CN105334436B - 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 - Google Patents
基于som-bp组合神经网络的交联电缆局部放电模式识别方法 Download PDFInfo
- Publication number
- CN105334436B CN105334436B CN201510731479.0A CN201510731479A CN105334436B CN 105334436 B CN105334436 B CN 105334436B CN 201510731479 A CN201510731479 A CN 201510731479A CN 105334436 B CN105334436 B CN 105334436B
- Authority
- CN
- China
- Prior art keywords
- neural network
- som
- discharge
- partial discharge
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000000725 suspension Substances 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 229920003020 cross-linked polyethylene Polymers 0.000 description 17
- 239000004703 cross-linked polyethylene Substances 0.000 description 17
- 238000003909 pattern recognition Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于SOM‑BP组合神经网络的交联电缆局部放电模式识别方法，将SOM神经网络作为初级网络，BP神经网络作为次级网络，两者间串联连接的SOM‑BP组合神经网络模型。开展交联电缆局部放电模拟试验，提取了超宽频带单次放电脉冲时域波形的3、4阶统计特征作为放电指纹，实现对电缆局部放电类型的识别。识别结果表明，以SOM‑BP组合神经网络作为分类器时各模式识别率均＞90％，且无论是各类识别率还是整体识别率，该网络识别效果均为最佳，证明了组合模型的有效性及合理性。
Description
技术领域
本发明涉及电缆局部放电模式识别技术领域，尤其涉及一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法。
背景技术
近年来，交联聚乙烯(Cross-linked polyethylene,XLPE)电力电缆凭借其在制造工艺及运行性能等方面优势，逐渐取代油纸绝缘电缆成为了我国电力输送的主力设备。统计数据表明，除外界因素，局部放电(以下简称局放)是导致电缆绝缘故障的主要原因。在对电缆进行局放检测过程中采集到的局放信号承载着电缆全部绝缘故障信息，对该信号进行有效的模式识别，可以准确地了解和掌握XLPE电缆内部缺陷类型的性质和特征，对进一步判断其绝缘可靠性、保障电缆运行安全性以及指导电缆检修工作有十分重要的意义。
目前，XLPE电缆局放模式识别中常用到的神经网络分类模型有：自组织特征映射(Self-organized Mapping,SOM)神经网络、反向传播(Back Propagation,BP)神经网络及径向基函数(Radial Basis Function,RBF)神经网络等。虽上述智能算法都能通过对局放模式的学习及训练，用连接权值来表达习得的缺陷诊断知识，解读局放模式与识别特征量间的非线性关系，从而实现样本数据间的联想记忆、模式匹配及相似归类，但各神经网络在模式识别过程中都存在着一定的局限性。
其中，SOM神经网络虽能以良好的识别率完成局放模式分类，但其识别结果并不能用输出向量的形式表示，且竞争层拓扑结构选择会对识别精度产生很大影响。BP神经网络需要大量的训练样本且收敛速度较慢、易陷入局部极小值，此外，该网络的模式识别能力很大程度上依赖网络知识库中存储的先验知识，一旦出现新的异常现象，网络极可能因为信息无法匹配从而导致识别错误。
发明内容
本发明的目的就是为了解决上述问题，提出了一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，该方法将SOM神经网络作为初级网络，BP神经网络作为次级网络，并将SOM-BP神经网络模型作为分类器对交联电缆局部放电模式进行识别，提高了交联电缆局部放电的模式识别率。
为了实现上述目的，本发明采用如下技术方案：
一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，包括以下步骤：
(1)分别制作不同类型的电缆局部放电模型，对制作的电缆局部放电模型分别进行局放模拟试验，采集每种电缆局部放电模型的局放信号样本；
