结合证据折扣的深度超级学习机的局部放电模式识别方法

技术领域

本发明涉及高电压中有关局部放电模式识别的技术领域，具体是结合证据折扣合成方法和深度超级学习机的局部放电诊断方法，属于电气设备绝缘缺陷诊断过程中的一项核心技术，尤其是涉及一种结合证据折扣的深度超级学习机的局部放电模式识别方法。

背景技术

作为电力系统中的重要组成部分，电气设备的绝缘状态与电网的安全稳定运行密切相关。电气设备产生局部放电的原因有很多种，对外表现的形式也不尽相同，不同的绝缘缺陷类型对电气设备的破坏作用也有很大差异，因此准确对放电类型进行识别分类有着十分重要的意义。

在目前的局部放电模式识别方法中，运用大数据处理放电信号已成为局部放电诊断的发展趋势，深度学习也得到了众多学者的青睐。深度神经网络可以深入挖掘数据间的隐藏表示，刻画出数据间的特征，解决传统模式识别方法难以处理的高维、冗杂等问题。但深度神经网络也有缺点，包括大量的超参数、对结果的可解释性差等。且不同深度学习算法各有优势和弊端，采用单一的深度学习方法对局部放电信号进行识别分类时，很难做出全面的诊断，会出现针对某一放电类型或者整体识别效果不佳的情况，会面临着算法比较、算法选择的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合证据折扣的深度超级学习机的局部放电模式识别方法。

本发明的目的可以通过以下技术方案来实现：

一种结合证据折扣的深度超级学习机的局部放电模式识别方法，包括以下步骤：

步骤1：信号采集：通过传感器收集局部放电信号；

步骤2：数据预处理：针对局部放电信号进行去噪处理；

步骤3：利用深度超级学习机针对经过数据预处理的局部放电信号进行初步诊断，并构造出对应的证据体BPA；

步骤4：对证据体BPA进行证据折扣操作；

步骤5：构建新特征：将经过证据折扣操作的证据体BPA添加至原始经过数据预处理的局部放电信号中，形成新的特征向量输入至深度超级学习机进行下一次迭代；

步骤6：循环步骤3至步骤5直至深度超级学习机的损失函数不再减小，即得到最终的深度超级学习机输出的模式识别结果。

进一步地，所述的步骤3中的深度超级学习机采用集成多种机器学习算法的学习机。

进一步地，所述的多种机器学习算法包括逻辑回归算法、K最邻近算法、随机森林算法、极度随机数算法以及XGBoost算法。

进一步地，所述的步骤3包括以下分步骤：

步骤301：将经过数据预处理的局部放电信号分成K个大小相等的数据集；

步骤302：建立识别框架Θ；

步骤303：采用K-Fold交叉验证方法对深度超级学习机中集成的每个深度学习算法进行训练，构造出识别框架下的基本概率分配，即证据体BPA。

进一步地，所述步骤302中的识别框架Θ，其具体包括：F

进一步地，所述步骤303中的证据体BPA，其描述公式为：

i＝1,2,3,4,5，

j＝1,2,3,4,5

式中，i为集成的机器学习算法，j为局部放电的类型，m

进一步地，所述的步骤4包括以下分步骤：

步骤401：针对证据体BPA进行分类，具体分类类别包括可信证据、不冲突证据和冲突证据；

步骤402：基于分类的证据体BPA，判断证据间是否存在隐藏冲突，根据是否存在隐藏冲突采用不同的证据折扣方法并进一步得到对应不同的折扣因子；

步骤403：基于折扣因子计算折扣后的证据。

进一步地，所述的步骤402具体包括：基于分类的证据体BPA，判断证据间是否存在隐藏冲突，若证据间不存在隐藏冲突，对可信证据和不冲突证据，折扣因子取1，对冲突证据，折扣因子根据冲突程度确定；否则采用基于主元的证据折扣方法，根据步骤3构造的多个证据体BPA得到证据主元以及折扣因子。

