CN112183737A - 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法 - Google Patents

基于萤火虫算法和cnn的高压电缆局部放电模式识别方法 Download PDF

Info

Publication number
CN112183737A
CN112183737A CN202011057846.0A CN202011057846A CN112183737A CN 112183737 A CN112183737 A CN 112183737A CN 202011057846 A CN202011057846 A CN 202011057846A CN 112183737 A CN112183737 A CN 112183737A
Authority
CN
China
Prior art keywords
firefly
partial discharge
neural network
optimal position
convolutional neural
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
Application number
CN202011057846.0A
Other languages
English (en)
Inventor
吴毅江
王干军
林洪栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202011057846.0A priority Critical patent/CN112183737A/zh
Publication of CN112183737A publication Critical patent/CN112183737A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明提供一种基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，包括以下步骤：S1：获取不同电缆绝缘缺陷类型的局部放电数据，并对局部放电数据进行处理，得到局部放电特征数据；S2：建立卷积神经网络模型，并将局部放电特征数据输入卷积神经网络模型，根据萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；S3：通过优化后的卷积神经网络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萤火虫算法和CNN的高压电缆局部放电模式识别方法，通过萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型，解决了目前对于高压电缆局部放电模式的识别准确度不够高的问题。

Description

基于萤火虫算法和CNN的高压电缆局部放电模式识别方法
技术领域
本发明涉及高压电缆局部放电模式识别技术领域，更具体的，涉及一种基于萤火虫算法和CNN的高压电缆局部放电模式识别方法。
背景技术
由于高压电缆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。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。
不同类型的电缆绝缘缺陷诱发的局部放电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，而目前还难以区分相似度较高的电缆绝缘缺陷类型，导致对于高压电缆局部放电模式的识别准确度不够高。
现有技术中，如2019年06月07日公开的中国专利，一种特高压设备局部放电检测数据的判别方法，公开号为CN109856517A，利用卷积神经网络(Convolutional NeuralNetworks，CNN)对故障类型进行模式学习和识别，提高了识别的准确率，但没有结合萤火虫算法进行检测识别。
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准确度不够高的技术缺陷，提供一种基于萤火虫算法和CNN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：
基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，包括以下步骤：
S1：获取不同电缆绝缘缺陷类型的局部放电数据，并对局部放电数据进行处理，得到局部放电特征数据；
S2：建立卷积神经网络(Convolutional Neural Networks，CNN)模型，并将局部放电特征数据输入卷积神经网络模型，根据萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；
S3：通过优化后的卷积神经网络模型实现对高压电缆局部放电模式的识别。
上述方案中，通过萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型，并采用优化后的卷积神经网络模型对高压电缆局部放电模式进行识别，提高了识别准确度，能较好地识别具有高相似度的电缆缺陷类型。
优选的，在步骤S1中，对局部放电数据进行处理的步骤包括：
S1.1：对局部放电数据进行去噪与局部放电脉冲分离处理，得到分离后的数据；
S1.2：对分离后的数据进行局部放电单个脉冲的特征构造与提取处理，得到局部放电特征数据。
优选的，在步骤S1中，得到局部放电特征数据之后，还包括将局部放电特征数据划分为训练样本集和测试样本集。
优选的，步骤S2具体为：
S2.1：建立卷积神经网络模型，并初始化卷积神经网络模型参数；
S2.2：设置萤火虫算法的目标函数，根据卷积神经网络模型参数随机在n维搜索空间产生m只萤火虫从而构成萤火虫种群x＝[x1,x2,...,xm]T，这里第i只萤火虫的初始位置为xi＝[xi,1,xi,2,...,xi,n]T、第i只萤火虫的初始速度为vi＝[vi,1,vi,2,...,vi,n]T，则得到萤火虫的初始个体最优位置和萤火虫种群的初始群体最优位置；其中，x1,x2,...,xm分别为萤火虫种群中每只萤火虫的初始位置；xi,1,xi,2,...,xi,n分别为第i只萤火虫在第n维搜索空间的初始位置；vi,1,vi,2,...,vi,n分别为第i只萤火虫在第n维搜索空间的初始速度；
S2.3：将训练样本集输入卷积神经网络模型，得到实际输出，并计算实际输出与预设的期望输出之间的误差绝对值之和，将误差绝对值之和作为每只萤火虫的适应度值；
S2.4：根据萤火虫的适应度值确定萤火虫的个体最优位置与群体最优位置；
S2.5：根据萤火虫的个体最优位置与群体最优位置更新萤火虫的速度与位置；
S2.6：根据萤火虫更新后的位置计算萤火虫新的适应度值，并重新确定萤火虫的个体最优位置与群体最优位置，完成一次迭代；
S2.7：判断是否达到迭代终止条件；
若达到，则得到最优输出值，最优输出值即为最优卷积神经网络模型参数；
否则，返回步骤S2.5进行下一次迭代。
优选的，步骤S2.4具体为：
S2.4.1：比较每只萤火虫的适应度值与其个体最优位置的大小；
若萤火虫的适应度值大于个体最优位置，则用萤火虫的适应度值更新个体最优位置；
否则，保持个体最优位置不变；
S2.4.2：比较萤火虫种群中所有萤火虫的个体最优位置与群体最优位置的大小；
若存在大于群体最优位置的个体最优位置，则用大于群体最优位置的个体最优位置更新群体最优位置；
否则，保持群体最优位置不变。
优选的，在步骤S2.5中，
每只萤火虫都按照如下公式更新自身的速度和位置：
Figure BDA0002711344380000031
Figure BDA0002711344380000032
其中，w为惯性因子；c1,c2为学习因子；rand()为(0,1)区间内的随机数；
Figure BDA0002711344380000033
Figure BDA0002711344380000034
分别为第i只萤火虫在第k次迭代前、后的速度；
Figure BDA0002711344380000035
分别为第i只萤火虫在第k次迭代前、后的位置；
Figure BDA0002711344380000036
是第i只萤火虫在第k次迭代时的个体最优位置；
Figure BDA0002711344380000037
是第k次迭代时的群体最优位置。
优选的，通过以下公式确定第k次迭代时的惯性因子和学习因子：
Figure BDA0002711344380000038
Figure BDA0002711344380000039
Figure BDA00027113443800000310
其中：α、β、γ为指数参数；k为迭代次数；K为最大迭代次数；wi为初始惯性因子；wf为迭代次数达到阈值时的惯性因子；c1i、c2i为初始学习因子；c1f、c2f为迭代次数达到阈值时的学习因子；w(k)为第k次迭代时的惯性因子；c1(k)、c2(k)为第k次迭代时的学习因子。
优选的，在步骤S2.7中，迭代终止条件为萤火虫的适应度值趋于稳定或迭代次数达到最大。
优选的，训练样本集中的数据量占局部放电特征数据总量的85％，测试样本集中的数据量占局部放电特征数据总量的15％。
优选的，在步骤S2中，得到优化后的卷积神经网络模型之后，还包括输入测试样本集到优化后的卷积神经网络模型中进行识别性能测试。
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萤火虫算法和CNN的高压电缆局部放电模式识别方法，通过萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型，并采用优化后的卷积神经网络模型对高压电缆局部放电模式进行识别，提高了识别准确度，能较好地识别具有高相似度的电缆缺陷类型。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明中步骤S2的步骤流程图。
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，基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，包括以下步骤：
S1：获取不同电缆绝缘缺陷类型的局部放电数据，并对局部放电数据进行处理，得到局部放电特征数据；
S2：建立卷积神经网络模型，并将局部放电特征数据输入卷积神经网络模型，根据萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；
S3：通过优化后的卷积神经网络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，通过进行5种不同高压电缆绝缘缺陷试验获取局部放电数据，然后通过萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型，并采用优化后的卷积神经网络模型对高压电缆局部放电模式进行识别，提高了识别准确度，能较好地识别具有高相似度的电缆缺陷类型。
更具体的，在步骤S1中，对局部放电数据进行处理的步骤包括：
S1.1：对局部放电数据进行去噪与局部放电脉冲分离处理，得到分离后的数据；
S1.2：对分离后的数据进行局部放电单个脉冲的特征构造与提取处理，得到局部放电特征数据。
在具体实施过程中，通过对局部放电数据进行去噪与局部放电脉冲分离处理，提高识别准确度。
更具体的，在步骤S1中，得到局部放电特征数据之后，还包括将局部放电特征数据划分为训练样本集和测试样本集。
更具体的，如图2所示，步骤S2具体为：
S2.1：建立卷积神经网络模型，并初始化卷积神经网络模型参数；
S2.2：设置萤火虫算法的目标函数，根据卷积神经网络模型参数随机在n维搜索空间产生m只萤火虫从而构成萤火虫种群x＝[x1,x2,...,xm]T，这里第i只萤火虫的初始位置为xi＝[xi,1,xi,2,...,xi,n]T、第i只萤火虫的初始速度为vi＝[vi,1,vi,2,...,vi,n]T，则得到萤火虫的初始个体最优位置和萤火虫种群的初始群体最优位置；其中，x1,x2,...,xm分别为萤火虫种群中每只萤火虫的初始位置；xi,1,xi,2,...,xi,n分别为第i只萤火虫在第n维搜索空间的初始位置；vi,1,vi,2,...,vi,n分别为第i只萤火虫在第n维搜索空间的初始速度；
S2.3：将训练样本集输入卷积神经网络模型，得到实际输出，并计算实际输出与预设的期望输出之间的误差绝对值之和，将误差绝对值之和作为每只萤火虫的适应度值；
S2.4：根据萤火虫的适应度值确定萤火虫的个体最优位置与群体最优位置；
S2.5：根据萤火虫的个体最优位置与群体最优位置更新萤火虫的速度与位置；
S2.6：根据萤火虫更新后的位置计算萤火虫新的适应度值，并重新确定萤火虫的个体最优位置与群体最优位置，完成一次迭代；
S2.7：判断是否达到迭代终止条件；
若达到，则得到最优输出值，最优输出值即为最优卷积神经网络模型参数；
否则，返回步骤S2.5进行下一次迭代。
在具体实施过程中，采用萤火虫算法对卷积神经网络模型参数进行不断的迭代优化，最终得到最优卷积神经网络模型参数，从而提高卷积神经网络模型的识别准确度。
更具体的，步骤S2.4具体为：
S2.4.1：比较每只萤火虫的适应度值与其个体最优位置的大小；
若萤火虫的适应度值大于个体最优位置，则用萤火虫的适应度值更新个体最优位置；
否则，保持个体最优位置不变；
S2.4.2：比较萤火虫种群中所有萤火虫的个体最优位置与群体最优位置的大小；
若存在大于群体最优位置的个体最优位置，则用大于群体最优位置的个体最优位置更新群体最优位置；
否则，保持群体最优位置不变。
在具体实施过程中，通过不断迭代更新萤火虫算法中的个体最优位置和群体最优位置，直到达到迭代终止条件，得到最终的个体最优位置和群体最优位置作为最优输出值。
更具体的，在步骤S2.5中，
每只萤火虫都按照如下公式更新自身的速度和位置：
Figure BDA0002711344380000061
Figure BDA0002711344380000062
其中，w为惯性因子，体现着萤火虫的飞行速度、位置更新时自身惯性所起的作用；c1,c2为学习因子，体现着萤火虫的飞行速度、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；
Figure BDA0002711344380000063
分别为第i只萤火虫在第k次迭代前、后的速度；
Figure BDA0002711344380000064
分别为第i只萤火虫在第k次迭代前、后的位置；
Figure BDA0002711344380000065
是第i只萤火虫在第k次迭代时的个体最优位置；
Figure BDA0002711344380000066
是第k次迭代时的群体最优位置。
更具体的，通过以下公式确定第k次迭代时的惯性因子和学习因子：
Figure BDA0002711344380000067
Figure BDA0002711344380000068
Figure BDA0002711344380000069
其中：α、β、γ为指数参数；k为迭代次数；K为最大迭代次数；wi为初始惯性因子；wf为迭代次数达到阈值时的惯性因子；c1i、c2i为初始学习因子；c1f、c2f为迭代次数达到阈值时的学习因子；w(k)为第k次迭代时的惯性因子；c1(k)、c2(k)为第k次迭代时的学习因子。
在具体实施过程中，惯性因子w被用来控制在萤火虫解空间中的搜索能力，学习因子c1,c2被用来控制萤火虫的认知能力以及萤火虫之间的信息共享能力。为了保证萤火虫能够良好地搜索到解空间中的最优值，必须合理地选择惯性因子和学习因子。
更具体的，在步骤S2.7中，迭代终止条件为萤火虫的适应度值趋于稳定或迭代次数达到最大。
在具体实施过程中，若萤火虫的适应度值的变化范围小于预设的范围时，则认为萤火虫的适应度值趋于稳定。当萤火虫的适应度值趋于稳定或迭代次数达到最大时，判断达到迭代终止条件；否则，没有达到迭代终止条件。
更具体的，训练样本集中的数据量占局部放电特征数据总量的85％，测试样本集中的数据量占局部放电特征数据总量的15％。
更具体的，在步骤S2中，得到优化后的卷积神经网络模型之后，还包括输入测试样本集到优化后的卷积神经网络模型中进行识别性能测试。
在具体实施过程中，通过进行识别性能测试，实际测试出优化后的卷积神经网络模型对高压电缆局部放电模式的识别准确度，并由工作人员根据性能测试结果选择直接应用该模型或对该模型重新进行训练优化。
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.基于萤火虫算法和CNN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：获取不同电缆绝缘缺陷类型的局部放电数据，并对局部放电数据进行处理，得到局部放电特征数据；
S2：建立卷积神经网络模型，并将局部放电特征数据输入卷积神经网络模型，根据萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；
S3：通过优化后的卷积神经网络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所述的基于萤火虫算法和CNN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，对局部放电数据进行处理的步骤包括：
S1.1：对局部放电数据进行去噪与局部放电脉冲分离处理，得到分离后的数据；
S1.2：对分离后的数据进行局部放电单个脉冲的特征构造与提取处理，得到局部放电特征数据。