(2)将单次放电脉冲时域波形上各采样时刻对应的采样点作为随机变量，分别计算以下统计算子：不对称度Asy、峭度Ku、偏斜度Sk以及局部峰点数Pe；
(3)将SOM神经网络作为初级网络，将BP神经网络作为次级网络，以SOM神经网络获胜神经元位置作为BP神经网络的输入，构建SOM-BP组合神经网络模型；
(4)将每种电缆局部放电模型的局放信号样本数据分为训练样本与待测样本两部分，并进行数据归一化处理；
(5)以步骤(2)中的统计算子作为识别特征量，使用训练样本对SOM-BP组合神经网络模型进行训练；
(6)将待测样本送入已训练好的SOM-BP组合神经网络模型，对电缆局部放电类型进行识别。
所述步骤(1)中，将电缆局部放电模型分为四类，分别为：针板放电、内部放电、悬浮放电及沿面放电。
所述步骤(1)中，局放模拟试验选用电容耦合法采集局放信号，对每种放电模型进行多次数据测量。
所述步骤(2)中，不对称度Asy用于衡量时域波形中正负半周放电幅值分布对称程度；
不对称度Asy的取值根据正半周内放电脉冲个数与其放电脉冲幅值累加值的乘积与负半周内放电脉冲个数与其放电脉冲幅值累加值乘积的比值确定。
所述步骤(2)中，峭度Ku用于表征某一随机变量的概率分布的分散程度；
设定随机变量为各采样时刻对应的放电幅值Qi，其概率分布函数为该采样时刻在单次放电脉冲波形内出现的概率pi，期望值为μ，方差为σ2，则峭度Ku的取值具体为：
所述步骤(2)中，偏斜度Sk用于表征概率分布关于随机变量期望值的对称程度；
设定随机变量为各采样时刻对应的放电幅值Qi，其概率分布函数为该采样时刻在单次放电脉冲波形内出现的概率pi，期望值为μ，方差为σ2，则偏斜度Sk的取值具体为：
所述步骤(2)中，为区分时域波形上的单一峰值与连续峰值，对任一采样峰值点Qi，若时域波形在该点附近的概率分布Pi的微分满足：
则称该峰值点为一局部峰值点，否则为连续峰值点。
所述步骤(3)中，构建SOM-BP组合神经网络模型的方法具体为：
步骤1：将样本数据分为训练样本与待测样本两部分并进行数据归一化处理；
步骤2：初始化SOM神经网络模型，即确定网络竞争层拓扑结构，并利用该网络对训练样本初步聚类；
步骤3：初始化BP神经网络模型，即确定网络各层节点数及导师信号，并将初步聚类结果进行归一化处理后作为BP神经网络输入，对网络进一步训练；
步骤4：训练结束后所得的SOM-BP神经网络即为能对样本数据精确分类的组合网络模型；
步骤5：将待测样本输入SOM-BP组合网络模型，初级网络将样本自动聚集至与其相似度最高的神经元上，该神经元激活BP神经网络从而实现样本数据的进一步分类。
本发明的有益效果是：
在实验室开展局放模拟试验，提取了XLPE电缆局放脉冲时域波形的3、4阶统计特征作为放电指纹，并分别将SOM、BP、SOM-BP神经网络作为模式分类器对4类典型局放模式进行识别。识别结果表明，SOM-BP组合神经网络识别效果为三者中最佳，由此证明了该模型的合理性及有效性。
附图说明
图1为SOM神经网络结构模型示意图；
图2为BP神经网络结构模型示意图；
图3(a)为XLPE电缆针板放电模型；
图3(b)为XLPE电缆内部放电模型；
图3(c)为XLPE电缆悬浮放电模型；
图3(d)为XLPE电缆沿面放电模型；
图4为XLPE电缆局放模拟试验接线示意图。
具体实施方式：
下面结合附图与实例对本发明做进一步说明：
本发明从信息融合、优势互补的角度出发，提出将SOM神经网络与BP神经网络串联构成组合神经网络模型，提取XLPE电缆超宽频带局放脉冲时域波形的3、4阶统计特征量作为放电指纹，并将SOM-BP神经网络模型作为分类器识别实验室中模拟的4种典型放电形式。最后，对比组合网络模型与两种单一网络的识别结果，验证该方案的可行性及有效性。
一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，包括以下步骤：
(1)分别制作不同类型的电缆局部放电模型，对制作的电缆局部放电模型分别进行局放模拟试验，采集每种电缆局部放电模型的局放信号样本；
(2)将单次放电脉冲时域波形上各采样时刻对应的采样点作为随机变量，分别计算以下统计算子：不对称度Asy、峭度Ku、偏斜度Sk以及局部峰点数Pe；
(3)将SOM神经网络作为初级网络，将BP神经网络作为次级网络，以SOM神经网络获胜神经元位置作为BP神经网络的输入，构建SOM-BP组合神经网络模型；
(4)将每种电缆局部放电模型的局放信号样本数据分为训练样本与待测样本两部分，并进行数据归一化处理；
(5)以步骤(2)中的统计算子作为识别特征量，使用训练样本对SOM-BP组合神经网络模型进行训练；
(6)将待测样本送入已训练好的SOM-BP组合神经网络模型，对电缆局部放电类型进行识别。
具体实现方法如下:
1SOM-BP组合神经网络设计
1.1SOM神经网络基本原理
SOM神经网络是一种无教师指导的自组织学习网络，该网络遵循“胜者为王”学习机制，能够在无先验知识的条件下自动实现样本数据识别与分类。SOM神经网络包含一个输入层及一个输出层，结构示意图如图1所示。图中，输入层通过权值向量将输入信息传递至输出层；输出层，又名竞争层，其二维阵列拓扑类似于大脑皮层形象，通过若干神经元并行反映聚类结果。
