CN103675616B - 电缆在线局部放电检测信号识别方法 - Google Patents

Abstract

本发明提供一种电缆在线局部放电检测信号识别方法，包括如下步骤：获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；运用小波包对所述样本库中的各个局部放电时域波形进行去噪；构建预设层数的自适应小波神经网络模型；根据所述去噪后的各个局部放电时域波形，使用PSO算法对构建的自适应小波神经网络模型进行一次训练，再使用BP算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络；接收待识别来源的局部放电信号，输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源。本发明的方法识别速度快、识别精度高。

Description

电缆在线局部放电检测信号识别方法

技术领域

本发明涉及电缆在线监测技术领域，特别是涉及一种电缆在线局部放电检测信号识别方法。

背景技术

电缆局部放电(Partial Discharge，PD)在线检测中，各高压设备均处于带电运行状态，对电缆局部放电信号的检测造成很大干扰，检测到的放电脉冲可能来自电缆本体、电缆终端头、也可能来自与其连接的其他设备(如开关柜等)。由于不同来源的局部放电信号，对设备的危害不同，其判断标准也有所不同，所以对PD信号的识别就显得尤为重要。

人工神经网络是由大量的功能和形式比较简单的神经元互相连接而构成的复杂网络系统，网络可以看作是从输入到输出的一个非线性映射。其作为一种成功的模式识别技术已在很多智能领域得到运用。自适应小波神经网络在理论上将小波变换与神经网络进行了有机的结合，神经网络的隐含层传递函数由传统的Sigmoid函数变为小波函数，小波的尺度因子与平移因子在神经网络的训练过程中自适应的调整，能够最大限度的对待分类信号进行特征提取。自适应小波神经网络特征提取能力强，但限于其复杂的网络结构，其收敛速度并不理想。而电缆的局部放电信号由于其数据复杂且庞大，传统的识别方法精度低、速度慢。

发明内容

基于此，本发明提供一种电缆在线局部放电检测信号识别方法，该方法识别速度快、识别精度高。

一种电缆在线局部放电检测信号识别方法，包括如下步骤：

获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；

运用小波包对所述样本库中的各个局部放电时域波形进行去噪；

构建预设层数的自适应小波神经网络模型；

根据所述去噪后的各个局部放电时域波形，使用PSO(Particle SwarmOptimization，粒子群优化算法)算法对构建的自适应小波神经网络模型进行一次训练，再使用BP(Back Propagation，网络模型)算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络；

接收待识别来源的局部放电信号，输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源。

上述电缆在线局部放电检测信号识别方法，既利用了自适应小波神经网络对时域信号特征提取能力强的特点，又将粒子群算法PSO与BP算法相结合进行两次训练，克服自适应小波神经网络收敛速度慢的缺点，训练得到的小波神经网络精度高、速度快，输入待识别的局部放电信号后能快速检测出其来源，具有检测步骤简单、检测速度快及检测精度高的特点。

附图说明

图1为本发明电缆在线局部放电检测信号识别方法在一实施例中的流程示意图。

图2为各种局部放电时域波形示意图。

图3为建立的4层自适应小波神经网络示意图。

图4为Molet小波的时域波形示意图。

图5为运用小波包对一样本时域波形去噪的效果示意图。

图6为自适应小波神经网络训练过程误差曲线示意图。

图7为其他常用小波函数的示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

如图1所示，是本发明一种电缆在线局部放电检测信号识别方法的流程示意图，包括如下步骤：

S11、获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；

在配电电缆PD在线检测中，电缆终端与开关柜相连接，所检测到的PD脉冲信号可能来自电缆也可能来自开关柜。本实例中，所述已知来源的局部放电时域波形可包括电缆本体局部放电、电缆终端头局部放电、开关柜中的电晕放电和开关柜中的表面放电。

如图2所示的波形图，以最为常见的四种PD波形为样本，分别是电缆本体PD、电缆终端头PD、开关柜中的电晕放电、开关柜中的表面放电；PD检测时的采样频率为100MHz，每个波形的时域长度为1500个采样点。

在一较佳实施例中，还可包括步骤：采用二进制数作为类比标记，标记局部放电时域波形的不同来源；例如电缆本体局放、电缆终端头局放、表面放电、电晕放电可分别对应00，01，10，11；采用二进制数作为类比标记，能提高对小波神经网络输出结果的识别速度。

还可包括步骤：以各个时域波形自身峰值为基准进行压缩，对每个时域波形进行内部归一化，对各个时域波形进行归一化后，有利于提高自适应小波神经网络模型的训练效果。

S12、运用小波包对所述样本库中的各个局部放电时域波形进行去噪；

具体地，可包括如下步骤：

将所述样本库中的各个局部放电时域波形进行小波包分解，得到近似分量和细节分量；

通过预设阈值处理细节分量，将小于预设阈值的小波系数置0，其中，所述预设阈值按选取，T为所述预设阈值，σ、n分别为所述细节分量中所有数据点的标准差与个数；

将阈值处理后的小波系数经小波包重构，得到所述去噪后的局部放电时域波形；

通过上述步骤进行去噪后，有利于提高自适应小波神经网络模型的训练效果。

S13、构建预设层数的自适应小波神经网络模型；

本实施例使用的模型是在Szu H模型上的推广，即在输入和输出层之间加入一层或多层隐含层。这一结构能用于处理更为复杂的信号分类问题，收敛及泛化性能得到增强。网络层数的选择可根据局部放电波形数据点及样本数量选择，一般选择4层为宜，波形数据点多、样本复杂可适当增加层数。本实例选择4层自适应神经网络如图3所示。

在一较佳实施例中，所述构建预设层数的自适应小波神经网络模型的步骤可包括：

设置四层自适应神经网络，所述神经网络包括用于特征提取的小波层和用于信号分类的前馈神经网络；其中x(k)为输入层第k个输入值，z_j为小波层第j个输出值，y_i为隐含层第i个输出值，O_p为输出层第p个输出值，W_ji为连接小波层节点j和隐含层节点i的权重，W_ip为连接隐层节点i和输出层节点p的权重，a_j和b_j分别为小波层第j个节点的尺度因子和位移因子；K为输入层节点数，J为小波层节点数，I为隐层节点数，P为输出层节点数；小波层采用母小波函数h(x)，网络的输出层、隐层传递函数均采用sigmoid函数σ(x)；网络输出O为：

$O_p=\mathrm{\σ}(\underset{i=1}{\overset{I}{\Σ}}{W}_{ip}\·\mathrm{\σ}(\underset{j=1}{\overset{J}{\Σ}}{W}_{ji}\·\underset{k=1}{\overset{K}{\Σ}}x\left(k\right)\·h\left(\frac{k-b_j}{a_j}\right)\left)\right)$

S14、根据所述去噪后的各个局部放电时域波形，使用PSO算法对构建的自适应小波神经网络模型进行一次训练，再使用BP算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络；

传统的小波神经网络采用BP学习算法，但BP算法对于庞大网络及大样本数据时易出现陷入局部最小值，收敛速度慢甚至不收敛等问题。本实施例处理对象为采集到的时域波形，其数据样本庞大。此外本实例数据输入层有1500个神经元，网络结构复杂，故本实施例采用粒子群与BP相结合的训练算法。

PSO算法首先要初始化一群随机粒子(随机解)。假设d维搜索空间中有m个粒子组成1个群体，第i个粒子的位置(即解向量)和速度分别为X_i＝(x_i1,x_i2,...,x_id)和V_i＝(v_i1,v_i2,...,v_id)。通过迭代来寻找最优解，在每一次迭代中，粒子通过跟踪2个最优解来更新自己：第1个是个体极值Q_bset，即粒子本身所找到的最优解，另一个是全局极值Q_gbest，即整个群体当前的最优解。本实施例选用PSO算法与BP算法相结合的方式对网络进行训练，具体步骤可如下：

A、初始化粒子群：根据下式为每一组连接权值、尺度因子、平移因子随机设置初始值

X_i＝(w_i1,w_i2,...,w_ik,a_i1,a_i2,...,a_ik,b_i1,b_i2,...b_ik) (2)

其中，X_i为w_ij为第X_i组网络的权值，a_ik第X_i组网络的尺度因子，b_ik为第X_i组网络的阈值；

B、根据下式计算粒子的适应度，作为网络的输出误差；

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}{(O_p^{\left(n\right)}-d_p^{\left(n\right)})}^2---\left(3\right)$

其中，N为样本数，P为输出维数，O为网络输出，d为目标输出，E为粒子的适应度，也为所述输出误差；

C、比较当前粒子的适应度与已存储的最佳适应度，将二者较小值作为当前粒子的局部极值，同时更新二者较小值为已存储的最佳适应度；

D、将所有粒子适应度中最小的值，作为全局极值；

E、按下式更新粒子速度：

v_ij(k+1)＝wv_ij(k)+c₁r₁[Q_ij(k)-x_ij(k)]+c₂r₂[Q_gj(k)-x_ij(k)] (4)

