CN112801127A - 基于振荡波的电缆局部放电缺陷识别方法 - Google Patents

基于振荡波的电缆局部放电缺陷识别方法 Download PDF

Info

Publication number
CN112801127A
CN112801127A CN202011436650.2A CN202011436650A CN112801127A CN 112801127 A CN112801127 A CN 112801127A CN 202011436650 A CN202011436650 A CN 202011436650A CN 112801127 A CN112801127 A CN 112801127A
Authority
CN
China
Prior art keywords
particle
algorithm
partial discharge
population
cable
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
CN202011436650.2A
Other languages
English (en)
Inventor
白晓斌
米建伟
梁军科
郭峰
李林
刘子瑞
薛军
郑建康
景晓东
常江
王亮
董文
李飞
蒋文龙
王新辉
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.)
Baoji Power Supply Co Of State Grid Shaanxi Electric Power Co
Xi'an Huapu Electric Instruments Manufacturing Co ltd
State Grid Corp of China SGCC
State Grid Shaanxi Electric Power Co Ltd
Original Assignee
Baoji Power Supply Co Of State Grid Shaanxi Electric Power Co
Xi'an Huapu Electric Instruments Manufacturing Co ltd
State Grid Corp of China SGCC
State Grid Shaanxi Electric Power 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 Baoji Power Supply Co Of State Grid Shaanxi Electric Power Co, Xi'an Huapu Electric Instruments Manufacturing Co ltd, State Grid Corp of China SGCC, State Grid Shaanxi Electric Power Co Ltd filed Critical Baoji Power Supply Co Of State Grid Shaanxi Electric Power Co
Priority to CN202011436650.2A priority Critical patent/CN112801127A/zh
Publication of CN112801127A publication Critical patent/CN112801127A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于振荡波的电缆局部放电缺陷识别方法，利用DE和PSO两者间的互补性将两者进行结合，使得改进后的算法能够挣脱局部最优解的束缚寻找到全局最优解，同时保证算法的收敛速度；将M‑ary多分类思想用于识别四种局部放电信号的分类器，相较于传统方法，构建的分类器数量更少，降低了计算量，提高了分类速度；所提出的基于改进DE‑PSO‑SVM的电缆局部放电信号模式识别算法能够通过局部放电信号识别出电缆缺陷类型，且识别准确率高。本发明方法具有很强的实用前景，具有重要的社会效益和经济价值。

