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＝[x

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：

其中，w为惯性因子；c

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：

其中：α、β、γ为指数参数；k为迭代次数；K为最大迭代次数；w

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＝[x

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：

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；c

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：

其中：α、β、γ为指数参数；k为迭代次数；K为最大迭代次数；w

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c

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。