CN109085469A - 一种用于识别电缆局部放电信号的信号类型的方法及系统 - Google Patents

Abstract

本发明公开了一种用于识别电缆局部放电信号的信号类型的方法及系统，包括：对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集；将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型；利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。本发明能够批量的对电缆局部放电信号数据进行识别，相比于人工识别能够极大地提高工作效率，同时，相比于人工识别能够极大地提高识别准确率。

Description

一种用于识别电缆局部放电信号的信号类型的方法及系统

技术领域

本发明涉及高压设备局部放电检测技术领域，并且更具体地，涉及一种用于识别电缆局部放电信号的信号类型的方法及系统。

背景技术

局部放电信号的在线检测过程中，各高压设备均处于带电运行状态，这对电缆局部放电信号的检测会造成很大的背景干扰，检测到的放电脉冲可能来源于电缆本体、电缆终端头，或来自与其连接的其他设备(如开关柜等)。由于不同来源的电缆局部放电信号对设备的影响不同，其判断标准也有所不同，传统的人工识别方法存在耗时耗力，识别准确率等问题。

因此，需要一种电缆局部放电信号的信号类型的在线自动识别方法。

发明内容

本发明提出一种用于识别电缆局部放电信号的信号类型的方法及系统，以解决如何在线识别电缆局部放电信号的信号类型的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种用于识别电缆局部放电信号的信号类型的方法，其特征在于，所述方法包括：

对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；

对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集；

将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽；

利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

优选地，其中所述获取的电缆局部放电信号通过信号采集设备进行采集。

优选地，其中所述对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换方法将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

优选地，其中所述对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

优选地，其中所述利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

步骤1，数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，…，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

步骤2，根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

步骤3，确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，

若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入步骤4；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入步骤5；

步骤4，输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

步骤5，更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

优选地，其中所述方法还包括：

在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。

根据本发明的另一个方面，提供了一种用于识别电缆局部放电信号的信号类型的系统，其特征在于，所述系统包括：

去噪单元，用于对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；

样本数据获取单元，用于对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集；

识别模型确定单元，用于将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽；

信号类型识别单元，用于利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

优选地，其中所述获取的电缆局部放电信号通过信号采集设备进行采集。

优选地，其中所述去噪单元，对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换系统将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

优选地，其中在所述样本数据获取单元，对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

优选地，其中在所述识别模型确定单元，利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

数据初始化模块，用于数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

极值确定模块，用于根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

判断模块，用于确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入识别模型确定模块；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入更新模块；

识别模型确定模块，用于输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

更新模块，用于更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

优选地，其中所述系统还包括：

识别准确度验证单元，用于在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。

本发明提供了一种用于识别电缆局部放电信号的信号类型的方法及系统，对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号后进行优化处理以获取样本数据集；将训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型；最后，利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。本发明提供了成型的对不同类型的电缆局部放电信号的自动识别方法，能够批量的对电缆局部放电信号数据进行识别，相比于人工识别能够极大地提高工作效率，同时，相比于人工识别能够极大地提高识别准确率。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明实施方式的用于识别电缆局部放电信号的信号类型的方法100的流程图；

图2为根据本发明实施方式的对获取的电缆局部放电信号进行小波去噪处理的流程图；

图3为根据本发明实施方式的利用PSO算法优化SVM模型的方法300的流程图；以及

图4为根据本发明实施方式的用于识别电缆局部放电信号的信号类型的系统400的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明实施方式的用于识别电缆局部放电信号的信号类型的方法100的流程图。如图1所示，本发明的实施方式提供的用于识别电缆局部放电信号的信号类型的方法，通过将经过去噪处理后得到的电缆局部放电信号的训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型；最后，利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。本发明的实施方式提供了成型的对不同类型的电缆局部放电信号的自动识别方法，能够批量的对电缆局部放电信号数据进行识别，相比于人工识别能够极大地提高工作效率，同时，相比于人工识别能够极大地提高识别准确率。本发明的实施方式提供的用于识别电缆局部放电信号的信号类型的方法100从步骤101处开始，在步骤101对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号。