设网络输入层与竞争层节点个数分别为n与m，则输入样本为X＝(x1,x2,…,xn)，与竞争层中第k个神经元间的连接权值向量为Wk＝(W1k,W2k,…,Wnk)，k＝1,2,…,m。分别计算输入向量X与竞争层各神经元权值向量W间欧式距离d，将d值最小的神经元定义为获胜神经元，记为C。距离计算式为：
因SOM神经网络通过模拟人脑神经元对外部刺激的响应特点完成聚类，故必须调整获胜神经元C及其邻域内各节点的权值向量，即：
Wk(t+1)＝Wk(t)+η(t)hkC(t)[X(t)-Wk(t)] (2)
其中，t为迭代次数；η(t)为更新学习率，设定算法迭代次数为T，初始学习率为η0，则计算式为：
η(t)＝η0(1-t/T) (3)
hkC(t)为更新邻域函数，设初始邻域半径为σ0，则：
其中，σ逐渐衰减至0，η必须降低至保证算法收敛。令t＝t+1，重复上述步骤直到迭代次数达到T为止。通过对训练样本反复计算，权值及邻域不断更新，可获得样本聚类中心，即获胜神经元。
1.2BP神经网络基本原理
BP神经网络是一种有监督的三层前馈式网络，包含一个输入层、一个输出层及若干个隐含层，网络结构如图2所示。BP神经网络的学习分为正向与反向两个阶段，在正向传播过程中，各层间通过权值矩阵逐层将输入信号传递至输出层：
其中，bj与bk分别为隐含层及输出层阈值向量元素；F()为隐含层及输出层激励函数。
在输出层比较网络实际输出与导师信号T＝(t1,t2,…,tK)，若误差不满足要求，则网络学习转变为调整优化权值的反向传播，依据梯度下降法不断修正权值矩阵及阈值向量，直至误差低于容许值ξ，从而实现输入信息到输出层的非线性映射。权值及阈值修正公式如下：
1.3构建SOM-BP组合神经网络
设计SOM-BP组合神经网络的基本理念在于将自组织学习方式与有监督学习方式结合起来，相互间取长补短。考虑到SOM神经网络不需要大量的输入样本，故将其作为初级网络，用于实现输入样本自聚类，将低维空间中的线性不可分部分映射至高维空间，使其线性可分，完成对输入样本的初步识别。将BP神经网络作为次级网络，以SOM神经网络获胜神经元位置作为该网络输入，对输入样本数据进一步分类，并将识别结果以向量形式输出，简洁明了且精确度高。根据以上分析，可将SOM-BP神经网络的具体实现步骤叙述如下：
步骤1：将样本数据分为训练样本与待测样本两部分并进行数据归一化处理。
步骤2：初始化SOM神经网络模型，即确定网络竞争层拓扑结构，并利用该网络对训练样本初步聚类。
步骤3：初始化BP神经网络模型，即确定网络各层节点数及导师信号，并将初步聚类结果进行归一化处理后作为BP神经网络输入，对网络进一步训练。
步骤4：训练结束后所得的SOM-BP神经网络即为能对样本数据精确分类的组合网络模型。将待测样本输入该分类模型，初级网络将样本自动聚集至与其相似度最高的神经元上，该神经元激活BP神经网络从而实现样本数据的进一步分类。
2XLPE电缆局放信号统计特征提取
2.1典型放电模型设计及局放模拟试验
XLPE电缆局放与绝缘故障密切相关，分析电缆在制作、敷设及运行期间出现频率较高的缺陷类型可知，工程上常见的局放形式大致归结为以下4类：针板放电、内部放电、悬浮放电及沿面放电。为比较XLPE电缆不同局放模式间特征及放电机理差异，特在实验室制作4种放电模型，图3(a)-(d)分别为4种放电模型设计图。
参照IEC60270标准，模拟试验选用电容耦合法采集局放信号，图4为XLPE电缆局放模拟试验接线示意图。图中，T1为调压器，T2为隔离变压器，T3为试验变压器，R为限流电阻，Ck为耦合电容，CT为高频电流传感器；耦合电容Ck用于耦合模型放电产生的局放电流，电流传感器CT用于采集高频局放脉冲电流信号，经带通滤波器及程控放大器将局放信号放大后，信号传递至DL7400数字示波器(最高采样频率为每秒2×109个采样点，采样带宽达500MHz)。为获取真实放电信号，试验在全电磁屏蔽实验室中展开，考虑到测量信号的随机性，对每种放电模型均测量数据40次。
2.2局放统计特征量计算
与三维统计谱图、和等二维谱图相比，XLPE电缆局放脉冲时域波形随机性更强也更复杂，难以用基本放电参量如起始电压Ui、熄灭电压Ue、放电能量W、放电功率P及平均放电电流Iav等描述局放特征。因此，本发明提出一种通过计算局放脉冲时域波形3、4阶特征参量用以表征局放特征的方法，其本质在于将单次放电脉冲时域波形上各采样时刻对应的采样点当作随机变量进行统计分析。部分统计算子分述如下：
(1)不对称度Asy，此量用于衡量时域波形中正负半周放电幅值分布对称程度，其表达式为：
其中，N1、N2分别为正、负半周放电脉冲个数；Qi+、Qi-分别为正、负半周放电脉冲幅值。
(2)峭度Ku，此量表征的是某一随机变量其概率分布的分散程度，即概率值是否集中于期望值。设定随机变量为各采样时刻对应的放电幅值Qi，其概率分布函数为该点在单次放电脉冲波形内出现的概率pi，期望值为μ，方差为σ2，则Ku表达式为：