其中，w为惯性因子，它使粒子保持运动惯性；c₁,c₂为加速因子；r₁,r₂为两随机数，取值区间为[0 1]；v_ij∈[-v_max,v_max]为第i个粒子第j维空间的速度，v_max为允许移动的最大速度，x_ij∈[-x_max,x_max]为第i个粒子第j维空间的位置，x_max为允许的最大空间位置；Q_ij为第i个粒子第j维空间的局部极值，Q_gj为第j为空间的全局极值；

F、按下式更新粒子的位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1) (5)

G、如果所述输出误差满足预设的误差精度，或者达到最大迭代次数，则退出PSO算法，否则返回步骤B；

H、将PSO算法训练得到的各权值、尺度因子、平移因子作为初值，利用BP算法进行二次训练，根据下式将自适应小波神经网络进行修正：

${\mathrm{\ΔW}}_{ip}=\frac{\∂E}{\∂W_{ip}}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})y_i^n---\left(6\right)$

${\mathrm{\ΔW}}_{ji}=\frac{\∂E}{\∂W_{ji}}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})W_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})z_j^{\left(n\right)}---\left(7\right)$

${\mathrm{\Δa}}_j=\frac{\∂E}{\∂a_j}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})\underset{i=1}{\overset{I}{\Σ}}{W}_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})W_{ji}\underset{k=1}{\overset{K}{\Σ}}{x}^{\left(n\right)}\left(k\right)\frac{\∂h(a_j,b_j)}{\∂a_j}---\left(8\right)$

${\mathrm{\Δb}}_j=\frac{\∂E}{\∂b_j}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})\underset{i=1}{\overset{I}{\Σ}}{W}_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})W_{ji}\underset{k=1}{\overset{K}{\Σ}}{x}^{\left(n\right)}\left(k\right)\frac{\∂h(a_j,b_j)}{\∂b_j}---\left(9\right)$

I、若二次训练输出的网络误差小于一次训练输出的网络误差，则输出二次训练的网络，否则输出一次训练的网络，得到所述训练好的小波神经网络。

S15、接收待识别来源的局部放电信号，输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源；

小波层小波函数的性质往往是相互制约的，不可能同时达到最佳，而利用自适应小波神经网络对PD信号进行识别，实质上是通过尺度和位移因子的自适应选取，来寻找一组最适合表征待分类信号特征的小波。故对于小波函数的特性并没有严格要求，但小波函数必须有时域解析式。

Morlet小波具有良好的时频局部化特性，时域解析式简洁，本实施例选择中心频率为10rad的Morlet小波作为自适应小波神经网络的母小波，式(10)为Morlet小波对应的小波族，图4为中心频率w₀＝10时Morlet小波的时域波形示意图；

$h\left(t\right)=cos\left(w_0\frac{t-b}{a}\right)e^{-\frac{{\left(\frac{t-b}{a}\right)}^2}{2}}---\left(10\right)$

在一较佳实施例中，所述将待识别来源的局部放电信号，输入训练后的小波神经网络前还包括步骤：

待识别的局部放电信号经去噪，内部归一化后，再输入所述训练好的小波神经网络；

按式(11)对样本进行内部归一化后进行小波包去噪处理，如图5所示，示出了对一样本时域波形去噪的效果图；

$X^{\left(n\right)}\left(k\right)=\frac{x^{\left(n\right)}\left(k\right)}{\max \left(\right|x^{\left(n\right)}\left|\right)}---\left(11\right).$

在一较佳实施例中，所述输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源的步骤为：

根据所述小波神经网络的输出值，与所述类别标记进行对比，得到待识别来源的局部放电信号的来源；

当所述输出值在0到1之间时，将所述输出值进行四舍五入后再与所述类别标记对比。

本实施例中，使用训练样本对自适应小波神经网络进行训练，误差精度定为0.01，PSO算法迭代次数定为500。训练过程如图6所示。使用PSO算法对网络参数进行一次优化后网络误差达到0.0195，再使用BP算法对参数进行二次优化。由于BP算法仅作为二次优化，此处使用小学习效率，设为0.01。训练756次后误差达到目标精度。图6中虚线为网络参数，采用相同初值，单独使用BP算法对网络进行训练的误差曲线，训练2000次后仍无法达到目标精度。比较可见，PSO与BP算法结合对自适应神经网络进行训练，训练效果要优于单独使用BP算法。识别效果如表1所示。使用自适应小波神经网络对各种类型的PD信号进行识别是可行的，使用PSO与BP结合算法训练网络，网络的识别率达到100％。