Description

基于振荡波的电缆局部放电缺陷识别方法
技术领域
本发明涉及电缆缺陷检测技术，具体涉及一种基于振荡波的电缆局部放电缺陷识别方法。
背景技术
随着地埋电缆在城市及乡镇的大量使用发现，电力电缆在实际生产制造以及负荷运行过程中不可避免的存在各种各样的问题，给人们的生活和生产带来了不必要的经济损失。振荡波局部放电检测技术是一种新兴的电缆缺陷检测技术，可以有效检测电缆中的各种缺陷，而且其对电缆施加的电压与交流电源有着良好的等效性、作用时间短，对电缆不会造成二次伤害，然而目前关于振荡波电压下电力电缆局部放电信号的模式识别研究相对较少，且识别准确率低。
现有的模式识别应用最广泛的为神经网络，其遵循经验风险最小化原则，反而容易因过拟合造成识别精度低。目前支持向量机(Support Vector Machine，SVM)遵循结构风险最小化原则，在局部放电模式识别中取得了很多成果。
发明内容
针对现有技术的不足，本发明提供一种基于振荡波的电缆局部放电缺陷识别方法，本发明能够有效地识别出振荡波下电缆局部放电类型，且识别准确度高。
为达到上述目的，本发明采用如下技术方案：
基于振荡波的电缆局部放电缺陷识别方法，包括以下步骤：
(1)获取振荡波局部放电数据集，并对数据集中每组样本数据按照已知类别进行分类；
(2)对数据集中的每一组样本数据进行归一化处理，以消除局部放电特征值量纲，同时按照比例将数据集划分为训练集与测试集；
(3)设置支持向量机模型中的核函数类型为径向基核函数(radial basisfunction，RBF)；
(4)利用改进的差分进化-粒子群优化算法(Differential Evolution- ParticleSwarm Optimization，DE-PSO)计算参数；
(5)将求解的参数代入支持向量机(Support Vector Machine，SVM) 模型中，运用训练集数据训练基于M-ary的支持向量机分类器；
(6)使用测试集数据评估支持向量机分类器性能，通过比较使用支持向量机分类器识别得到的标签和按照电缆缺陷类型划分的理论类别标签，得到该模型的识别精度。
进一步地，所述改进的差分进化-粒子群优化算法步骤如下：
4.1)获取振荡波局部放电数据集，开始数据处理过程；
4.2)将MATLAB中生成的N个随机数初始化为粒子种群、迭代次数k＝0，粒子初始位置xi和速度vi、适应度函数表达式f(x)；
4.3)按照适应度函数计算每个粒子的适应度值f(i)，同时确定个体最优值
Figure RE-GDA0002919291870000021
和群体最优值
Figure RE-GDA0002919291870000022
4.4)更新每个粒子的速度和位置，同时令k＝k+1；
4.5)针对每个粒子，使用f(i)与个体最优值
Figure RE-GDA0002919291870000023
比较，若
Figure RE-GDA0002919291870000024
则更新个体最优值，否则保持当前值不变；使用f(i)与群体最优值
Figure RE-GDA0002919291870000025
比较，若
Figure RE-GDA0002919291870000026
则更新群体最优值
Figure RE-GDA0002919291870000027
否则保持当前值不变；
4.6)计算粒子群体的适应度方差值σ2；
4.7)若σ2小于设定的阈值λ0，则执行步骤8)，否则执行步骤9)；
4.8)引入DE算法，将当前PSO种群作为DE算法的初始种群，初始化 DE算法的缩放因子F以及交叉率CR，变异交叉选择出更优后代作为PSO 种群的粒子，执行步骤3)；
4.9)判断粒子搜寻的全局最优解是否满足精度要求或者算法迭代次数满足条件，执行步骤4.10)；若不满足，则以当前粒子群体作为新的粒子群体执行步骤3)；
4.10)算法停止，输出算法求得的全局最优解
Figure RE-GDA0002919291870000031
即改进DE-PSO的 M-ary多分类SVM的分类器参数值。
进一步地，步骤4.4)按照如下公式更新每个粒子的速度和位置：
Figure RE-GDA0002919291870000032
Figure RE-GDA0002919291870000033
其中，
Figure RE-GDA0002919291870000034
为粒子i第k次迭代时位置矢量的第d维分量；
Figure RE-GDA0002919291870000035
为粒子i第 k次迭代速度矢量的第d维分量，ω称为权重系数，也叫做惯性因子，用来联系粒子自身状态，调节粒子搜索可行解的范围，平衡粒子群体搜寻的全局搜索能力和粒子个体的局部搜索能力；c1，c2称为学习因子，决定粒子自身经验和群体经验对粒子速度的影响程度，平衡PSO算法的收敛速度和搜索效果；γ1，γ2为[0，1]之间的随机数，以增加搜索的随机性。
进一步地，步骤4.6)中根据公式
Figure RE-GDA0002919291870000036
计算粒子群体的适应度方差值σ2，其中fi是第i个粒子的适应度值，favg是粒子群体适应度值的平均， f为归一化比例因子。
进一步地，归一化比例因子f表达式为：
Figure RE-GDA0002919291870000041
与现有技术相比，本发明具有以下有益的技术效果：
本发明提出了一种基于改进DE-PSO的M-ary多分类支持向量机用以识别振荡波下局部放电信号，该方法根据局部放电类型多的特征采用M-ary多分类思想构建组合支持向量机；在保持粒子群优化(Particle Swarm Optimization，PSO)算法优点基础上，判断群体适应度方差以适时增加差分进化(Differential Evolution，DE)算法干扰，解决算法易陷入早期收敛的缺点，同时保证了算法的高准确率。最后，通过MATLAB仿真与实验结果进一步验证所提出改进的DE-PSO-SVM算法可以有效地识别出振荡波下电缆局部放电类型，且识别准确度高。
本发明方法具有以下优点：
(1)利用DE及PSO算法两者间的互补性将两者进行结合，使得改进后的算法能够挣脱局部最优解的束缚寻找到全局最优解，同时保证算法的收敛速度。
(2)将M-ary多分类思想用于识别四种局部放电信号的分类器，相较于传统方法，构建的分类器数量更少，降低了计算量，提高了分类速度。
(3)所提出的基于改进DE-PSO-SVM的电缆局部放电信号模式识别算法能够通过局部放电信号识别出电缆缺陷类型，且识别准确率高。该方法具有很强的实用前景，具有重要的社会效益和经济价值。
附图说明
图1为基于M-ary多分类支持向量机的电缆缺陷识别模型；
图2为改进的DE-PSO算法流程图；
图3a为电缆外半导体尖端缺陷模型图；
图3b为电缆外半导体气隙缺陷模型图；
图3c为电缆高电位金属尖端缺陷模型图；
图3d为电缆应力锥搭接过长缺陷模型图。
具体实施方式
下面结合具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
1支持向量机：
模式识别方法主要分为两大类：无监督性模式识别，有监督性模式识别。有监督性模式识别与无监督性模式识别方法相比，该方法可以识别出样本所属于的类型，并能够最大概率的保证识别的正确性。得益于计算机技术的发展，模式识别的应用范围越来越广，对于电力电缆局部放电信号模式识别，主要使用的有监督性模式识别方法有基于神经网络的模型和基于支持向量机的模型。其中基于SVM的模式识别建立在统计理论的基础上，利用非线性映射关系将低维不可分数据映射为高维线性可分数据，实现样本数据的分类。给定训练样本后，支持向量机根据训练样本以及各个样本对应的类别标签确定分类器参数，建立决策面，保证分类正确的基础上，最大限度的使得决策面两侧样本之间的差异最大化。基于支持向量机分类器的模式识别算法能够自适应学习，具有容错性，较强的鲁棒性能。
1.1标准支持向量机：
假设特征空间上有一组线性可分数据样本集为T＝{(ai,bi,ci),yi}，其中i＝1,2,3...N表示有N个数据样本，(ai,bi,ci)表示第i个数据样本的三维特征值，yi∈[1,-1]为第i个数据样本所属于的类别标签。
假设在特征空间内最优分类超平面可以表示为f(x)＝w·x+b＝0，w表示最优分类超平面的权重，也叫做斜率，b表示最优分类超平面在坐标系上的截距，要训练分类器满足所有样本在此最优分类超平面下都能够正确分类，并且使得分类间隔最大，即满足以下条件：
Figure RE-GDA0002919291870000061
由上式可以计算出分类间隔为：
Figure RE-GDA0002919291870000062
其中||w||为w的L2范数。
问题变成在yi(w·xi+b)-1≥0条件下，求解分类间隔的最大值，即目标函数为：
Figure RE-GDA0002919291870000063
构造拉格朗日函数求解，引入拉格朗日因子αi≥0，i＝1,2,3...N，从而可以定义拉格朗日函数如下：
Figure RE-GDA0002919291870000064
根据Karush-Kuhn-Tucker(KKT)条件，求上式关于w和b的偏微分并令其偏积分等于0，则：
Figure RE-GDA0002919291870000065
代入式(4)后，求解上述问题后得到的最优分类超平面函数是：
Figure RE-GDA0002919291870000066
利用拉格朗日对偶性，得到与之等价的对偶最优化问题，即：
Figure RE-GDA0002919291870000071
Figure RE-GDA0002919291870000072
设
Figure RE-GDA0002919291870000073
为对偶最优化问题的解，则存在下标j，使得
