一种基于PSOGSA神经网络的XLPE电缆振荡波故障识别方法与流程

本发明属于电缆绝缘缺陷故障识别
技术领域：
，涉及一种电缆振荡波故障识别方法，该识别方法可以实现xlpe电缆振荡波故障类型的准确识别。
背景技术：
：随着我国城市化的发展，城市配电网的占地面积需要尽量减小，为其他城市化建设腾出空间，因此，电力电缆得到了广泛的应用，逐渐取代了架空线路，在配电网中所占的比例越来越大。然而，由于电力电缆长时间埋在地下，容易被腐蚀产生绝缘缺陷，同时，电力电缆的故障查找起来又比架空线路更困难，如果未能及时排除电缆故障，可能会导致更为严重的故障。为了能够准确地查找出电缆的故障，可以通过分析局部放电信号来明确故障的类型、位置等信息。电缆局部放电量的大小与其绝缘状态有关，能反映出绝缘故障的特征。所以，局部放电实验是评估电力电缆绝缘状态的最佳方法。电缆的绝缘结构和运行环境复杂，不同的绝缘缺陷和放电类型对绝缘的破坏作用有很大差异，因此对局放信号进行有效识别对及时发现电缆故障隐患，保障电缆可靠运行有着重要意义。针对传统神经网络诊断模型对xlpe电缆振荡波故障识别准确率低，尤其是在复杂噪声情况无法准确识别等缺点，本发明提出了一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法，首先，对电缆振荡波局放信号进行小波包变换，并计算各分解系数的信息熵，将其作为特征向量，最后，带入psogsa神经网络实现缺陷故障识别。通过对大量试验数据测试，验证了本发明方法的诊断效果，相比与传统的神经网络等方法，分类的准确率更高。技术实现要素：本发明的目的是为克服现有技术的不足，提供了一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法，该方法基于psogsa神经网络，实现xlpe电缆振荡波故障的智能识别，提高xlpe电缆局部放电检测系统的智能化水平。为实现上述目的，本发明采用下述技术方案：一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法，包括下述步骤：(1)设计4种xlpe电缆绝缘缺陷，并采集局放信号，然后进行小波包变换，得到各子带系数图；(2)提取并计算各子带系数的归一化能量值，将其作为特征向量；(3)将上述特征参数输入到psogsa神经网络模型；(4)输出psogsa神经网络模型的类型识别结果，即输出相应的xlpe电缆振荡波故障类型。本发明的有益效果是，相比与传统的神经网络等方法，分类的准确率更高。本发明与现有技术相比具有以下优点：第一、本发明先对采集的局放信号进行小波包变换处理，并将子带系数的归一化能量值作为特征值，克服了现有技术中直接提取局放信号特征易受背景噪声影响，不能有效分离的问题，使得本发明能准确地从复杂的噪声环境中提取有效的局放信号特征；第二、本发明所述的一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法，通过psogsa优化神经网络的参数，避免了传统神经网络方法中运行速度慢，易陷入局部最小值的问题，而且psogsa神经网络对复杂噪声环境中的故障识别具有更高的鲁棒性，使得本发明降低了计算量，提升了运行速度，提高了识别准确率，对复杂噪声环境下具有更强的适应性。附图说明图1为本发明流程框图；图2为xlpe电缆缺陷模型典型局放信号图；图3为局部放电信号的小波包分解示意图；图4为图2psogsa的步骤；图5为各神经网络模型的识别误差统计图；图6为各神经网络模型的识别准确率范围；表1为不同缺陷类型下各模型的平均识别准确率。具体实施方式一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法，本发明特征在于，包括下述步骤：(1)设计4种xlpe电缆绝缘缺陷，并采集局放信号，然后进行小波包变换，得到各子带系数图；(2)提取并计算各子带系数的归一化能量值，将其作为特征向量；(3)将上述特征参数输入到psogsa神经网络模型；(4)输出psogsa神经网络模型的类型识别结果，即输出相应的xlpe电缆振荡波故障类型。所述步骤(1)的具体方法为：首先，4类xlpe电缆缺陷的制作过程为：(1)沿面滑闪放电模型，制作电缆头时，从中心导体引出细长铜丝，固定在主绝缘和硅橡胶的结合面模拟滑闪通道。(2)悬浮电极放电模型，在电缆附件的xlpe绝缘与饶增绝缘之间固定圆铜片以产生悬浮电极放电。(3)内部气隙放电模型，剥开电缆的金属屏蔽层和外半导体层，用钢针扎入电缆绝缘。(4)外部电晕放电模型，在电缆终端头外接的高压导体上悬挂钢针，模拟空气中的外部电晕放电。4种电缆绝缘缺陷的典型振荡波局放信号如图2所示。其中，图2(a)沿面滑闪放电模型典型信号，图2(b)悬浮电极放电模型典型信号，图2(c)内部气隙放电模型典型信号，图2(d)外部电晕放电模型典型信号。由于局放信号的复杂多变，故采用小波包变换以对小波变换没有细分的高频部分进行进一步分解，使得低频频段和高频频段具有相同的时频分辨率。