3.根据权利要求1所述的基于萤火虫算法和CNN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，得到局部放电特征数据之后，还包括将局部放电特征数据划分为训练样本集和测试样本集。
4.根据权利要求3所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，步骤S2具体为：
S2.1：建立卷积神经网络模型，并初始化卷积神经网络模型参数；
S2.2：设置萤火虫算法的目标函数，根据卷积神经网络模型参数随机在n维搜索空间产生m只萤火虫从而构成萤火虫种群x＝[x1，x2，...，xm]T，这里第i只萤火虫的初始位置为xi＝[xi，1，xi，2，...，xi，n]T、第i只萤火虫的初始速度为vi＝[vi，1，vi，2，...，vi，n]T，则得到萤火虫的初始个体最优位置和萤火虫种群的初始群体最优位置；其中，x1，x2，...，xm分别为萤火虫种群中每只萤火虫的初始位置；xi，1，xi，2，...，xi，n分别为第i只萤火虫在第n维搜索空间的初始位置；vi，1，vi，2，...，vi，n分别为第i只萤火虫在第n维搜索空间的初始速度；
S2.3：将训练样本集输入卷积神经网络模型，得到实际输出，并计算实际输出与预设的期望输出之间的误差绝对值之和，将误差绝对值之和作为每只萤火虫的适应度值；
S2.4：根据萤火虫的适应度值确定萤火虫的个体最优位置与群体最优位置；
S2.5：根据萤火虫的个体最优位置与群体最优位置更新萤火虫的速度与位置；
S2.6：根据萤火虫更新后的位置计算萤火虫新的适应度值，并重新确定萤火虫的个体最优位置与群体最优位置，完成一次迭代；
S2.7：判断是否达到迭代终止条件；
若达到，则得到最优输出值，最优输出值即为最优卷积神经网络模型参数；
否则，返回步骤S2.5进行下一次迭代。
5.根据权利要求4所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，步骤S2.4具体为：
S2.4.1：比较每只萤火虫的适应度值与其个体最优位置的大小；
若萤火虫的适应度值大于个体最优位置，则用萤火虫的适应度值更新个体最优位置；
否则，保持个体最优位置不变；
S2.4.2：比较萤火虫种群中所有萤火虫的个体最优位置与群体最优位置的大小；
若存在大于群体最优位置的个体最优位置，则用大于群体最优位置的个体最优位置更新群体最优位置；
否则，保持群体最优位置不变。
6.根据权利要求4所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，在步骤S2.5中，
每只萤火虫都按照如下公式更新自身的速度和位置：
Figure FDA0002711344370000021
Figure FDA0002711344370000022
其中，w为惯性因子；c1，c2为学习因子；rand()为(0，1)区间内的随机数；
Figure FDA0002711344370000023
Figure FDA0002711344370000024
分别为第i只萤火虫在第k次迭代前、后的速度；
Figure FDA0002711344370000025
分别为第i只萤火虫在第k次迭代前、后的位置；
Figure FDA0002711344370000026
是第i只萤火虫在第k次迭代时的个体最优位置；
Figure FDA0002711344370000027
是第k次迭代时的群体最优位置。
7.根据权利要求6所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，通过以下公式确定第k次迭代时的惯性因子和学习因子：
Figure FDA0002711344370000031
Figure FDA0002711344370000032
Figure FDA0002711344370000033
其中：α、β、γ为指数参数；k为迭代次数；K为最大迭代次数；wi为初始惯性因子；wf为迭代次数达到阈值时的惯性因子；c1i、c2j为初始学习因子；c1f、c2f为迭代次数达到阈值时的学习因子；w(k)为第k次迭代时的惯性因子；c1(k)、c2(k)为第k次迭代时的学习因子。
8.根据权利要求4所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，在步骤S2.7中，迭代终止条件为萤火虫的适应度值趋于稳定或迭代次数达到最大。
9.根据权利要求3所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，训练样本集中的数据量占局部放电特征数据总量的85％，测试样本集中的数据量占局部放电特征数据总量的15％。
10.根据权利要求3所述的基于萤火虫算法和CNN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，得到优化后的卷积神经网络模型之后，还包括输入测试样本集到优化后的卷积神经网络模型中进行识别性能测试。
CN202011057846.0A 2020-09-30 2020-09-30 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法 Pending CN112183737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011057846.0A CN112183737A (zh) 2020-09-30 2020-09-30 基于萤火虫算法和cnn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
CN202011057846.0A CN112183737A (zh) 2020-09-30 2020-09-30 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法