(3)偏斜度Sk，此量表征的是概率分布关于随机变量期望值的对称程度。依据计算Ku时各参数含义设定及Ku计算过程可推导出考虑XLPE电缆局放脉冲时Sk的表达式为：
(4)局部峰点数Pe，为区分时域波形上的单一峰值与连续峰值，对任一采样峰值点Qi，若时域波形在该点附近的概率分布Pi的微分满足：
则称该峰值点为一局部峰值点，否则为连续峰值点。
3XLPE电缆局放模式识别
3.1局放模式识别方案
在模式识别过程中，4种放电类型各有40条有效样本，其中20条用于训练网络，余下20条用于模式分类。因本发明提取局放脉冲时域波形的7个统计算子Asy、Ku +、Ku -、Sk +、Sk -、Pe +及Pe -作为识别特征量，故SOM、BP、SOM-BP神经网络输入层节点数均为7个。对单一SOM网络及SOM-BP初级网络，经反复调试确定竞争层均采用5×5六边形结构，迭代次数设置为300次。对单一BP网络，设置其输出层神经元为4个，分别对应4种放电类型，导师信号采用二进制形式，即针板放电(A)[1,0,0,0]、内部放电(B)[0,1,0,0]、悬浮放电(C)[0,0,1,0]及沿面放电(D)[0,0,0,1]，经反复试验，确定隐含层节点数为15个，训练次数为600次。对SOM-BP次级网络，设定输入层节点数为1个，对应初级网络获胜神经元位置，隐含层节点数为9个，其余参数同BP神经网络。
3.2局放模式识别结果及分析
将待测样本送入已训练好的3种神经网络模型，SOM-BP网络初步聚类结果为：针板放电模式对应获胜神经元编号为6、11、12、16和21；内部放电为1、2、3、7和8；悬浮放电为18、23和24；沿面放电为5、10、15、20和25。3种神经网络分类器识别结果对比如表1所示。
表1XLPE电缆局放模式识别结果对比
分析数据易知，虽3种分类器的整体识别率均高于90％，识别效果良好，但使用SOM-BP组合神经网络作为模式分类器时，无论是各类识别率还是整体识别率，所取得的识别效果均为最佳。与使用单一SOM神经网络时相比，各类模式识别率至少提高了3.16％，总体识别率提高了3.4％，而与使用单一BP神经网络时相比，各类模式识别率至少提高了2.15％，总体识别率提高了4.78％。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，包括以下步骤：
(1)分别制作不同类型的电缆局部放电模型，对制作的电缆局部放电模型分别进行局放模拟试验，采集每种电缆局部放电模型的局放信号样本；
(2)将单次放电脉冲时域波形上各采样时刻对应的采样点作为随机变量，分别计算以下统计算子：不对称度Asy、峭度Ku、偏斜度Sk以及局部峰点数Pe；
偏斜度Sk用于表征概率分布关于随机变量期望值的对称程度；
设定随机变量为各采样时刻对应的放电幅值Qi，其概率分布函数为该采样时刻在单次放电脉冲波形内出现的概率pi，期望值为μ，方差为σ2，则偏斜度Sk的取值具体为：
(3)将SOM神经网络作为初级网络，将BP神经网络作为次级网络，以SOM神经网络获胜神经元位置作为BP神经网络的输入，构建SOM-BP组合神经网络模型；
构建SOM-BP组合神经网络模型的方法具体为：
步骤1：将样本数据分为训练样本与待测样本两部分并进行数据归一化处理；
步骤2：初始化SOM神经网络模型，即确定网络竞争层拓扑结构，并利用该网络对训练样本初步聚类；
步骤3：初始化BP神经网络模型，即确定网络各层节点数及导师信号，并将初步聚类结果进行归一化处理后作为BP神经网络输入，对网络进一步训练；
步骤4：训练结束后所得的SOM-BP神经网络即为能对样本数据精确分类的组合网络模型；
步骤5：将待测样本输入SOM-BP组合网络模型，初级网络将样本自动聚集至与其相似度最高的神经元上，该神经元激活BP神经网络从而实现样本数据的进一步分类；
(4)将每种电缆局部放电模型的局放信号样本数据分为训练样本与待测样本两部分，并进行数据归一化处理；
(5)以步骤(2)中的统计算子作为识别特征量，使用训练样本对SOM-BP组合神经网络模型进行训练；
(6)将待测样本送入已训练好的SOM-BP组合神经网络模型，对电缆局部放电类型进行识别。
2.如权利要求1所述的一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，所述步骤(1)中，将电缆局部放电模型分为四类，分别为：针板放电、内部放电、悬浮放电及沿面放电。
3.如权利要求1所述的一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，所述步骤(1)中，局放模拟试验选用电容耦合法采集局放信号，对每种放电模型进行多次数据测量。
4.如权利要求1所述的一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中，不对称度Asy用于衡量时域波形中正负半周放电幅值分布对称程度；
不对称度Asy的取值根据正半周内放电脉冲个数与其放电脉冲幅值累加值的乘积与负半周内放电脉冲个数与其放电脉冲幅值累加值乘积的比值确定。