Figure RE-GDA0002919291870000074
并可按照式(8)和式(9)求得原始最优化问题的解w*,b*：
Figure RE-GDA0002919291870000075
Figure RE-GDA0002919291870000076
此时，最优分类超平面函数表示如下：
Figure RE-GDA0002919291870000077
其中sgn(x)函数为符号函数，当x值大于等于零时，函数值取1，当x值小于零时，函数值取-1。
1.2支持向量机关键问题研究
支持向量机是Vapnik等学者基于结构风险最小化原则提出的用于分类、回归和预测的一种机器学习方法。标准支持向量机因具有数据拟合度高、调参数方便、泛化能力强等优点而得到广泛应用，其利用拉格朗日的对偶性将优化问题转换为线性不等式约束的二次规划问题。支持向量机是解决二分类问题，而现实实际情况往往是需要对多于两类的问题进行分类，其用在电力电缆领域的推广受到了限制。为此学者们研究出了几种基于支持向量机的多分类方法，有一对多法、一对一法、层次分析法、以及二叉树等方法。
用于分类任务的支持向量机设计包括两个任务：选择内核函数和设置惩罚因子参数C的值。参数C处理了分类器训练期间最大余量与分类错误之间的权衡。显然，在高错误惩罚下，分类器给出了将所有训练点正确分类的边界，但是，这会产生非常不规则的边界，影响分类器的良好性能。核函数的选择也影响分类器性能，通常首选径向基核函数(RBF)而不是多项式参数核函数，因为它们对异常值不敏感，并且不需要输入具有相等的方差。除了选择核函数形式之外，还应该调整核函数的各种调整参数。当使用多项式核函数时，需要选择多项式的阶数，而当使用RBF时，需要确定σ的值。常用的几种支持向量机参数优化方法有交叉网格法(Grid Search，GS)、遗传算法(Genetic Algorithm，GA)、粒子群优化算法(Particle Swarm Optimization， PSO)、蚁群优化算法(Ant Colony Optimization，ACO)、差分进化算法 (Differential Evolution，DE)等。
2改进的DE-PSO-SVM识别器
本发明在前述理论研究的基础上，针对标准SVM在应用于振荡波下局部放电识别时的关键问题，提出了一种基于改进DE-PSO的M-ary多分类 SVM，使用M-ary多分类思想解决电缆局部放电信号非二分类识别问题，使用改进DE-PSO算法优化单个线性支持向量机分类器的参数。
2.1基于M-ary的多分类支持向量机
对于施加振荡波局部放电测试实验的电力电缆，其发生局部放电的部位主要集中在电缆中间接头，中间接头常见的缺陷类型通常分为四类：外半导体层尖端缺陷，外半导体层气隙缺陷，高电位金属尖端缺陷，应力锥搭建过长缺陷。SVM分类器是用来解决二分类问题的，判断电力电缆局部放电信号类型时有所限制，因此可以使用基于M-ary思想的支持向量机解决多分类问题。
基于M-ary的多分类支持向量机是Sebald和Buchlew等人在2001年提出的一种用于解决SVM多类分类问题的方法，该方法将多种类别向量划分为多个二分类向量的组合，从而将多分类问题转化为多个二分类问题，所需构建的二分类分类器个数为M＝log2k个，k为待识别问题的总类别数，相较于传统的“一对一”和“一对多”方法，构建的分类器数量更少，降低了计算量，提高了分类速度。
M-ary SVM方法构建多个分类器，利用将总样本分为多个小组，任意两者相互结合比较确定样本最终所属类别，从而解决多分类问题。设全体样本为S＝{x1,x2,...,xk}，xi为待识别的多类别样本，所需子分类器个数为M。对于任意第m个子分类器，所有样本均可以分为类别标签为{+1，-1}的两类，分类标签为“+1”的样本集合用Am表示，分类标签为“-1”的样本集合用Bm表示。
第m个分类器将样本分为正类的分类策略可表示为：
Figure RE-GDA0002919291870000091
其中符号
Figure RE-GDA0002919291870000092
表示向下取整符号，即所取值必须为比x小的最大整数。
总样本中除了分类为类别标签为“+1”的样本外，剩下的样本即为类别标签为“-1”的样本，分类策略可表示为：
Bm＝S\Am (12)
通过以上描述可得，样本最终所属类别结果c，判断公式为：
Figure RE-GDA0002919291870000093
其中，yi为样本在各个子分类器模式识别下对应的输出类别标签。
要对四种电力电缆局部放电信号进行模式识别，按照M-ary多分类思想，将样本分别标记为A、B、C、D四类，则需要M＝log24＝2个分类器可以正确识别每个样本。总样本S由A{x1,x2,...,xl}、B{xl+1,xl+2,...,xn}、C{xn+1,xn+2,...,xp}和 D{xp+1,xp+2,...,xk}组成，基于M-ary多分类思想建立两个分类器，根据分配策略(11) 和(12)配置每个分类器对应的类别标识为“+1”及“-1”的标示样本，最终两个分类器的分配策略如表1所示。
表1两个分类器对应的分配策略
类别标示 第一个分类器 第二个分类器
+1 B、D C、D
-1 A、C A、B
对于某一个样本，按照分配策略划分其在子分类器下所属正负类别标示，经过训练识别后，通过分类识别函数可知，每个子分类器的输出只能为“-1”或者“+1”，即y1,y2∈{-1,+1}，根据公式(14)计算得出，样本经过基于M-ary的多分类支持向量机识别后输出最终结果为集合{1,2,3,4}中任一个元素，若最终输出为“1”，代表输入样本属于外半导体层气隙缺陷局部放电。基于M-ary 多分类支持向量机的电缆缺陷识别模型如图1所示。
2.2改进DE-PSO寻优算法
粒子群优化算法相比于其他现代优化方法，最明显的特色就是所需调整的参数较少，但同时也有一个问题就是这些参数的选取对算法的精度和效率影响显著，参数选取不合适会造成算法寻优在早期陷入局部最优解，迭代效率低，同时随着粒子飞行速度缺乏动态的调节，导致在最优解附近无法做到精细搜索，导致局部搜索能力不强。差分进化算法相对于其他智能算法而言，算法较稳定，鲁棒性强，反复多次运算均能收敛到同一个解中，算法需要的参数只有两个，且该参数的设置对最终优化结果影响不大，但是若新变异选择产生的个体适应度值不如其父类，则会出现搜索停滞，一般出现在迭代后期，靠近最优解范围内，个体数量减少导致搜索能力降低。
可以看出，PSO算法和DE算法都可以解决寻优问题，PSO算法的群体寻优整合了个体自身行为寻找的最佳解和社会协作行为寻找的最佳解，并在两者协同作用下寻找最优解，收敛速度快，但是该算法在前期容易陷入局部最优解，对初始值及参数设置值较敏感。相反，DE算法的寻优过程并没有利用个人经验来指导寻优行为，可以认为是历史最佳解和扰动的组合，对初始值及参数设置不敏感，但是在接近最优解范围内容易陷入局部最优解，收敛速度缓慢。针对上述问题，本发明提出一种改进DE-PSO优化算法，将DE 算法引入PSO算法中，利用DE算法中的变异、交叉操作使得PSO算法粒子种群能够遍历可行解的各个空间，避免陷入局部最优解中。
改进DE-PSO算法需要在PSO算法中增加扰动以达到跳出局部最优解的目的，何时对粒子群体进行扰动就是该算法的关键问题，若一直对粒子群体进行干扰，迫使其不断交叉变异，则会使得算法收敛速度变得缓慢，影响算法原本的优势，且可能无法寻找到全局最优解。因此，需要在粒子群体陷入早期收敛的时候，使用DE算法进行扰动。有学者曾经提出使用粒子群体适应度方差σ2反映粒子群体的收敛程度，σ2的表达式如公式(15)所示：
Figure RE-GDA0002919291870000111
其中fi是第i个粒子的适应度值，favg是粒子群体适应度值的平均，f为归一化比例因子，其表达式计算如公式(16)所示，
Figure RE-GDA0002919291870000112
可以看出σ2值越小，粒子相互之间的距离越小，粒子群体越趋于收敛状态。当σ2＝0时说明大部分粒子群体都聚集在搜索空间内的某一位置上，此时粒子群体收敛，粒子群体搜寻到最优解，这一解可能是全局最优解，也可能是早期收敛状态下的局部最优解。因此，通过粒子群体适应度方差σ2只能判断算法收敛，无法判断算法是否陷入局部最优解。
为了避免算法陷入局部最优解，改进的DE-PSO算法在判断粒子群体适应度方差值σ2小于某阈值λ0时，引入DE算法进行干扰，保证后代粒子能够挣脱局部最优解，在多次迭代与干扰条件下，寻找到全局最优解，其中λ0根据实际问题进行取值。
改进DE-PSO算法的基本思想：初始化PSO算法种群，根据粒子群算法的位置和速度更新公式对PSO算法的个体粒子进行更新，计算PSO粒子群体的适应度方差值，当群体方差较小即粒子群体聚集在某一位置时，使用DE 算法扰动调整粒子，仅当粒子后代的适应性更好时，更新粒子的位置，后续，以DE算法更新的后代作为新的粒子群体，继续使用PSO算法更新粒子位置和速度，以上述判别方法继续迭代，直至粒子搜寻的全局最优解达到目标精度或者算法达到迭代次数限制。
改进的DE-PSO算法的主要流程图如图2所示：
改进的DE-PSO算法步骤如下：
1)准备振荡波局部放电数据集，开始对数据进行处理
2)初始化粒子种群数量N、迭代次数k＝0，粒子初始位置xi和速度vi、适应度函数表达式f(x)，其中初始化粒子种群是MATLAB中产生的随机数；
3)按照适应度函数计算每个粒子的适应度值f(i)，同时确定个体最优值
Figure RE-GDA0002919291870000121
和群体最优值
Figure RE-GDA0002919291870000122
4)按照公式(17)和公式(18)更新每个粒子的速度和位置，同时令k＝k+1；
Figure RE-GDA0002919291870000123
Figure RE-GDA0002919291870000124
5)针对每个粒子，使用f(i)与个体最优值
Figure RE-GDA0002919291870000125
比较，若
Figure RE-GDA0002919291870000126
则更新个体最优值，否则保持当前值；使用f(i)与群体最优值
Figure RE-GDA0002919291870000127
比较，若
Figure RE-GDA0002919291870000128
则更新群体最优值
Figure RE-GDA0002919291870000129
否则保持当前值；
6)根据公式(15)计算粒子群体的适应度方差值σ2；
7)若σ2小于设定的阈值λ0，则执行步骤8)，否则执行步骤9)；
8)引入DE算法，将当前PSO种群作为DE算法的初始种群，初始化 DE算法的缩放因子F以及交叉率CR，变异交叉选择出更优后代作为PSO 种群的粒子，执行步骤3)；
9)判断粒子搜寻的全局最优解是否满足精度要求或者算法迭代次数满足条件，满足则执行步骤10)；若不满足，则以当前粒子群体作为新的粒子群体执行步骤3)；
10)算法停止，输出算法求得的全局最优解
Figure RE-GDA0002919291870000131
即改进DE-PSO的M-ary 多分类SVM的分类器参数值。
2.3改进DE-PSO的M-ary多分类SVM
对于此次振荡波局部放电模式识别问题，提出的改进DE-PSO的M-ary 多分类SVM构建分类器的步骤可以描述如下：
(1)对振荡波局部放电数据集进行处理，其中包括对采集的数据按照已知类别进行分类；
(2)对每一组样本数据进行归一化处理，消除局部放电特征值量纲，同时按照比例将全体数据集划分为训练集与测试集；
(3)设置支持向量机的核函数为径向基核函数；
(4)外部调用函数改进DE-PSO优化算法计算自由参数；
(5)将求解的参数代入支持向量机模型中，运用训练集数据对分类器进行训练；
(6)使用测试集评估分类器性能，通过比较样本的识别标签和理论类别标签，给出该模型的识别精度。
3实验验证
本次研究实验选择德国Ohv diagnostic公司研制的OHV电缆振荡波局放测试系统OWTS M30型号仪器，系统测试频率为20Hz到1000Hz的阻尼交流电压，系统在测试过程中产生的阻尼交流电压可达30kV。
所使用的电缆均为铝芯交联聚乙烯绝缘电力电缆，选择电缆中的一段人工制作特定的电缆缺陷，主要有四种，分别为外半导体层尖端缺陷、外半导体层气隙缺陷、高电位尖端缺陷和应力锥搭接过长缺陷，制作的对应电缆缺陷模型图如图3a-图3d所示。
搭建由总控高压电源、OWTS M30、电缆缺陷实物模型、无局放健康电缆以及电脑组成的实验平台将电缆缺陷实物模型一端接入M30振荡波测试系统中，一段接入无局放健康长电缆，长电缆的另一端接地。打开振荡波测试系统M30开始进行局部放电试验，对待测电缆施加振荡波高压，采用逐步加压的方式，加压大小从0逐渐升高到2.0倍的U0。为了得到充足的数据用于后续模式识别，同时增强支持向量机分类器训练的精度，每个电压等级下进行30次局部放电试验，获得原始局部放电信号数据，整理后并保存。
分别采集四种缺陷模型所产生的局部放电信号，相同条件下进行实验 100次，绘制放电累计统计结果，生成三维图谱。将三维统计图谱按照相位方向分为正半周图谱和负半周图谱，选择统计值作为计算，共提取了不对称度Sk、峰值个数N、尖峰度ku、放电起始相位
Figure RE-GDA0002919291870000141
和正负半波相关系数c五种统计值，考虑图谱相位，描述一种局部放电信号需要提取8个统计值。
实验软件平台为MATLAB2016版本，实验数据为振荡波电压下各个缺陷类型电缆局部放电信号，每种类型局部放电样本取500个，共计2000个样本数据，按照20％的比例划分测试集数据与训练集数据。根据局部放电信号特征值计算方法，对每个样本数据计算特征值，最终每个局部放电样本数据转化为维数为N(N个特征值)的一维向量，故总样本数据规模为4*500*N。
取训练集数据训练支持向量机分类器获得最佳性能，然后输入测试集数据进行测试，经过在MATLAB平台上计算，基于M-ary多分类改进 DE-PSO-SVM的电缆局部放电模式识别结果如表2所示。
表2基于SVM的电缆局部放电模式识别结果
Figure RE-GDA0002919291870000151
从表2中可以看出，提出的算法对振荡波下局部放电信号的平均识别率为89.875％，对D类电缆应力锥搭接过长造成的局部放电信号识别准确率最高，达到93.5％。最终证明本发明所提出的基于M-ary多分类改进 DE-PSO-SVM的电缆局部放电模式识别算法能够识别出振荡波电压下电缆常见的四种电缆缺陷。
参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。

