CN112067960A - 基于pso和双向lstm的高压电缆局部放电模式识别方法 - Google Patents
基于pso和双向lstm的高压电缆局部放电模式识别方法 Download PDFInfo
- Publication number
- CN112067960A CN112067960A CN202011056065.XA CN202011056065A CN112067960A CN 112067960 A CN112067960 A CN 112067960A CN 202011056065 A CN202011056065 A CN 202011056065A CN 112067960 A CN112067960 A CN 112067960A
- Authority
- CN
- China
- Prior art keywords
- pso
- partial discharge
- voltage cable
- particles
- lstm
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法,S1:获取PD特征数据;S2:建立双向LSTM网络模型;S3:得到训练好的双向LSTM网络模型;S4:得到预测结果;S5:确定粒子的个体最优位置与群体最优位置;S6:更新粒子的速度与位置;S7:重新确定粒子的个体最优位置与群体最优位置;S8:判断迭代次数是否达到最大;若达到最大,则得到最优输出值;若没有达到最大,则返回步骤S6;S9:构建PSO‑LSTM预测模型,并通过PSO‑LSTM预测模型实现对高压电缆局部放电模式的识别。本发明提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法,通过PSO‑LSTM预测模型对高压电缆局部放电模式进行识别,解决了目前对于高压电缆局部放电模式的识别精度还不够高的问题。
Description
技术领域
本发明涉及局部放电模式识别技术领域,更具体的,涉及一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法。
背景技术
高压电缆在电力系统中的应用越来越广泛,已成为电力系统不可或缺的组成部分。但是高压电缆由于长期处于高电压大电流的运行状态,在外力破坏、设备缺陷、水树入侵等因素作用下,产生的不同类型缺陷都会产生局部放电(Partial Discharge,PD)。高压电缆局部放电将引起电缆绝缘内电树的产生和扩展,加速绝缘劣化并最终导致击穿,为电力系统的安全运行带来巨大隐患。
不同类型的高压电缆绝缘缺陷诱发的PD信号具有一定的差异性,但是部分绝缘缺陷类型之间具有很高的相似度,这给高压电缆PD模式识别带来了很大挑战,而目前对于高压电缆局部放电模式的识别精度还不够高。
现有技术中,如2020年08月25日公开的中国专利,基于深度学习进行高压电力电缆局部放电现象检测方法,公开号为CN111579939A,利用双向LSTM进行高压电力电缆局部放电现象检测,能够较为准确的判断监测到的某段高压电力线路电压时序信号中是否出现了局部放电现象,但没有结合粒子群算法(Particle Swarm Optimization,PSO)进行检测识别。
发明内容
本发明为克服目前对于高压电缆局部放电模式的识别精度还不够高的技术缺陷,提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法,包括以下步骤:
S1:获取PD(Partial Discharge,局部放电)特征数据,并将PD特征数据划分为训练数据集与测试数据集;
S2:建立双向LSTM(Long Short-Term Memory,长短期记忆)网络模型,并初始化模型参数;
S3:将训练数据集输入到双向LSTM网络模型中进行训练,得到训练好的双向LSTM网络模型;
S4:将测试数据集输入到训练好的双向LSTM网络模型中进行预测,得到预测结果;
S5:以模型参数为粒子,将所有预测结果的平均绝对百分比误差作为粒子的适应度值;并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置;
S6:根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置;
S7:根据粒子更新后的位置计算粒子新的适应度值,从而重新确定粒子的个体最优位置与群体最优位置,完成一次迭代;
S8:判断迭代次数是否达到最大;
若迭代次数达到最大,则得到最优输出值;
若迭代次数没有达到最大,则返回步骤S6继续迭代;
S9:根据最优输出值构建PSO-LSTM预测模型,并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。
上述方案中,采用PSO算法对双向LSTM网络模型进行优化,从而构建PSO-LSTM预测模型;通过PSO-LSTM预测模型对高压电缆局部放电模式进行识别,能够获得更高的识别性能,提高了局部放电模式识别的精度。
优选的,在步骤S1中,获取PD特征数据的步骤为:
S1.1:获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据;
S1.2:对原始数据进行PD脉冲分离处理,得到分离后的数据;
S1.3:对分离后的数据进行PD单个脉冲的特征构造与提取,得到PD特征数据。
优选的,在步骤S1.2中,还包括对原始数据进行数据去噪处理。
优选的,在步骤S1中,将PD特征数据划分为训练数据集与测试数据集之前,还包括以下步骤:
对PD特征数据采用最大最小归一化处理,映射到[0,1]之间,归一化处理的公式为:
其中,x*为归一化后的PD特征数据;xmin,xmax分别为PD特征数据的最小值与最大值;x为归一化前的PD特征数据。
优选的,在步骤S1中,将PD特征数据按9:1的比例划分为训练数据集与测试数据集。
优选的,在步骤S2中,初始化模型参数包括设置神经元个数与学习率各自的取值范围、搜索范围。
优选的,以神经元个数与学习率为粒子。
优选的,最优输出值为最优的神经元个数与学习率。
优选的,在步骤S2中,还包括初始化PSO(Particle Swarm Optimization,粒子群算法)参数:设置最大迭代次数、种群数量、粒子的初始位置和初始速度。
优选的,在步骤S6中,更新粒子的速度与位置的公式为:
其中,w为惯性算子;c1,c2为学习算子;rand()为(0,1)区间内的随机数; 分别为第i个粒子的运在第k次迭代前、后的速度信息;分别为第i个粒子在第k次迭代前、后的位置信息;是第i个粒子在第k次迭代时的个体最优位置;是第k次迭代时群体最优位置。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法,采用PSO算法对双向LSTM网络模型进行优化,从而构建PSO-LSTM预测模型;通过PSO-LSTM预测模型对高压电缆局部放电模式进行识别,能够获得更高的识别性能,提高了局部放电模式识别的精度。
附图说明
图1为本发明的技术方案实施步骤流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法,包括以下步骤:
S1:获取PD特征数据,并将PD特征数据划分为训练数据集与测试数据集;
S2:建立双向LSTM网络模型,并初始化模型参数;
S3:将训练数据集输入到双向LSTM网络模型中进行训练,得到训练好的双向LSTM网络模型;
S4:将测试数据集输入到训练好的双向LSTM网络模型中进行预测,得到预测结果;
S5:以模型参数为粒子,将所有预测结果的平均绝对百分比误差作为粒子的适应度值;并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置;
S6:根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置;
S7:根据粒子更新后的位置计算粒子新的适应度值,从而重新确定粒子的个体最优位置与群体最优位置,完成一次迭代;
S8:判断迭代次数是否达到最大;
若迭代次数达到最大,则得到最优输出值;
若迭代次数没有达到最大,则返回步骤S6继续迭代;
S9:根据最优输出值构建PSO-LSTM预测模型,并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。
在具体实施过程中,通过步骤S6-步骤S8采用自适应学习策略的PSO算法对双向LSTM网络模型进行迭代优化,从而构建PSO-LSTM预测模型;通过PSO-LSTM预测模型对高压电缆局部放电模式进行识别,能够获得更高的识别性能,提高了局部放电模式识别的精度。
更具体的,在步骤S1中,获取PD特征数据的步骤为:
S1.1:获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据;
S1.2:对原始数据进行PD脉冲分离处理,得到分离后的数据;
S1.3:对分离后的数据进行PD单个脉冲的特征构造与提取,得到PD特征数据。
在具体实施过程中,通过进行5种不同高压电缆绝缘缺陷试验获取原始数据。
更具体的,在步骤S1.2中,还包括对原始数据进行数据去噪处理。
在具体实施过程中,通过对原始数据进行数据去噪处理提高识别精度。
更具体的,在步骤S1中,将PD特征数据划分为训练数据集与测试数据集之前,还包括以下步骤:
对PD特征数据采用最大最小归一化处理,映射到[0,1]之间,归一化处理的公式为:
其中,x*为归一化后的PD特征数据;xmin,xmax分别为PD特征数据的最小值与最大值;x为归一化前的PD特征数据。
更具体的,在步骤S1中,将PD特征数据按9:1的比例划分为训练数据集与测试数据集。
更具体的,在步骤S2中,初始化模型参数包括设置神经元个数与学习率各自的取值范围、搜索范围。
更具体的,以神经元个数与学习率为粒子。
在具体实施过程中,通过粒子群算法优化双向LSTM网络模型的神经元个数与学习率,得到更优的模型参数,从而构建PSO-LSTM预测模型。
更具体的,最优输出值为最优的神经元个数与学习率。
更具体的,在步骤S2中,还包括初始化PSO参数:设置最大迭代次数、种群数量、粒子的初始位置和初始速度。
更具体的,在步骤S6中,更新粒子的速度与位置的公式为:
其中,w为惯性算子,体现着粒子的运行速度、位置更新时自身惯性所起的作用;c1,c2为学习算子,体现着粒子的运行速度、位置更新时个体最优位置和群体最优位置所起的作用;rand()为(0,1)区间内的随机数;分别为第i个粒子的运在第k次迭代前、后的速度信息;分别为第i个粒子在第k次迭代前、后的位置信息;是第i个粒子在第k次迭代时的个体最优位置;是第k次迭代时群体最优位置。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,包括以下步骤:
S1:获取PD特征数据,并将PD特征数据划分为训练数据集与测试数据集;
S2:建立双向LSTM网络模型,并初始化模型参数;
S3:将训练数据集输入到双向LSTM网络模型中进行训练,得到训练好的双向LSTM网络模型;
S4:将测试数据集输入到训练好的双向LSTM网络模型中进行预测,得到预测结果;
S5:以模型参数为粒子,将所有预测结果的平均绝对百分比误差作为粒子的适应度值;并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置;
S6:根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置;
S7:根据粒子更新后的位置计算粒子新的适应度值,从而重新确定粒子的个体最优位置与群体最优位置,完成一次迭代;
S8:判断迭代次数是否达到最大;
若迭代次数达到最大,则得到最优输出值;
若迭代次数没有达到最大,则返回步骤S6继续迭代;
S9:根据最优输出值构建PSO-LSTM预测模型,并通过PSO-LSTM预测模型实现对高压电缆局部放电模式的识别。
2.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,在步骤S1中,获取PD特征数据的步骤为:
S1.1:获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据;
S1.2:对原始数据进行PD脉冲分离处理,得到分离后的数据;
S1.3:对分离后的数据进行PD单个脉冲的特征构造与提取,得到PD特征数据。
3.根据权利要求2所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,在步骤S1.2中,还包括对原始数据进行数据去噪处理。
5.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,在步骤S1中,将PD特征数据按9:1的比例划分为训练数据集与测试数据集。
6.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,在步骤S2中,初始化模型参数包括设置神经元个数与学习率各自的取值范围、搜索范围。
