[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

说明书

本发明提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，S1：获取PD特征数据；S2：建立双向LSTM网络模型；S3：得到训练好的双向LSTM网络模型；S4：得到预测结果；S5：确定粒子的个体最优位置与群体最优位置；S6：更新粒子的速度与位置；S7：重新确定粒子的个体最优位置与群体最优位置；S8：判断迭代次数是否达到最大；若达到最大，则得到最优输出值；若没有达到最大，则返回步骤S6；S9：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。本发明提供一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，通过PSO‑LSTM预测模型对高压电缆局部放电模式进行识别，解决了目前对于高压电缆局部放电模式的识别精度还不够高的问题。

技术领域

本发明涉及局部放电模式识别技术领域，更具体的，涉及一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法。

背景技术

高压电缆在电力系统中的应用越来越广泛，已成为电力系统不可或缺的组成部分。但是高压电缆由于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(Partial Discharge，PD)。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。

不同类型的高压电缆绝缘缺陷诱发的PD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，这给高压电缆PD模式识别带来了很大挑战，而目前对于高压电缆局部放电模式的识别精度还不够高。

现有技术中，如2020年08月25日公开的中国专利，基于深度学习进行高压电力电缆局部放电现象检测方法，公开号为CN111579939A，利用双向LSTM进行高压电力电缆局部放电现象检测，能够较为准确的判断监测到的某段高压电力线路电压时序信号中是否出现了局部放电现象，但没有结合粒子群算法(Particle Swarm Optimization，PSO)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精度还不够高的技术缺陷，提供一种基于PSO和双向LSTM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：

一种基于PSO和双向LSTM的高压电缆局部放电模式识别方法，包括以下步骤：

S1：获取PD(Partial Discharge，局部放电)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(Long Short-Term Memory，长短期记忆)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；