CN110675712A - 一种电力电缆振荡波局部放电检测实操培训系统 - Google Patents

Abstract

本发明公开了一种电力电缆振荡波局部放电检测实操培训系统，由振荡波产生装置、电缆局部放电模拟装置和局部放电图谱分析软件三个部分组成；振荡波产生装置产生高压振荡波激发电力电缆绝缘缺陷放电，电缆局部放电模拟装置在振荡波作用下产生气隙放电、沿面放电、电晕放电等信号；局部放电图谱分析软件支持模拟信号和实测信号输入，针对实测信号，采用改进PSO算法优化核函数参数的支持向量机分类器，准确识别输入的局部放电信号类型。整个实操培训系统涵盖各装置设备间的接线、不同局部放电类型的原理分析、分类器参数设定、图谱分析和报告撰写，全方面系统培训学员快速掌握局部放电检测技术。

Description

一种电力电缆振荡波局部放电检测实操培训系统

技术领域

本发明属于高压电气设备局部放电检测技术领域，尤其涉及一种电力电缆振荡波局部放电检测实操培训系统。

背景技术

随着城市化建设的加快，电力电缆承担着越来越重要的责任，其正常运行的可靠性直接影响人民的日常生活和国家经济稳定发展。目前电力电缆健康状态检测原理主要是采集电力电缆在高压下所激发出的局部放电信号，分析信号特征以判断电力电缆绝缘健康状态，常用的检测方法分为电力电缆在线运行检测方法和电力电缆离线检测方法，离线检测方法中的振荡波局部放电检测方法因为电磁干扰小、设备简单、对电力电缆无二次损伤，且实验结果与工频等效性良好而得到广泛使用。

电力电缆振荡波局部放电检测方法，通过检测分析电力电缆在振荡波高压下激发出的局部放电信号特征，判断电力电缆绝缘状态，从根源上提前避免因电力电缆故障发生的停电事故。此种方法为电力电缆出厂及定期维修检测的必备项目，可以最大概率地降低事故发生所造成的损失，得到了广泛的应用，但是该方法操作起来步骤繁多，环环相扣，且对信号进行分析时需要专业人员的经验指导，否则容易造成误判，带来不必要的损失。因此，需要一套完整的电力电缆振荡波局部放电检测实操系统对学员进行培训，培养学员的专业技能以达到准确分析电力电缆运行状态的目的，满足行业需求。

目前国内也有相应的电力电缆振荡波局部放电检测培训设备，但其缺乏统一完整的专业培训系统，现有的电力电缆振荡波局部放电检测培训设备多为分散的设备，其将高压产生装置和局部放电检测装置分离，不利于学员系统地培训；现有的电力电缆局部放电振荡波检测培训系统未搭建局部放电模型，采用同类型缺陷的实际电缆进行培训，易因使用过程中的错误操作导致电缆二次损伤不再符合培训要求，造成测试精度不高、培训专业性弱、不利于学员能力的提高，同时造成资源浪费；现有的电力电缆振荡波局部放电检测培训系统大多集中在室内理论培训，设备简单，仅仅训练学员局部放电信号采集能力，未培训其后续信号分析处理能力，无法满足电力行业技能要求。

综上所述，现有培训系统存在的问题是：电力电缆振荡波局部放电培训系统多为室内理论培训，缺乏实操经验，且训练设备简单，训练项目单一，未培训其后续信号分析处理能力，无法更快更好地帮助学员贯彻理解电力电缆振荡波局部放电检测方法，无法系统地培训学员局部放电信号采集能力、局部放电信号特征分析能力，从而准确判断电力电缆绝缘健康状态。

发明内容

针对现有的电力电缆振荡波局部放电检测实操培训系统存在的训练设备不完整，训练项目单一；未培训其后续信号分析处理能力，无法更快更好地帮助学员贯彻理解电力电缆振荡波局部放电检测方法；无法系统地培训学员局部放电信号采集能力、局部放电信号特征分析能力，从而准确判断电力电缆绝缘健康状态的问题。本发明的目的在于：提供一种电力电缆振荡波局部放电检测实操培训系统。

为了实现上述任务，本发明采取如下的技术解决方案：

一种电力电缆振荡波局部放电检测实操培训系统，其特征在于：由振荡波高压产生装置、电缆局部放电模拟装置和局部放电图谱分析软件组成；其中：

振荡波高压产生装置，由高压直流电源、高压电子开关、空心电抗器和待测电缆组成，用来产生施加在电力电缆上的振荡波高压，以激发电力电缆内部绝缘缺陷产生局部放电信号；

电缆局部放电模拟装置，主要包括电晕放电模型、气隙放电模型和沿面放电模型；

局部放电图谱分析软件，内部含有基于支持向量机(Support Vector Machine，SVM)的局部放电模式识别优化算法，用来分析模拟输入的局部放电信号特征，同时支持实测局部放电信号图谱分析。

根据本发明，所述待测电缆按照集总分布电路视为待测电缆等效电容；选取空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C三者之间满足关系：

当高压直流电源给电容充满电后，闭合高压电子开关，使得空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C组成二阶谐振振荡回路，产生振荡波高压，其振荡波频率为

进一步地，所述电缆局部放电模拟装置，通过两个特定形状的电极和特定材料的中间介质在高压状态下的现象，模拟电力电缆中的三种典型缺陷局部放电现象，即电晕放电模型、沿面放电模型和气隙放电模型；所有的局部放电模型均放置在保护隔离罩内，保护隔离罩为有机玻璃制作的空心圆柱体，高压电极固定在保护隔离罩圆柱体的上表面，接地电极固定在保护隔离罩圆柱体的下表面，上下两个电极伸出保护隔离罩以方便接线；其中：

电晕放电模型，使用针-柱状两个金属电极，针状金属电极作为高压电极，柱状金属电极作为接地电极，在柱状金属电极上覆盖一层绝缘板以避免发生闪络，两柱状金属电极之间相隔特定的距离；

沿面放电模型，使用两个直径大小不同的金属柱状电极，小直径金属柱状电极作为高压电极，大直径金属柱状电极作为接地电极，两金属柱状电极之间夹一片绝缘板用以记录放电位置，两金属柱状电极相互接触但不发生挤压变形；

气隙放电模型，使用球-柱状两个金属电极，球状金属电极作为高压电极，柱状金属电极作为接地电极，使用环氧树脂制作气隙绝缘层，在中心处留出一个气泡模拟电缆绝缘介质中的气隙，球状金属和柱状金属电极之间相互接触但不发生挤压变形。

优选地，所述图谱分析软件包括模拟信号分析培训和实测信号图谱分析培训，显示输入信号的二维相位分辨的脉冲序列图谱PRPD(PhaseResolvedPartial Discharge，PRPD)、相位分辨的局部放电图谱PRPS(Phase Resolved Pluse Sequence，PRPS)和三相幅值相位关系图3PARD(Three-Phase amplitude Relation Diagram，3PARD)、三相时间相位关系图3PTRD(Three-Phase Time Relation Diagram，3PTRD)、三相中心频率相位关系图3CFRD(Three-Channel Frequency Relation Diagram，3CFRD)图谱，然后运用基于SVM的局部放电模式识别优化算法分离局部放电信号和干扰信号，同时识别出所测电缆局部放电信号的类型。

所述的基于SVM的局部放电模式识别优化算法整体步骤如下：

第一步，采集三种类型的电力电缆局部放电信号；

第二步，将局部放电信号根据需求归一化处理，提取局部放电信号特征向量，从特征向量数据集中抽取一定比例的数据集作为训练集，剩下的数据集作为测试集；

第三步，使用训练集训练基于PSO优化算法的支持向量机分类器；

第四步，使用测试集测试支持向量机分类器的性能。

进一步优选地，所述的基于PSO优化算法的支持向量机分类器，支持向量机分类器选择高斯径向基函数(Radial Basis Function，RBF)作为核函数，利用改进的PSO算法对分类器惩罚因子C和支持向量机核函数参数σ进行优化，具体方法为：

步骤一，对训练集数据进行归一化处理；

步骤二，确定目标，待求参数为惩罚因子C和支持向量机核函数参数σ，目标函数为训练集数据模式识别分类准确度；

步骤三，初始化粒子种群数量N，最大迭代次数为T_gen，每个粒子初始速度和初始位置，适应度值计算表达式，对于此应用，适应度值即为模式识别分类准确度；

步骤四，计算每个粒子的个体最优解和粒子群的全局最优解，对每个粒子，将其当前适应度值与其个体历史最佳位置对应的适应度值做比较，如果当前的适应度值更高，则将用当前位置更新历史最佳位置，粒子位置和速度更新公式为下式(1)和下式(2)：

式中，

为D维空间中第i个粒子第k次迭代更新的位置，

为D维空间中第i个粒子第k次迭代更新的速度，c₁，c₂为学习因子，r₁，r₂为[0,1]之间的任意数，pbest_id为第(k-1)次迭代个体搜寻到的最佳位置，gbest_id为第(k-1)次迭代群体搜寻到的最佳位置；

步骤五，为解决传统PSO算法存在的参数求解过程中陷入局部最优解的问题，一方面对粒子速度权值系数w进行改进，另一方面对粒子全局搜索能力进行改进，在粒子进行迭代更新过程中，将某些粒子以一定的概率重新初始化，并设置粒子飞行速度保持较大值，以保持良好的全局搜索能力；

步骤六，最终PSO算法搜寻到的全局最优解即为惩罚因子C和支持向量机核函数参数σ的最优解。

所述粒子速度权值系数w的改进，设置权值系数随着粒子群迭代次数的增加而衰减，其公式为：

式中，k表示当前迭代代数，T_gen表示最大迭代次数。

所述粒子全局搜索能力改进的具体方法为：

每一次迭代判断粒子群体的适应度方差σ²，若粒子群体适应度方差σ²较小甚至等于0，则表示粒子群体聚集，越接近收敛状态，其适应度方差σ²计算公式如下：

其中，f_i为当前迭代次数下第i个粒子的适应度值，f_avg为当前迭代次数下粒子群体的平均适应度值，f为归一化因子，f＝max{1,|f_i-f_avg|}；

当σ²>0.5时，在粒子迭代过程中随机生成[0,1]之间的数据rand，确定以特定概率p进行随机扰动，当满足条件rand>p时，按照公式(5)对粒子重新初始化，取其速度为速度最大值和速度最小值的平均值，取其粒子位置初始化满足下式(5)：

当σ²不满足条件时，按照公式(1)和公式(2)更新粒子的位置和速度，直至满足迭代条件或者迭代次数。

本发明采用振荡波产生装置、局部放电模拟装置和局部放电图谱分析软件构成一个完整的电力电缆振荡波局部放电检测实操培训系统，整个系统涵盖各装置设备间的接线、不同局部放电类型的原理分析、分类器参数设定、图谱分析和报告撰写，全方面系统培训学员快速掌握局部放电检测技术。整个电力电缆振荡波局部放电检测实操培训系统内部含有基于SVM的局部放电模式识别优化算法，对传统的SVM算法进行改进，使用自适应粒子群算法优化SVM核函数参数，提高电力电缆局部放电识别效率和准确度。此算法可以对采集的局部放电进行数字化分析，支持模拟局部放电信号和实测局部放电信号分析，不仅系统地培训学员局部放电信号采集能力，而且训练学员局部放电信号特征分析能力，从而准确判断电力电缆绝缘健康状态。

附图说明

图1是本发明的电力电缆振荡波局部放电检测实操培训系统整体结构框图。

图2是电力电缆局部放电模型，其中，(a)图为电晕放电模型，(b)图为沿面放电模型，(c)图为气隙放电模型。

图3是局部放电图谱分析软件内嵌的基于SVM的局部放电模式识别优化算法流程图。

以下结合附图和实施例对本发明进行进一步详细说明。

具体实施方式

本发明的技术思路是将振荡波产生装置、局部放电模拟装置和局部放电信号图谱处理软件相结合，构成电力电缆振荡波局部放电检测实操培训系统，整个实操培训系统涵盖各装置设备间的接线、不同局部放电类型的原理分析、分类器参数设定、图谱分析和报告撰写，全方面系统培训学员快速掌握局部放电检测技术。同时，局部放电图谱处理软件内嵌支持向量机(Support Vector Machine，SVM)分类器，该分类器采用改进的粒子群优化(Particle Swarm Optimization，PSO)算法来优化支持向量机的参数。与传统的局部放电标准SVM分类器相比，该算法信号类型识别准确率更高，识别效率更快。

如图1所示，本实施例给出一种电力电缆振荡波局部放电检测实操培训系统，由振荡波高压产生装置、电缆局部放电模拟装置和局部放电图谱分析软件组成；其中：

振荡波高压产生装置，由高压直流电源、高压电子开关、空心电抗器和待测电缆组成，用来产生施加在电力电缆上的振荡波高压，以激发电力电缆内部绝缘缺陷产生局部放电信号；

电缆局部放电模拟装置，主要包括电晕放电模型、气隙放电模型和沿面放电模型；

局部放电图谱分析软件，内部含有基于支持向量机(Support Vector Machine，SVM)的局部放电模式识别优化算法，用来分析模拟输入的局部放电信号特征，同时支持实测局部放电信号图谱分析。