优选地，其中所述获取的电缆局部放电信号通过信号采集设备进行采集。

优选地，其中所述对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换方法将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

图2为根据本发明实施方式的对获取的电缆局部放电信号进行小波去噪处理的流程图。如图2所示，在本发明的实施方式中，为降低噪声对信号识别的干扰，需要对所采集的电缆局部放电信号进行波形去噪处理，改善信号质量。具体实施步骤如下：输入原始信号，利用小波包变换方法将原始信号分解为一系列的近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上。对细节分量进行阈值处理，将小于阈值的小波系数置为0。对处理过的分量进行小波包重构，得到的重构信号即为去噪后的平滑信号。其中，所述的小波包变换具体算法如下：

在函数空间L²(R)中，选择一个母小波函数ψ(x)，使其满足约束条件

式中，为ψ(x)的Fourier变换。对ψ(x)作伸缩、平移变换得到小波函数族{ψ_a,b(x)}。

式中，a是尺度因子，b是平移因子。对任意f(x)∈L²(R)，其连续小波变换定义为：

然后，使用一定的阈值处理细节分量，即将小于阈值的小波系数置0。

最后，将处理过的分量经小波包重构后得到去噪后的平滑信号。

优选地，在步骤102对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集。

优选地，其中所述对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

优选地，在步骤103将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽。

优选地，其中所述利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

步骤1，数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

步骤2，根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

步骤3，确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，

若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入步骤4；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入步骤5；

步骤4，输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

步骤5，更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

粒子群优化算法是一种模拟社会群体活动的智能演化算法，广泛地应用于优化统计学模型，寻找训练模型的最优解有利于提高模型的分类准确率。SVM学习模型的基本思想是在不同类别数据之间构造一个最优超平面使不同类别数据之间的间隔最大。SVM主要通过非线性映射将原始空间的数据集映射到一个高维的特征空间中，使数据集在这个高维的空间中实现线性可分。在高维的特征空间中构造最优超平面，再利用线性分类器进行分类。

PSO算法的基本模型描述为：设在一个n维搜索空间中，由N个粒子构成种群X＝{x₁，x₂，...，x_N}，其中第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T，该粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T，粒子x_i不断寻优，其速度和位置更新如下：

其中，w是惯性权值，c₁，c₂为学习因子，rand₁，rand₂为[0，1]的随机分布函数。

图3为根据本发明实施方式的利用PSO算法优化SVM模型的方法300的流程图。如图3所示，在本发明的实施方式中，所述利用粒子群优化算法PSO优化SVM模型的方法300从步骤301处开始，在步骤301数据初始化设置，其中所述数据包括：第一学习因子、第二学习因子、惯性权重、迭代次数和粒子群，所述粒子群包括：粒子的位置和速度。

优选地，在步骤302根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度。在本发明的实施方式中，对每个粒子位置计算该粒子的本次迭代的适应度在本发明中以当前惩罚因子和高斯核带宽得到的SVM模型的预测准确率作为适应度函数返回值。

优选地，在步骤303将所述适应度与个体适应度极值进行比较，如果所述适应度优于个体适应度极值，则利用所述适应度更新该粒子的个体适应度极值和所述适应度对应的最好位置；如果所述适应度同时也优于所有其它粒子的个体适应度极值以及上一轮迭代中的群体适应度极值，则用所述适应度更新本次迭代中的群体适应度极值和所述适应度极值对应的最好位置。

优选地，在步骤304判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入步骤305；若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入步骤306。