Publications (1)

Publication Number Publication Date
CN112183737A true CN112183737A (zh) 2021-01-05

Family

ID=73945631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011057846.0A Pending CN112183737A (zh) 2020-09-30 2020-09-30 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法

Country Status (1)

Country Link
CN (1) CN112183737A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313413A (zh) * 2021-06-17 2021-08-27 广东工业大学 改进萤火虫算法的熔铝炉能耗模式识别方法、设备及载体

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529701A (zh) * 2016-10-21 2017-03-22 国网吉林省电力有限公司信息通信公司 基于改进的萤火虫算法优化神经网络的光纤状态预测方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
CN111461327A (zh) * 2020-04-01 2020-07-28 河北工程大学 神经网络优化方法及终端设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529701A (zh) * 2016-10-21 2017-03-22 国网吉林省电力有限公司信息通信公司 基于改进的萤火虫算法优化神经网络的光纤状态预测方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
CN111461327A (zh) * 2020-04-01 2020-07-28 河北工程大学 神经网络优化方法及终端设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313413A (zh) * 2021-06-17 2021-08-27 广东工业大学 改进萤火虫算法的熔铝炉能耗模式识别方法、设备及载体

Similar Documents

Publication Publication Date Title
JP2023542460A (ja) ゼロサンプル学習に基づく絶縁体欠陥検出方法及びシステム
CN114217164B (zh) 一种基于放电波形智能识别的电缆故障测距方法及系统
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
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
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
CN111833310A (zh) 一种基于神经网络架构搜索的表面缺陷分类方法
CN112183737A (zh) 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法
CN112364704A (zh) 一种基于时钟同步局部放电的聚类方法及系统
CN114839492A (zh) 一种基于mobilenetv3的gis局部放电类型识别方法及装置
CN112067960A (zh) 基于pso和双向lstm的高压电缆局部放电模式识别方法
KR20200116425A (ko) 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법
CN112362292B (zh) 对风洞试验数据进行异常检测的方法
CN110570114A (zh) 基于可变循环神经网络的电能质量扰动识别方法、系统及介质
CN111814834A (zh) 一种高压电缆局部放电模式识别方法、计算机设备和存储介质
CN115879048A (zh) 一种基于wrfmda模型的串联电弧故障识别方法和系统
CN110543675A (zh) 一种输电线路故障识别方法
CN115239971A (zh) Gis局部放电类型识别模型训练方法、识别方法及系统
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及系统
CN112329535B (zh) 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN111883177B (zh) 基于深度学习的语音关键信息分离方法
CN112183745A (zh) 基于粒子群算法和dbn的高压电缆局部放电模式识别方法
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
CN114743118A (zh) 基于创新型随机森林算法的输电线路劣化绝缘子识别方法
CN112598152A (zh) 基于改进仿射传播聚类的高压断路器故障诊断方法
CN111723851A (zh) 一种生产线故障检测方法

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