所述待测电缆按照集总分布电路视为待测电缆等效电容；选取空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C三者之间满足关系：

本实施例中，电抗器的电感值选择为0.25H，电抗器电阻为4.16Ω，电缆等效电容值为0.12μF，则当使用高压电源给电容充满电后，闭合高压电子开关，使得空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C组成二阶谐振振荡回路，产生高压振荡波，其振荡波频率

其中的电缆局部放电模拟装置，主要用来模拟电力电缆在振荡波高压下发生局部放电，从而采集此信号进行分析；

局部放电图谱分析软件，包括模拟信号分析培训和实测信号图谱分析，显示输入信号的二维相位分辨的脉冲序列图谱PRPD(PhaseResolvedPartial Discharge，PRPD)、相位分辨的局部放电图谱PRPS(Phase Resolved PluseSequence，PRPS)和三相幅值相位关系图3PARD(Three-Phase amplitude Relation Diagram，3PARD)、三相时间相位关系图3PTRD(Three-Phase Time Relation Diagram，3PTRD)、三相中心频率相位关系图3CFRD(Three-Channel Frequency Relation Diagram，3CFRD)图谱，然后运用基于SVM的局部放电模式识别优化算法分离局部放电信号和干扰信号，同时识别出所测电缆局部放电信号的类型。

如图2所示，本实施例提供的电力电缆局部放电模型主要有三种，分别为电晕放电模型、气隙放电模型和沿面放电模型。通过两个特定形状的电极和特定材料的中间介质在高压状态下的现象，模拟电力电缆中的三种典型缺陷局部放电现象，所有的局部放电模拟装置均放置在保护隔离罩内，保护隔离罩为有机玻璃制作的空心圆柱体，高压电极固定在保护隔离罩圆柱体的上表面，接地电极固定在保护隔离罩圆柱体的下表面，上下两个电极伸出保护隔离罩以方便接线；其中：

电晕放电模型，使用针-柱状两个金属电极，针状金属电极作为高压电极，柱状金属电极作为接地电极，在柱状金属电极上覆盖一层绝缘板以避免发生闪络，两柱状金属电极之间相隔特定的距离；

沿面放电模型，使用两个直径大小不同的金属柱状电极，小直径金属柱状电极作为高压电极，大直径金属柱状电极作为接地电极，两金属柱状电极之间同样夹一片绝缘板用以记录放电位置，两金属柱状电极相互接触但不发生挤压变形；

气隙放电模型，使用球-柱状两个金属电极，球状金属电极作为高压电极，柱状金属电极作为接地电极，使用环氧树脂制作气隙绝缘层，在中心处留出一个气泡模拟电缆绝缘介质中的气隙，球状金属和柱状金属电极之间相互接触但不发生挤压变形。

如图3所示，本实施例提供的局部放电图谱分析软件内嵌的基于SVM的局部放电模式识别优化算法流程如下：

第一步(S101)，采集三种类型的电力电缆局部放电信号；

第二步(S102)，将局部放电信号根据需求归一化处理，提取局部放电信号特征向量，从特征向量数据集中抽取一定比例的数据集作为训练集，剩下的数据集作为测试集；

第三步(S103)，使用训练集训练基于PSO优化算法的支持向量机分类器；

第四步(S104)，使用测试集测试支持向量机分类器的性能。

在本实施例中，第三步中基于PSO优化算法的SVM分类器选择高斯径向基函数作为核函数，利用改进的PSO算法对分类器惩罚因子C和支持向量机核函数参数σ进行优化，具体方法为：

步骤一，对训练集数据进行归一化处理；

步骤二，确定目标，待求参数为惩罚因子C和支持向量机核函数参数σ，目标函数为训练集数据模式识别分类准确度；

步骤三，初始化粒子种群数量N，最大迭代次数为T_gen，每个粒子初始速度和初始位置，适应度值计算表达式，对于此应用，适应度值即为模式识别分类准确度；

步骤四，计算每个粒子的个体最优解和粒子群的全局最优解，对每个粒子，将其当前适应度值与其个体历史最佳位置对应的适应度值做比较，如果当前的适应度值更高，则将用当前位置更新历史最佳位置，粒子位置和速度更新公式为式(1)和式(2)：