优选地，在步骤305输出此时群体适应度极值对应的最好位置作为最优参数值。

优选地，在步骤306更新每个粒子的位置和速度，并返回至步骤302。若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则更新每个粒子的位置和速度，并返回步骤302，直至达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，并输出此时群体适应度极值对应的最好位置作为最优参数值。在本发明的实施方式中，如果位置的适应度优于个体适应度极值fitness(PBest_i)，则用其更新该粒子的个体适应度极值对应的最好位置；如果同时也优于所有其它粒子的个体极值以及上一轮迭代中的群体极值fitness(GBest^k-1)，则用其更新本次迭代中的群体极值对应的最好位置。如果到达最大迭代次数或当前群体极值fitness(GBest^k)满足精度要求则可以退出迭代，并输出群体极值对应的最好位置GBest^k作为训练SVM模型的最优参数。

优选地，其中所述更新每个粒子的位置和速度包括：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

优选地，在步骤104利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

优选地，其中所述方法还包括：

在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。

图4为根据本发明实施方式的用于识别电缆局部放电信号的信号类型的系统400的结构示意图。如图4所示，本发明的实施方式提供的用于识别电缆局部放电信号的信号类型的系统400，包括：去噪单元401、样本数据获取单元402、识别模型确定单元403和信号类型识别单元404。

优选地，所述去噪单元401，用于对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号。

优选地，其中所述获取的电缆局部放电信号通过信号采集设备进行采集。

优选地，其中所述去噪单元401，对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：用小波包变换系统将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

优选地，所述样本数据获取单元402，用于对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集。

优选地，其中在所述样本数据获取单元402，对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

优选地，所述识别模型确定单元403，用于将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽。

优选地，其中在所述识别模型确定单元403，利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：数据初始化模块、极值确定模块、判断模块、识别模型确定模块和更新模块。

优选地，所述数据初始化模块，用于数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T。

优选地，所述极值确定模块，用于根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T。

优选地，所述判断模块，用于确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入识别模型确定模块；若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入更新模块。

优选地，所述识别模型确定模块，用于输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型。

优选地，所述更新模块，用于更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

优选地，所述信号类型识别单元404，用于利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

优选地，其中所述系统还包括：识别准确度验证单元，用于在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。

本发明的实施例的用于识别电缆局部放电信号的信号类型的系统400与本发明的另一个实施例的用于识别电缆局部放电信号的信号类型的方法100相对应，在此不再赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (12)

1.一种用于识别电缆局部放电信号的信号类型的方法，其特征在于，所述方法包括：

对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；

对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集；

将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽；

利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取的电缆局部放电信号通过信号采集设备进行采集。

3.根据权利要求1所述的方法，其特征在于，所述对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换方法将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

4.根据权利要求1所述的方法，其特征在于，所述对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

5.根据权利要求1所述的方法，其特征在于，所述利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

步骤1，数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

步骤2，根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

步骤3，确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，

若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入步骤4；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入步骤5；

步骤4，输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

步骤5，更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^{k +1}为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。

7.一种用于识别电缆局部放电信号的信号类型的系统，其特征在于，所述系统包括：

去噪单元，用于对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；

样本数据获取单元，用于对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集；

识别模型确定单元，用于将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽；

信号类型识别单元，用于利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

8.根据权利要求7所述的系统，其特征在于，所述获取的电缆局部放电信号通过信号采集设备进行采集。

9.根据权利要求7所述的系统，其特征在于，所述去噪单元，对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换系统将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

10.根据权利要求7所述的系统，其特征在于，在所述样本数据获取单元，对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

11.根据权利要求7所述的系统，其特征在于，在所述识别模型确定单元，利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

数据初始化模块，用于数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，..，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

极值确定模块，用于根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

判断模块，用于确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入识别模型确定模块；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入更新模块；

识别模型确定模块，用于输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

更新模块，用于更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i ^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i ^k为第k次迭代时粒子i的速度，PBest_i ^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i ^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i ^{k +1}为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。

12.根据权利要求7所述的系统，其特征在于，所述系统还包括：

识别准确度验证单元，用于在利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果前，利用最优参数对应的SVM信号类型识别模型对测试数据集进行信号类别识别，验证所述最优参数对应的SVM信号类型识别模型的识别准确度。