Claims (5)

1.基于振荡波的电缆局部放电缺陷识别方法，其特征在于，包括以下步骤：
(1)获取振荡波局部放电数据集，并对数据集中每组样本数据按照已知类别进行分类；
(2)对数据集中的每一组样本数据进行归一化处理，以消除局部放电特征值量纲，同时按照比例将数据集划分为训练集与测试集；
(3)设置支持向量机模型中的核函数类型为径向基核函数；
(4)利用改进的差分进化-粒子群优化算法计算参数；
(5)将求解的参数代入支持向量机模型中，运用训练集数据训练基于M-ary的支持向量机分类器；
(6)使用测试集数据评估支持向量机分类器性能，通过比较使用支持向量机分类器识别得到的标签和按照电缆缺陷类型划分的理论类别标签，得到该模型的识别精度。
2.根据权利要求1所述的基于振荡波的电缆局部放电缺陷识别方法，其特征在于，所述改进的差分进化-粒子群优化算法步骤如下：
4.1)获取振荡波局部放电数据集，开始数据处理过程；
4.2)将MATLAB中生成的N个随机数初始化为粒子种群、迭代次数k＝0，粒子初始位置xi和速度vi、适应度函数表达式f(x)；
4.3)按照适应度函数计算每个粒子的适应度值f(i)，同时确定个体最优值
Figure FDA0002827324820000011
和群体最优值
Figure FDA0002827324820000012
4.4)更新每个粒子的速度和位置，同时令k＝k+1；
4.5)针对每个粒子，使用f(i)与个体最优值
Figure FDA0002827324820000013
比较，若
Figure FDA0002827324820000014
则更新个体最优值，否则保持当前值不变；使用f(i)与群体最优值
Figure FDA0002827324820000015
比较，若
Figure FDA0002827324820000021
则更新群体最优值
Figure FDA0002827324820000022
否则保持当前值不变；
4.6)计算粒子群体的适应度方差值σ2；
4.7)若σ2小于设定的阈值λ0，则执行步骤8)，否则执行步骤9)；
4.8)引入DE算法，将当前PSO种群作为DE算法的初始种群，初始化DE算法的缩放因子F以及交叉率CR，变异交叉选择出更优后代作为PSO种群的粒子，执行步骤3)；
4.9)判断粒子搜寻的全局最优解是否满足精度要求或者算法迭代次数满足条件，执行步骤4.10)；若不满足，则以当前粒子群体作为新的粒子群体执行步骤3)；
4.10)算法停止，输出算法求得的全局最优解
Figure FDA0002827324820000023
即改进DE-PSO的M-ary多分类SVM的分类器参数值。
3.根据权利要求2所述的基于振荡波的电缆局部放电缺陷识别方法，其特征在于，步骤4.4)按照如下公式更新每个粒子的速度和位置：
Figure FDA0002827324820000024
Figure FDA0002827324820000025
其中，
Figure FDA0002827324820000026
为粒子i第k次迭代时位置矢量的第d维分量；
Figure FDA0002827324820000027
为粒子i第k次迭代速度矢量的第d维分量，ω称为权重系数，也叫做惯性因子，用来联系粒子自身状态，调节粒子搜索可行解的范围，平衡粒子群体搜寻的全局搜索能力和粒子个体的局部搜索能力；c1，c2称为学习因子，决定粒子自身经验和群体经验对粒子速度的影响程度，平衡PSO算法的收敛速度和搜索效果；γ1，γ2为[0，1]之间的随机数，以增加搜索的随机性。
4.根据权利要求2所述的基于振荡波的电缆局部放电缺陷识别方法，其特征在于，步骤4.6)中根据公式
Figure FDA0002827324820000031
计算粒子群体的适应度方差值σ2，其中fi是第i个粒子的适应度值，favg是粒子群体适应度值的平均，f为归一化比例因子。
5.根据权利要求4所述的基于振荡波的电缆局部放电缺陷识别方法，其特征在于，归一化比例因子f表达式为：
Figure FDA0002827324820000032
CN202011436650.2A 2020-12-09 2020-12-09 基于振荡波的电缆局部放电缺陷识别方法 Pending CN112801127A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011436650.2A CN112801127A (zh) 2020-12-09 2020-12-09 基于振荡波的电缆局部放电缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011436650.2A CN112801127A (zh) 2020-12-09 2020-12-09 基于振荡波的电缆局部放电缺陷识别方法