其中，

为D维空间中第i个粒子第k次迭代更新的位置，

为D维空间中第i个粒子第k次迭代更新的速度，c₁，c₂为学习因子，r₁，r₂为[0,1]之间的任意数，pbest_id为第(k-1)次迭代个体搜寻到的最佳位置，gbest_id为第(k-1)次迭代群体搜寻到的最佳位置；

步骤五：为避免粒子群在参数求解过程中陷入局部最优解，本发明做出了两方面的改进，一方面对粒子速度权值系数w进行改进，设置权值系数随着迭代次数的增加而衰减，其公式为：

其中，k表示当前迭代代数，T_gen表示最大迭代次数。

另一方面对粒子的全局搜索能力进行改进，在粒子进行迭代更新过程中，将某些粒子以一定的概率重新初始化，并设置粒子飞行速度保持较大值，以保持良好的全局搜索能力；每一次迭代判断粒子群体的适应度方差σ²，若粒子群体适应度方差σ²较小甚至等于0，则表示粒子群体聚集，越接近收敛状态，其计算公式如下：

其中，f_i为当前迭代次数下第i个粒子的适应度值，f_avg为当前迭代次数下粒子群体的平均适应度值，f为归一化因子，f＝max{1,|f_i-f_avg|}；

当σ²>0.5时，在粒子迭代过程中随机生成[0,1]之间的数据rand，确定以特定概率p进行随机扰动，当满足条件rand>p时，按照公式(5)对粒子重新初始化，取其速度为速度最大值和速度最小值的平均值，取其粒子位置初始化满足公式(5)，

当σ²不满足条件时，按照公式(1)和公式(2)更新粒子的位置和速度，直至满足迭代条件或者迭代次数；

步骤六：最终PSO算法搜寻到的全局最优解即为惩罚因子C和支持向量机核函数参数σ的最优解。

本实施例所提供的电力电缆振荡波局部放电检测实操培训系统，学员可以系统地学习到电力电缆状态检测的整个工作流程，涵盖各装置设备间的接线、不同局部放电类型的原理分析、分类器参数设定、图谱分析和报告撰写等方面。可以对电力检测人员反复培训，提高其实操能力以满足行业需求。同时，该电力电缆振荡波局部放电检测实操培训系统加入了改进后的支持向量机分类器，较传统的分类器而言，提高了模式识别的效率和正确性。

以上所述仅为本发明的较佳实施例，仅仅用以解释本发明，本发明不限于这些实施例。凡在本发明的技术方案所作的添加、等同替换，均属于本发明的保护范围。

Claims (8)

1.一种电力电缆振荡波局部放电检测实操培训系统，其特征在于，由振荡波高压产生装置、电缆局部放电模拟装置和局部放电图谱分析软件组成；其中：

振荡波高压产生装置，由高压直流电源、高压电子开关、空心电抗器和待测电缆组成，用来产生施加在电力电缆上的振荡波高压，以激发电力电缆内部绝缘缺陷产生局部放电信号；

电缆局部放电模拟装置，主要包括电晕放电模型、气隙放电模型和沿面放电模型；

局部放电图谱分析软件，内部含有基于SVM的局部放电模式识别优化算法，用来分析模拟输入的局部放电信号特征，同时支持实测局部放电信号图谱分析。

2.如权利要求1所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述待测电缆按照集总分布电路视为待测电缆等效电容；选取空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C三者之间满足关系：

当高压直流电源给电容充满电后，闭合高压电子开关，使得空心电抗器电感L、空心电抗器电阻R和待测电缆等效电容C组成二阶谐振振荡回路，产生振荡波高压，其振荡波频率为

3.如权利要求1所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述电缆局部放电模拟装置，通过两个特定形状的电极和特定材料的中间介质在高压状态下的现象，模拟电力电缆中的三种典型缺陷局部放电现象，即电晕放电模型、沿面放电模型和气隙放电模型；所有的局部放电模型均放置在保护隔离罩内，保护隔离罩为有机玻璃制作的空心圆柱体，高压电极固定在保护隔离罩圆柱体的上表面，接地电极固定在保护隔离罩圆柱体的下表面，上下两个电极伸出保护隔离罩以方便接线；其中：

电晕放电模型，使用针-柱状两个金属电极，针状金属电极作为高压电极，柱状金属电极作为接地电极，在柱状金属电极上覆盖一层绝缘板以避免发生闪络，两柱状金属电极之间相隔特定的距离；