表1自适应小波神经网络识别效果

进一步的，采用不同小波函数时网络性能也将受到影响。常用具有时域解析式的小波函数除Morlet小波外，还有Marr小波以及shannon小波，其时域波形如图7中所示。

网络结构选择1500-20-20-2，使用相同的初值对采用三种不同小波的自适应神经网络进行训练，使用检验样本对网络进行检验，网络识别效果如表2所示。可以看出，小波层使用Morlet，Marr及Shannon小波函数都能很好地对PD信号进行特征提取，最终的识别率都在95％以上。使用Marr小波及Shannon小波在收敛速度上要明显优于Morlet小波，但识别率略有下降。在实际应用中可根据具体需要选择不同的小波函数。

表2不同小波函数识别效果比较

本发明电缆在线局部放电检测信号识别方法，既利用了自适应小波神经网络对时域信号特征提取能力强的特点，又将粒子群算法PSO与BP算法相结合进行两次训练，克服自适应小波神经网络收敛速度慢的缺点，训练得到的小波神经网络精度高、速度快，输入待识别来源的局部放电信号后能快速检测出其来源，具有检测步骤简单、检测速度快及检测精度高的特点。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种电缆在线局部放电检测信号识别方法，其特征在于，包括如下步骤：

获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；

运用小波包对所述样本库中的各个局部放电时域波形进行去噪；

构建预设层数的自适应小波神经网络模型；

根据所述去噪后的各个局部放电时域波形，使用PSO算法对构建的自适应小波神经网络模型进行一次训练，再使用BP算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络；

接收待识别来源的局部放电信号，输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源；

其中，所述运用小波包对所述样本库中的各个局部放电时域波形进行去噪的步骤包括：

将所述样本库中的各个局部放电时域波形进行小波包分解，得到近似分量和细节分量；

通过预设阈值处理细节分量，将小于预设阈值的小波系数置0，其中，所述预设阈值按选取，T为所述预设阈值，σ、n分别为所述细节分量中所有数据点的标准差与个数；

将阈值处理后的小波系数经小波包重构，得到所述去噪后的局部放电时域波形。

2.根据权利要求1所述的电缆在线局部放电检测信号识别方法，其特征在于，在建立局部放电时域波形样本库时，还包括步骤：采用二进制数作为类比标记，标记局部放电时域波形的不同来源。

3.根据权利要求1或2所述的电缆在线局部放电检测信号识别方法，其特征在于，在建立局部放电时域波形样本库时，还包括步骤：

以各个时域波形自身峰值为基准进行压缩，对每个时域波形进行内部归一化。

4.根据权利要求1所述的电缆在线局部放电检测信号识别方法，其特征在于，所述已知来源的局部放电时域波形包括电缆本体局部放电、电缆终端头局部放电、开关柜中的电晕放电和开关柜中的表面放电。

5.根据权利要求1所述的电缆在线局部放电检测信号识别方法，其特征在于，在构建预设层数的自适应小波神经网络模型时，采用Morlet小波函数作为隐含小波层传递函数。

6.根据权利要求5所述的电缆在线局部放电检测信号识别方法，其特征在于，所述构建预设层数的自适应小波神经网络模型的步骤包括：

设置四层自适应神经网络，所述神经网络包括用于特征提取的小波层和用于信号分类的前馈神经网络；其中x(k)为输入层第k个输入值，z_j为小波层第j个输出值，y_i为隐含层第i个输出值，O_p为输出层第p个输出值，W_ji为连接小波层节点j和隐含层节点i的权重，W_ip为连接隐层节点i和输出层节点p的权重，a_j和b_j分别为小波层第j个节点的尺度因子和位移因子；K为输入层节点数，J为小波层节点数，I为隐层节点数，P为输出层节点数；小波层采用母小波函数h(x)，网络的输出层、隐层传递函数均采用sigmoid函数σ(x)；网络输出O为：

$O_p=\mathrm{\σ}({\mathrm{\Σ}}_{i=1}^I{W}_{ip}\·\mathrm{\σ}({\mathrm{\Σ}}_{j=1}^J{W}_{ji}\·{\mathrm{\Σ}}_{k=1}^{K}x\left(k\right)\·h\left(\frac{k-b_j}{a_j}\right)\left)\right).$

