[发明专利]基于萤火虫算法和CNN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。本发明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，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，解决了目前对于高压电缆局部放电模式的识别准确度不够高的问题。

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；