沿面放电模型，使用两个直径大小不同的金属柱状电极，小直径金属柱状电极作为高压电极，大直径金属柱状电极作为接地电极，两金属柱状电极之间夹一片绝缘板用以记录放电位置，两金属柱状电极相互接触但不发生挤压变形；

气隙放电模型，使用球-柱状两个金属电极，球状金属电极作为高压电极，柱状金属电极作为接地电极，使用环氧树脂制作气隙绝缘层，在中心处留出一个气泡模拟电缆绝缘介质中的气隙，球状金属和柱状金属电极之间相互接触但不发生挤压变形。

4.如权利要求1所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述图谱分析软件包括模拟信号分析培训和实测信号图谱分析培训，显示输入信号的PRPD、PRPS图谱和3PARD、3PTRD、3CFRD图谱，然后运用基于SVM的局部放电模式识别优化算法分离局部放电信号和干扰信号，同时识别出所测电缆局部放电信号的类型。

5.如权利要求1或4所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述的基于SVM的局部放电模式识别优化算法整体步骤如下：

第一步，采集三种类型的电力电缆局部放电信号；

第二步，将局部放电信号根据需求归一化处理，提取局部放电信号特征向量，从特征向量数据集中抽取一定比例的数据集作为训练集，剩下的数据集作为测试集；

第三步，使用训练集训练基于PSO优化算法的支持向量机分类器；

第四步，使用测试集测试支持向量机分类器的性能。

6.如权利要求5所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述的基于PSO优化算法的支持向量机分类器，支持向量机分类器选择高斯径向基函数作为核函数，利用改进的PSO算法对分类器惩罚因子C和支持向量机核函数参数σ进行优化，具体方法为：

步骤一，对训练集数据进行归一化处理；

步骤二，确定目标，待求参数为惩罚因子C和支持向量机核函数参数σ，目标函数为训练集数据模式识别分类准确度；

步骤三，初始化粒子种群数量N，最大迭代次数为T_gen，每个粒子初始速度和初始位置，适应度值计算表达式，对于此应用，适应度值即为模式识别分类准确度；

步骤四，计算每个粒子的个体最优解和粒子群的全局最优解，对每个粒子，将其当前适应度值与其个体历史最佳位置对应的适应度值做比较，如果当前的适应度值更高，则将用当前位置更新历史最佳位置，粒子位置和速度更新公式为下式(1)和下式(2)：

式中，

为D维空间中第i个粒子第k次迭代更新的位置，

为D维空间中第i个粒子第k次迭代更新的速度，c₁，c₂为学习因子，r₁，r₂为[0,1]之间的任意数，pbest_id为第(k-1)次迭代个体搜寻到的最佳位置，gbest_id为第(k-1)次迭代群体搜寻到的最佳位置；

步骤五，为解决传统PSO算法存在的参数求解过程中陷入局部最优解的问题，一方面对粒子速度权值系数w进行改进，另一方面对粒子全局搜索能力进行改进，在粒子进行迭代更新过程中，将某些粒子以一定的概率重新初始化，并设置粒子飞行速度保持较大值，以保持良好的全局搜索能力；

步骤六，最终PSO算法搜寻到的全局最优解即为惩罚因子C和支持向量机核函数参数σ的最优解。

7.如权利要求6所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述粒子速度权值系数w的改进，设置权值系数随着粒子群迭代次数的增加而衰减，其公式为：

式中，k表示当前迭代代数，T_gen表示最大迭代次数。

8.如权利要求6所述的电力电缆振荡波局部放电检测实操培训系统，其特征在于，所述粒子全局搜索能力改进的具体方法为：

每一次迭代判断粒子群体的适应度方差σ²，若粒子群体适应度方差σ²较小甚至等于0，则表示粒子群体聚集，越接近收敛状态，其适应度方差σ²计算公式如下：

其中，f_i为当前迭代次数下第i个粒子的适应度值，f_avg为当前迭代次数下粒子群体的平均适应度值，f为归一化因子，f＝max{1,|f_i-f_avg|}；

当σ²>0.5时，在粒子迭代过程中随机生成[0,1]之间的数据rand，确定以特定概率p进行随机扰动，当满足条件rand>p时，按照公式(5)对粒子重新初始化，取其速度为速度最大值和速度最小值的平均值，取其粒子位置初始化满足下式(5)：

当σ²不满足条件时，按照公式(1)和公式(2)更新粒子的位置和速度，直至满足迭代条件或者迭代次数。

Images