7.根据权利要求5所述的电缆在线局部放电检测信号识别方法，其特征在于，所述使用PSO算法对构建的自适应小波神经网络模型进行一次训练，再使用BP算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络的步骤为：

A、初始化粒子群：根据下式为每一组连接权值、尺度因子、平移因子随机设置初始值：

X_i＝(w_i1,w_i2,...,w_ik,a_i1,a_i2,...,a_ik,b_i1,b_i2,...b_ik) (2)

其中，X_i为w_ij为第X_i组网络的权值，a_ik第X_i组网络的尺度因子，b_ik为第X_i组网络的阈值；

B、根据下式计算粒子的适应度，作为网络的输出误差：

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}{(O_p^{\left(n\right)}-d_p^{\left(n\right)})}^2---\left(3\right)$

其中，N为样本数，P为输出维数，O为网络输出，d为目标输出，E为粒子的适应度，也为所述输出误差；

C、比较当前粒子的适应度与已存储的最佳适应度，将二者较小值作为当前粒子的局部极值，同时更新二者较小值为已存储的最佳适应度；

D、将所有粒子适应度中最小的值，作为全局极值；

E、按下式更新粒子速度：

v_ij(k+1)＝wv_ij(k)+c₁r₁[Q_ij(k)-x_ij(k)]+c₂r₂[Q_gj(k)-x_ij(k)] (4)

其中，w为惯性因子，它使粒子保持运动惯性；c₁,c₂为加速因子；r₁,r₂为两随机数，取值区间为[0 1]；v_ij∈[-v_max,v_max]为第i个粒子第j维空间的速度，v_max为允许移动的最大速度，x_ij∈[-x_max,x_max]为第i个粒子第j维空间的位置，x_max为允许的最大空间位置；Q_ij为第i个粒子第j维空间的局部极值，Q_gj为第j为空间的全局极值；

F、按下式更新粒子的位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1) (5)

G、如果所述输出误差满足预设的误差精度，或者达到最大迭代次数，则退出PSO算法，否则返回步骤B；

H、将PSO算法训练得到的各权值、尺度因子、平移因子作为初值，利用BP算法进行二次训练，根据下式将自适应小波神经网络进行修正：

${\mathrm{\ΔW}}_{ip}=\frac{\∂E}{\∂W_{ip}}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})y_i^n---\left(6\right)$

${\mathrm{\ΔW}}_{ji}=\frac{\∂E}{\∂W_{ji}}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})W_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})z_j^{\left(n\right)}---\left(7\right)$

${\mathrm{\Δa}}_j=\frac{\∂E}{\∂a_j}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})\underset{i=1}{\overset{I}{\Σ}}{W}_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})W_{ji}\underset{k=1}{\overset{K}{\Σ}}{x}^{\left(n\right)}\left(k\right)\frac{\∂h(a_j,b_j)}{\∂a_j}---\left(8\right)$

${\mathrm{\Δb}}_j=\frac{\∂E}{\∂b_j}=-\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\underset{p=1}{\overset{P}{\Σ}}(d_p^{\left(n\right)}-O_p^{\left(n\right)})O_p^{\left(n\right)}(1-O_p^{\left(n\right)})\underset{i=1}{\overset{I}{\Σ}}{W}_{ip}{y}_i^{\left(n\right)}(1-y_i^{\left(n\right)})W_{ji}\underset{k=1}{\overset{K}{\Σ}}{x}^{\left(n\right)}\left(k\right)\frac{\∂h(a_j,b_j)}{\∂b_j}---\left(9\right)$

I、若二次训练输出的网络误差小于一次训练输出的网络误差，则输出二次训练的网络，否则输出一次训练的网络，得到所述训练好的小波神经网络。

8.根据权利要求1所述的电缆在线局部放电检测信号识别方法，其特征在于，所述将待识别来源的局部放电信号，输入训练后的小波神经网络前还包括步骤：

待识别的局部放电信号经去噪，内部归一化后，再输入所述训练好的小波神经网络。

9.根据权利要求2所述的电缆在线局部放电检测信号识别方法，其特征在于，所述输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源的步骤为：

根据所述小波神经网络的输出值，与所述类比标记进行对比，得到待识别来源的局部放电信号的来源；

当所述输出值在0到1之间时，将所述输出值进行四舍五入后再与所述类别标记对比。