[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

本發明公開了一種電纜接頭局部放電超聲波序列預測方法，屬于電纜系統的終端接頭故障預警技術領域。通過超聲波傳感器對電纜接頭處進行超聲波在線監測，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；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；b.對LSTM神經網絡算法構架中的超參數進行優化；c.確定LSTM神經網絡算法中的目標函數；d.預測模型及超參數優化的LSTM神經網絡架構；e.待優化超參數解空間的粒子群劃分；f.對電纜接頭的局部放電超聲波序列進行預測。它可以提高神經網絡的預測精度。

技術領域

本發明涉及屬于電纜系統的終端接頭故障預警技術領域。

背景技術

近年來，隨著計算機技術和電力電子技術的飛速發展，依靠各類傳感器的電力設備在線監測技術得到廣泛應用，用于監測電力設備運行狀態和健康狀況，如開關柜電纜接頭及電力設備的局部放電監測傳感器。基于各類傳感器監測得到的特征參量可以分析電力設備當前的運行狀態和健康水平；此外，利用在線監測數據，還可以通過預測監測的特征量的趨勢來判斷未來健康狀態。

長短期記憶(LSTM)神經網絡具有深度學習的能力，作為循環神經網絡(RNN)變體模型，LSTM神經網絡通過在結構設計中引入記憶模塊，有效規避了普通RNN在訓練過程中存在的梯度消失與梯度爆炸等問題，目前已被廣泛應用于語音識別、時間序列預測等眾多領域。神經網絡超參數是指在機器學習模型開始學習過程之前人為設置的參數；在時間序列的預測中，對網絡的訓練和預測精度起著至關重要的作用。

目前超參數尋優過程采用網格搜索暴力窮舉，耗時長且浪費計算資源；采用隨機搜索得到的尋優結果無法保證；貝葉斯優化在尋優過程，某些時候會由于假設的先驗模型的原因導致預測效果不佳。深度學習模型中，超參數的選擇對神經網絡預測的效果有較大的影響。目前的神經網絡超參數尋優方法存在的不足，針對深度學習模型，重復的實驗不僅效率低而且耗費時間。

發明內容

本發明要解決的技術問題是提供一種電纜接頭局部放電超聲波序列預測方法，它可以提高超參數尋優的速度和效果，從而提高神經網絡的預測精度。

為解決上述技術問題，本發明所采取的技術方案是：

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；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，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]；