7.根据权利要求6所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,以神经元个数与学习率为粒子。
8.根据权利要求7所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,最优输出值为最优的神经元个数与学习率。
9.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法,其特征在于,在步骤S2中,还包括初始化PSO参数:设置最大迭代次数、种群数量、粒子的初始位置和初始速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056065.XA CN112067960A (zh) | 2020-09-30 | 2020-09-30 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056065.XA CN112067960A (zh) | 2020-09-30 | 2020-09-30 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112067960A true CN112067960A (zh) | 2020-12-11 |
Family
ID=73683164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011056065.XA Pending CN112067960A (zh) | 2020-09-30 | 2020-09-30 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067960A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 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 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111579939A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 基于深度学习进行高压电力电缆局部放电现象检测方法 |
-
2020
- 2020-09-30 CN CN202011056065.XA patent/CN112067960A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 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 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111579939A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 基于深度学习进行高压电力电缆局部放电现象检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856517B (zh) | 一种特高压设备局部放电检测数据的判别方法 | |
CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN111753986B (zh) | 面向深度学习模型的动态测试方法及其装置 | |
CN112067960A (zh) | 基于pso和双向lstm的高压电缆局部放电模式识别方法 | |
CN110767216A (zh) | 一种基于pso算法的语音识别攻击防御方法 | |
CN109164362B (zh) | 一种直流电缆局部放电缺陷故障的识别方法及系统 | |
Myer et al. | Efficient keyword spotting using time delay neural networks | |
KR100247969B1 (ko) | 대용량패턴정합장치및방법 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN106448659B (zh) | 一种基于短时能量和分形维数的语音端点检测方法 | |
Ma et al. | Detection method of insulator based on faster R-CNN | |
CN112036450B (zh) | 一种基于迁移学习的高压电缆局放模式识别方法及系统 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN113947114B (zh) | 基于Transformer神经网络和轴心轨迹的燃气轮机转子故障诊断方法 | |
Ganjun et al. | Partial discharge pattern recognition of high voltage cables based on the stacked denoising autoencoder method | |
CN112530407A (zh) | 一种语种识别方法及系统 | |
CN115222983A (zh) | 一种电缆破损检测方法及系统 | |
CN116452963A (zh) | 一种基于多维特征的海底底质类型分类方法 | |
CN111985528A (zh) | 一种基于pdgan的电缆局放数据增强方法 | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
Bai et al. | Voice activity detection based on time-delay neural networks | |
CN116859717B (zh) | 智能自适应采样控制系统及其方法 | |
CN113948067B (zh) | 一种具有听觉高保真度特点的语音对抗样本修复方法 | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
CN115186772A (zh) | 一种电力设备的局部放电的检测方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |