[发明专利]电缆在线局部放电检测信号识别方法

说明书

技术领域

本发明涉及电缆在线监测技术领域，特别是涉及一种电缆在线局部放电检测信号识别方法。

背景技术

电缆局部放电（Partial Discharge，PD）在线检测中，各高压设备均处于带电运行状态，对电缆局部放电信号的检测造成很大干扰，检测到的放电脉冲可能来自电缆本体、电缆终端头、也可能来自与其连接的其他设备（如开关柜等）。由于不同来源的局部放电信号，对设备的危害不同，其判断标准也有所不同，所以对PD信号的识别就显得尤为重要。

人工神经网络是由大量的功能和形式比较简单的神经元互相连接而构成的复杂网络系统，网络可以看作是从输入到输出的一个非线性映射。其作为一种成功的模式识别技术已在很多智能领域得到运用。自适应小波神经网络在理论上将小波变换与神经网络进行了有机的结合，神经网络的隐含层传递函数由传统的Sigmoid函数变为小波函数，小波的尺度因子与平移因子在神经网络的训练过程中自适应的调整，能够最大限度的对待分类信号进行特征提取。自适应小波神经网络特征提取能力强，但限于其复杂的网络结构，其收敛速度并不理想。而电缆的局部放电信号由于其数据复杂且庞大，传统的识别方法精度低、速度慢。

发明内容

基于此，本发明提供一种电缆在线局部放电检测信号识别方法，该方法识别速度快、识别精度高。

一种电缆在线局部放电检测信号识别方法，包括如下步骤：

获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；

运用小波包对所述样本库中的各个局部放电时域波形进行去噪；

构建预设层数的自适应小波神经网络模型；

根据所述去噪后的各个局部放电时域波形，使用PSO（Particle Swarm Optimization，粒子群优化算法）算法对构建的自适应小波神经网络模型进行一次训练，再使用BP（Back Propagation，网络模型）算法对经一次训练后的自适应小波神经网络模型进行二次训练，得到训练好的小波神经网络；

接收待识别来源的局部放电信号，输入所述训练好的小波神经网络中进行识别，得到所述待识别的局部放电信号的来源。

上述电缆在线局部放电检测信号识别方法，既利用了自适应小波神经网络对时域信号特征提取能力强的特点，又将粒子群算法PSO与BP算法相结合进行两次训练，克服自适应小波神经网络收敛速度慢的缺点，训练得到的小波神经网络精度高、速度快，输入待识别的局部放电信号后能快速检测出其来源，具有检测步骤简单、检测速度快及检测精度高的特点。

附图说明

图1为本发明电缆在线局部放电检测信号识别方法在一实施例中的流程示意图。

图2为各种局部放电时域波形示意图。

图3为建立的4层自适应小波神经网络示意图。

图4为Molet小波的时域波形示意图。

图5为运用小波包对一样本时域波形去噪的效果示意图。

图6为自适应小波神经网络训练过程误差曲线示意图。

图7为其他常用小波函数的示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

如图1所示，是本发明一种电缆在线局部放电检测信号识别方法的流程示意图，包括如下步骤：

S11、获取已知来源的局部放电时域波形，建立局部放电时域波形样本库；

在配电电缆PD在线检测中，电缆终端与开关柜相连接，所检测到的PD脉冲信号可能来自电缆也可能来自开关柜。本实例中，所述已知来源的局部放电时域波形可包括电缆本体局部放电、电缆终端头局部放电、开关柜中的电晕放电和开关柜中的表面放电。

如图2所示的波形图，以最为常见的四种PD波形为样本，分别是电缆本体PD、电缆终端头PD、开关柜中的电晕放电、开关柜中的表面放电；PD检测时的采样频率为100MHz，每个波形的时域长度为1500个采样点。

在一较佳实施例中，还可包括步骤：采用二进制数作为类比标记，标记局部放电时域波形的不同来源；例如电缆本体局放、电缆终端头局放、表面放电、电晕放电可分别对应00，01，10，11；采用二进制数作为类比标记，能提高对小波神经网络输出结果的识别速度。

还可包括步骤：以各个时域波形自身峰值为基准进行压缩，对每个时域波形进行内部归一化，对各个时域波形进行归一化后，有利于提高自适应小波神经网络模型的训练效果。

S12、运用小波包对所述样本库中的各个局部放电时域波形进行去噪；