[发明专利]基于PSO和双向LSTM的高压电缆局部放电模式识别方法

权利要求书

1.基于PSO和双向LSTM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PD特征数据，并将PD特征数据划分为训练数据集与测试数据集；

S2：建立双向LSTM网络模型，并初始化模型参数；

S3：将训练数据集输入到双向LSTM网络模型中进行训练，得到训练好的双向LSTM网络模型；

S4：将测试数据集输入到训练好的双向LSTM网络模型中进行预测，得到预测结果；

S5：以模型参数为粒子，将所有预测结果的平均绝对百分比误差作为粒子的适应度值；并根据粒子的适应度值确定粒子的个体最优位置与群体最优位置；

S6：根据粒子的个体最优位置与群体最优位置更新粒子的速度与位置；

S7：根据粒子更新后的位置计算粒子新的适应度值，从而重新确定粒子的个体最优位置与群体最优位置，完成一次迭代；

S8：判断迭代次数是否达到最大；

若迭代次数达到最大，则得到最优输出值；

若迭代次数没有达到最大，则返回步骤S6继续迭代；

S9：根据最优输出值构建PSO-LSTM预测模型，并通过PSO-LSTM预测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PSO和双向LSTM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，获取PD特征数据的步骤为：

S1.1：获取不同高压电缆绝缘缺陷诱发的PD信号作为原始数据；

S1.2：对原始数据进行PD脉冲分离处理，得到分离后的数据；

S1.3：对分离后的数据进行PD单个脉冲的特征构造与提取，得到PD特征数据。

3.根据权利要求2所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，在步骤S1.2中，还包括对原始数据进行数据去噪处理。

4.根据权利要求1所述的基于PSO和双向LSTM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，将PD特征数据划分为训练数据集与测试数据集之前，还包括以下步骤：

对PD特征数据采用最大最小归一化处理，映射到[0,1]之间，归一化处理的公式为：

其中，x^*为归一化后的PD特征数据；x_min，x_max分别为PD特征数据的最小值与最大值；x为归一化前的PD特征数据。

5.根据权利要求1所述的基于PSO和双向LSTM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，将PD特征数据按9:1的比例划分为训练数据集与测试数据集。

6.根据权利要求1所述的基于PSO和双向LSTM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，初始化模型参数包括设置神经元个数与学习率各自的取值范围、搜索范围。

7.根据权利要求6所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，以神经元个数与学习率为粒子。

8.根据权利要求7所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，最优输出值为最优的神经元个数与学习率。

9.根据权利要求1所述的基于PSO和双向LSTM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，还包括初始化PSO参数：设置最大迭代次数、种群数量、粒子的初始位置和初始速度。

10.根据权利要求1所述的基于PSO和双向LSTM的高压电缆局部放电模式识别方法，其特征在于，在步骤S6中，更新粒子的速度与位置的公式为：

其中，w为惯性算子；c₁,c₂为学习算子；rand()为(0,1)区间内的随机数；分别为第i个粒子的运在第k次迭代前、后的速度信息；分别为第i个粒子在第k次迭代前、后的位置信息；是第i个粒子在第k次迭代时的个体最优位置；是第k次迭代时群体最优位置。