Publications (1)

Publication Number Publication Date
CN112801127A true CN112801127A (zh) 2021-05-14

Family

ID=75806578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011436650.2A Pending CN112801127A (zh) 2020-12-09 2020-12-09 基于振荡波的电缆局部放电缺陷识别方法

Country Status (1)

Country Link
CN (1) CN112801127A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267225A (zh) * 2021-12-24 2022-04-01 广东电网有限责任公司江门供电局 一种配电电缆中间接头中连接管尖端缺陷模型
CN115542099A (zh) * 2022-11-28 2022-12-30 国网山东省电力公司东营供电公司 一种在线gis局部放电检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105388402A (zh) * 2015-10-30 2016-03-09 山东电力研究院 基于参数优化svm算法的交联电缆局部放电模式识别方法
CN107449603A (zh) * 2016-05-31 2017-12-08 华北电力大学（保定） 基于支持向量机的风机故障诊断方法
WO2018045689A1 (zh) * 2016-09-07 2018-03-15 江南大学 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105388402A (zh) * 2015-10-30 2016-03-09 山东电力研究院 基于参数优化svm算法的交联电缆局部放电模式识别方法
CN107449603A (zh) * 2016-05-31 2017-12-08 华北电力大学（保定） 基于支持向量机的风机故障诊断方法
WO2018045689A1 (zh) * 2016-09-07 2018-03-15 江南大学 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHIJUN ZHAI等: ""A new sense-through-foliage target recognition method based on hybrid differential evolution and self-adaptive particle swarm optimization-based support vector machine"", 《NEUROCOMPUTING》 *
YI YAN等: ""An enhanced M-ary SVM algorithm for multi-category classification and its application"", 《NEUROCOMPUTING》 *
YING LI等: ""Improved particle swarm optimization algorithm for fuzzy multi-class SVM"", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267225A (zh) * 2021-12-24 2022-04-01 广东电网有限责任公司江门供电局 一种配电电缆中间接头中连接管尖端缺陷模型
CN115542099A (zh) * 2022-11-28 2022-12-30 国网山东省电力公司东营供电公司 一种在线gis局部放电检测方法和装置
CN115542099B (zh) * 2022-11-28 2023-02-07 国网山东省电力公司东营供电公司 一种在线gis局部放电检测方法和装置

Similar Documents

Publication Publication Date Title
Balakrishnan et al. A study of the classification capabilities of neural networks using unsupervised learning: A comparison with K-means clustering
US7362892B2 (en) Self-optimizing classifier
Vigdor et al. The bayesian artmap
CN110009030B (zh) 基于stacking元学习策略的污水处理故障诊断方法
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN109993225B (zh) 一种基于无监督学习的空域复杂度分类方法及装置
CN106971091B (zh) 一种基于确定性粒子群优化和支持向量机的肿瘤识别方法
CN106202952A (zh) 一种基于机器学习的帕金森疾病诊断方法
CN112801127A (zh) 基于振荡波的电缆局部放电缺陷识别方法
Tang et al. Classification for overlapping classes using optimized overlapping region detection and soft decision
Kim et al. An adaptive integrated fuzzy clustering model for pattern recognition
CN111751714A (zh) 一种基于svm和hmm的射频模拟电路故障诊断方法
CN113541834B (zh) 一种异常信号半监督分类方法、系统、数据处理终端
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
Yang et al. An Evidence Combination Method based on DBSCAN Clustering.
Nazari et al. Density based support vector machines for classification
CN116307059A (zh) 配电网区域故障预测模型构建方法及装置、电子设备
CN115293208A (zh) 一种隔离开关故障诊断方法及系统
CN109492664B (zh) 一种基于特征加权模糊支持向量机的音乐流派分类方法及系统
CN111209939A (zh) 一种具有智能参数优化模块的svm分类预测方法
CN114219228A (zh) 一种基于em聚类算法的体育场疏散评价方法
CN105512675A (zh) 一种基于记忆性多点交叉引力搜索的特征选择方法
CN116150687A (zh) 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法
CN110782950B (zh) 基于偏好网格和莱维飞行的多目标粒子群算法的肿瘤关键基因识别方法
CN112308160A (zh) 一种k—均值聚类人工智能优化算法

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