5.如权利要求1所述的一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中，峭度Ku用于表征某一随机变量的概率分布的分散程度；
设定随机变量为各采样时刻对应的放电幅值Qi，其概率分布函数为该采样时刻在单次放电脉冲波形内出现的概率pi，期望值为μ，方差为σ2，则峭度Ku的取值具体为：
6.如权利要求1所述的一种基于SOM-BP组合神经网络的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中，为区分时域波形上的单一峰值与连续峰值，对任一采样峰值点Qi，若时域波形在该峰值点附近的概率分布Pi的微分满足：
且
则称该峰值点为一局部峰值点，否则为连续峰值点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510731479.0A CN105334436B (zh) | 2015-10-30 | 2015-10-30 | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510731479.0A CN105334436B (zh) | 2015-10-30 | 2015-10-30 | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105334436A CN105334436A (zh) | 2016-02-17 |
| CN105334436B true CN105334436B (zh) | 2018-08-10 |
Family
ID=55285081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510731479.0A Active CN105334436B (zh) | 2015-10-30 | 2015-10-30 | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105334436B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105842598A (zh) * | 2016-06-14 | 2016-08-10 | 国家电网公司 | 交联聚乙烯电缆寿命检测方法 |
| CN106338674B (zh) * | 2016-08-24 | 2018-12-21 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
| CN108957261A (zh) * | 2018-07-12 | 2018-12-07 | 上海交通大学 | 一种直流电缆典型缺陷局部放电识别方法 |
| CN110348489B (zh) * | 2019-06-19 | 2021-04-06 | 西安理工大学 | 一种基于自编码网络的变压器局部放电模式识别方法 |
| CN110703078A (zh) * | 2019-09-26 | 2020-01-17 | 河海大学 | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 |
| CN112881879A (zh) * | 2021-04-16 | 2021-06-01 | 国网黑龙江省电力有限公司大庆供电公司 | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
| CN113189457A (zh) * | 2021-04-26 | 2021-07-30 | 天津大学 | 一种基于局部放电原始时域波形的多尺度特征提取技术 |
| CN113642624A (zh) * | 2021-08-05 | 2021-11-12 | 厦门大学 | 移动通信网络故障的智能诊断方法及装置 |
| CN115754598B (zh) * | 2022-11-10 | 2024-04-16 | 海南电网有限责任公司乐东供电局 | 基于相关滤波的电缆故障查找方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3201959B2 (ja) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | 部分放電測定方法 |
| KR100729107B1 (ko) * | 2005-10-27 | 2007-06-14 | 한국전력공사 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
| CN102809718B (zh) * | 2012-07-25 | 2015-07-01 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
| CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
-
2015
