局部放電超聲波序列預測方法，通過超聲波傳感器對高壓開關柜電纜倉中的電纜接頭處進行超聲波在線監測，以檢測電纜接頭處因局部放電產生的超聲波信號，以按一定周期所采集的超聲波傳感器所檢測的超聲波信號數據形成超聲波序列；其特征在于：所述方法基于LSTM神經網絡算法對電纜接頭局部放電引起的超聲波序列進行預測，包括如下步驟：

a.建立LSTM神經網絡算法構架，以所采集的超聲波序列作為LSTM神經網絡算法公式的輸入變量，從而確定針對局部放電超聲波序列預測方法的LSTM神經網絡算法構架，則：

y_n+1＝f(x₁,x₂,…,x_n)

式中，x₁,x₂,…,x_n為輸入超聲波序列，y_n+1為超聲波序列預測值；

b.對LSTM神經網絡算法構架中的超參數進行優化，所述超參數包括輸入時間窗口長度L、隱含層數目N_h、隱含層維數D_h、學習率R_l和批次尺寸S，選擇N_h＝2；最大迭代次數E_max定為1000，L、D_h、S均為正整數，預測模型L范圍[5，20]、D_h范圍[10，80]，S范圍[1，60]，R_l范圍[0.001，0.002，0.005，0.008，0.01，0.02，0.05]；

選擇L、D_h、S、R_l四個超參數構成四維搜索空間，任意一個即為超參數尋優的一個解，稱為一個粒子；

待優化超參數的約束可表示如下：

式中，L為輸入時間窗口長度，D_h為隱含層維數，R_l為學習率，S為批次尺寸；

c.確定LSTM神經網絡算法中的目標函數，基于下述的LSTM神經網絡預測框架，以局部放電超聲波預測數據的均方根誤差e_RMSE為尋優的目標函數，表達公式為：

式中，y_i和分別表示油中溶解氣體濃度的真實值以及預測值；n表示預測驗證數據個數；i表示預測點序列編號；

d.預測模型及超參數優化的LSTM神經網絡架構：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

式中，x_t為當前超聲波輸入數據；h_t-1為前一時刻的隱含層狀態；f_t、i_t、o_t分別為t時刻遺忘門、輸入門、輸出門的狀態值；W_f、W_i、W_o分別為遺忘門、輸入門、輸出門的權重矩陣；b_f、b_i、b_o分別為遺忘門、輸入門、輸出門的偏置項；

LSTM神經網絡最終的輸出由輸出門狀態值o_t和單元狀態c_t共同確定：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

式中，W_c、b_c分別為輸入單元狀態的權重矩陣和偏置項；c_t、h_t分別表示單元的候選狀態、當前單元狀態與和隱含層狀態；tanh層是雙曲正切激活函數，可將變量映射到[–1，1]；表示表示按元素相乘；

利用LSTM神經網絡預測模型的表達式如下:

y_n+1＝f(x₁,x₂,…,x_n)

式中，x₁,x₂,…,x_n為輸入狀態量，y_n+1為輸出量；

e.待優化超參數解空間的粒子群劃分，采用自適應PSO雙層優化求解超參數；設LSTM預測神經網絡超參數的解空間中，h個解向量構成的一個種群對每一個超參數給定兩個變量，局部密度ρ_i和其到更高局部密度粒子間距離粒子計算如下：

式中，d_ij為兩個解之間的歐式距離，d_c為截斷距離，其大小取所有解向量歐式距離排序后的前1％～2％；

對于局部密度ρ_i最大的樣本，其中

根據計算結果，選擇ρ和δ都較大的粒子作為聚類中心；對于其他粒子將其歸入密度比大且距離最近的樣本所在的子群；

超參數的尋優過程，基于上述LSTM神經網絡預測模型架構，依據對LSTM神經網絡超參數尋優解空間子群劃分結果，根據適應度函數，即目標函數的大小將子群中的粒子劃分為普通粒子與局部最優粒子；所述最優粒子為使目標函數最小的解，其余均為普通粒子；普通粒子在子群中的最優粒子的指引下擴展局部搜索能力，更新公式如下：

式中，w為慣性權重；c₁、c₂表示加速度常數，調節學習最大步長；rand₁、rand₂兩個隨機參數，取值范圍[0,1]；p_c,d為第c個子群中的最優粒子；

對于局部最優粒子，其更新方法是綜合超參數尋優解空間各子集的信息，以加強子群間的信息交互；同時，頂層的最優粒子也來指導底層各子群局部最優粒子，使得底層的每個子群向全局最優解移，更新公式如下：

式中，c₃表示加速度常數，調節學習最大步長；rand₃兩個隨機參數，取值范圍[0,1]；p_c,d為第c個子群中的最優粒子，為頂層的最優粒子；

當達到最大迭代次數或者誤差滿足設置要求時，停止迭代，得到最優超參數，帶入LSTM神經網絡預測模型進行超聲波序列的預測；

f.對電纜接頭的局部放電超聲波序列進行預測：

將所采集的輸入時間窗口長度L內的超聲波序列按采集時間順序依次輸入LSTM神經網絡算法構架，根據步驟b所確定的待優化超參數，運用步驟e的自適應粒子群雙層優化算法，在步驟c和步驟d所對應的LSTM神經網絡預測模型的目標函數和框架下進行超參數優化訓練；尋優使目標函數滿足所預定的誤差范圍的超參數，帶入步驟a中的LSTM神經網絡預測模型中，從而預測出下一個超聲波信號數據。

2.根據權利要求1所述的一種電纜接頭局部放電超聲波序列預測方法，其特征在于：在超參數尋優過程中，預定的所述目標函數的誤差范圍為：e_RMSE≤0.8。