小波包的递推公式为小波包的重建公式为公式(1)、公式(2)中为原始采集信号x(n)经j层小波包分解后得到的第k个分解序列；h0(n),h1(n),g0(n),g1(n)为多分辨率分析低通及高通滤波器系数。局部放电信号的小波包分解示意图如图2所示。所述步骤(2)的具体方法为：小波变换中，原始信号在时域的能量与信号的2范数的平方等价.在小波包能量谱中，可以选择各个子空间内信号的平方和作为能量的标志，为消除每次实验时能量相对值大小的影响，对能量进行归一化处理.对于子空间的小波包变换结果用序列di,j(k)(j＝0,1,...,2i-1；k＝1,2,...,n)表示，则各频段的能量定义为其中di,j(k)表示第i层第j个节点的能量(节点号从低频至高频依次增加，且从0开始)，n表示原始信号长度.所有ei,j构成能量特征向量t信号的总能量e为各能量的代数和各频段所占的能量百分比为t/e，即归一化后的能量特征向量为ep；所述步骤(3)的具体方法为：在所有有社交行为的基于全体的算法，例如pso和gsa，应考虑两个固有特性：算法探索搜索空间的整个部分的能力和开发最优解的能力。搜索整个问题空间被称为探索，而收敛到最优解附近的一个解被称为开发。一个有社交行为的基于全体的算法应有这两种重要的特征来找到最优解。在pso中，探索能力通过pbest实现，而开发能力通过gbest实现。在gsa中，通过对随机参数(g0和α)选择恰当的值可以保证探索能力，通过较重粒子的缓慢运动可以保证开发能力。psogsa的基本思想是结合pso的社交思考能力(gbest)和gsa的局部搜索能力。为了结合这两个算法，可按照如下(6)式：vi(t+1)＝w×vi(t)+c′1×rand×aci(t)+c′2×rand×(gbest-xi(t))(6)其中vi(t)是粒子i的在t次迭代时的速度，c′j是加速系数，w是加权函数，rand是一个0到1之间的随机数，aci(t)是粒子i的在t次迭代时的加速度，gbest是目前的最优解。在每次迭代中，粒子的位置按下式更新：xi(t+1)＝xi(t)+vi(t+1)(7)当满足结束标准时停止更新速度和位置。psogsa的步骤如图3所示。在psogsa中，解的质量(适合度)是在更新过程中考虑的；粒子附近的好的解会试图吸引其他正在探索搜索空间的不同区域的粒子；当所有的粒子都接近一个好的解时，它们会移动得很慢。在这种情况下，gbest会帮助它们开发出全局最优解；pgogsa使用一个存储器(gbest)来保存目前发现的最优解，所以它在任何时刻都是可用的；每个粒子可以观察最优解(gbest)并且向它移动；通过调节c′1和c′2可以平衡全局搜索和局部搜索的能力；在训练神经网络阶段，首先，定义使用网络误差的适合度函数来评估粒子在pso，gsa和psogsa中的适合度；然后定义编码策略对各粒子的网络权值和偏置进行编码。本发明使用了矩阵编码策略因为问题是训练神经网络；编码策略如公式(8)所示：其中w1是隐含层的权值矩阵，b1是隐含层的偏置，w2是输出层的权值矩阵，w′2是w2的转置，b2是输出层的偏置。可得最终优化后的神经网络模型；所述步骤(4)的具体方法为：将经过小波包分解后的电缆振荡波信号，分别带入pso，gsa和psogsa优化后的神经网络，并对神经网络设置不同数目的隐含层，进行20次独立测试，各模型中神经网络隐含层层数对误差均值，误差方差，最小误差值如图4所示。从图4中可以看出，随着隐层数的增加，识别的误差变化基本处于凹形，在隐层处于4，6时，误差均值，误差方差和最小误差值较小。其中psogsann的整体稳定性最好，无论是误差均值，误差方差和最小误差值均有明显优势，其中，当隐层数为6时，误差均值为0.032，psonn和gsann分别为0.031，0.048；误差方差0.019，psonn和gsann分别为0.005，0.011；最小误差值0.004，psonn和gsann分别为0.02，0.027.误差方差0.019。不同缺陷模型在各模型的识别准确率范围如图5所示。其中条状为平均识别准确率，i型线描述各识别率的范围，从图中，我们可以发现，针对各种缺陷类型，psogsann的平均识别率分别为87.40％，96.98％，83.00％，93.36％，仅在故障类型2，比gsann的平均识别率低1.42％，其他类型的平均识别率都明显高于其他两种识别类型，尤其是故障类型3，比gsann的平均识别率高23.24％。各模型的整体识别准确率及运行时间如表所示。psogsann对4种缺陷类型的平均识别率达到91.98％，而psonn和gsann分别为75.05％和83％。表1不同缺陷类型下各模型的平均识别准确率类型识别准确率psogsann91.98％gsann83.00％psonn75.05％上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。当前第1页12