- 2015-10-30 CN CN201510731479.0A patent/CN105334436B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105334436A (zh) | 2016-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105334436B (zh) | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 | |
| CN108646149A (zh) | 基于电流特征提取的故障电弧识别方法 | |
| CN102436524B (zh) | 一种模拟电路软故障诊断的模糊推理方法 | |
| CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
| CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
| CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
| CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
| CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
| CN107607303A (zh) | 基于小波包与som网络的高压断路器机械故障识别方法 | |
| CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
| CN102606557A (zh) | 一种基于故障观测器与som的液压系统健康评估方法 | |
| CN108680807A (zh) | 基于条件生成式对抗网络的变压器故障诊断方法和系统 | |
| CN101975910A (zh) | 一种特高压直流输电线路故障智能分类与测距方法 | |
| CN107037313A (zh) | 建立变压器绕组变形故障与扫频阻抗特征对应关系的方法 | |
| CN108804740B (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
| CN108520301A (zh) | 一种基于深度置信网络的电路间歇故障诊断方法 | |
| CN103077402A (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
| CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN110829417A (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN109389325A (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN103267941A (zh) | 一种集成开关电流电路故障模式测试方法 | |
| CN103886405A (zh) | 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法 | |
| CN109212392A (zh) | 直流电缆局部放电缺陷故障的识别方法、系统及Caffe卷积神经网络 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee after: SHANDONG ELECTRIC POWER Research Institute Patentee after: STATE GRID CORPORATION OF CHINA Address before: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee before: SHANDONG ELECTRIC POWER Research Institute Patentee before: State Grid Corporation of China |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220210 Address after: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Patentee after: STATE GRID CORPORATION OF CHINA Address before: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee before: SHANDONG ELECTRIC POWER Research Institute Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right |