进一步地，所述步骤403中折扣后的证据，其描述公式为：

式中，m

与现有技术相比，本发明具有以下优点：

1、本发明采用深度超级学习机对局部放电进行模式识别，该学习算法集成了多种传统机器学习方法，有着与深度神经网络相媲美的较高的识别精度，而且解决了深度神经网络中间过程可解释性差的问题，以及解决了对单一深度神经网络的选择问题、多次对比问题。

2、本发明结合了证据折扣合成方法，将深度超级学习机诊断出的局部放电模式结果转换为辨识框架下的基本概率分配，构造出融合需要的多个证据体，利用证据折扣方法降低证据体的不确定性，同时通过融合各种算法的诊断结果，得到了更加全面可靠的识别效果。

3、本发明基于深度超级学习机，该方法属于深度学习的一种，采用集成的思想，将多个传统机器学习算法组合在一起，在保证中间过程的可解释性的同时，其损失函数和准确性也均优于组合中的任意一种算法，同时本发明结合了证据折扣合成方法，为不确定信息的融合提供了一种良好的方式，对不同方法的诊断结果进行了融合推理，得出更加可靠的、更低不确定性的模式识别结果。

附图说明

图1为本发明的方法流程图；

图2为本发明方法中结合证据折扣的深度超级学习机的算法示意图；

图3为本发明方法中证据折扣合成的方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，结合证据折扣的深度超级学习机的局部放电模式识别方法，包括以下步骤：

(S1)信号采集。通过传感器，如高频传感器、特高频传感器等，收集电气设备的局部放电信号；

(S2)数据预处理。由于收集现场环境等因素，原始信号中会包含各种干扰，可以采用小波分析等方法对局部放电信号进行去噪等处理，以提高后续模式识别的准确度；

(S3)深度超级学习机初级诊断局部放电信号，构造出多个证据体的BPA。处理后的局部放电信号作为输入，送入深度超级学习机。本发明中深度超级学习机集成了逻辑回归、K最邻近、随机森林、极度随机树、XGBoost等五种传统机器学习方法。由深度超级学习机对局部放电信号进行初级诊断，并将诊断结果转换为辨识框架下的BPA。构造BPA的主要步骤有：

1)将预处理后的局部放电信号分成K个大小相等的数据集；

2)建立识别框架Θ为{F

3)采用K-Fold交叉验证方法对集成中的每个深度学习算法进行训练，构造出辨识框架下的基本概率分配。设第i个机器学习算法的第j个输出为o

i＝1,2,3,4,5，

j＝1,2,3,4,5

式中，i为集成的机器学习算法，j为局部放电的类型，m

(S4)证据折扣合成。对步骤(S3)构造出的各个证据体的BPA进行证据折扣。其中据折扣合成方法包括基于证据分类的折扣方法和基于主元的证据折扣方法。当证据体之间不存在隐藏冲突时采用基于证据分类的折扣方法，否则采用基于主元的证据折扣方法。如图3所示，主要步骤有：

1)对得到的证据体进行分类，可分为可信证据、不冲突证据和冲突证据；

2)求取折扣因子α。判断证据间是否存在隐藏冲突。若证据间不存在隐藏冲突，对可信证据和不冲突证据，折扣因子取1，对冲突证据，折扣因子根据冲突程度确定；否则采用基于主元的证据折扣方法，根据(S3)构造出的多个证据体的BPA得出证据主元以及折扣因子；

3)计算折扣后的证据。设证据A的BPA为m(A)，折扣后的证据为：

式中，m

(S5)构建新特征。将步骤(S4)折扣后的证据附加到原始特征数据中，作为新的特征向量送入深度超级学习机进行下一次迭代，如图2所示；

(S6)重复步骤(S3)-(S5)，直到损失函数不再减小，得到最终的深度超级学习机输出的模式识别结果。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。