基于som-bp組合神經(jīng)網(wǎng)絡(luò)的交聯(lián)電纜局部放電模式識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電纜局部放電模式識別技術(shù)領(lǐng)域，尤其涉及一種基于S0M-BP組合神 經(jīng)網(wǎng)絡(luò)的交聯(lián)電纜局部放電模式識別方法。
【背景技術(shù)】
[0002] 近年來，交聯(lián)聚乙?。–ross-linkedpolyethylene,XLPE)電力電纜憑借其在制造 工藝及運行性能等方面優(yōu)勢，逐漸取代油紙絕緣電纜成為了我國電力輸送的主力設(shè)備。統(tǒng) 計數(shù)據(jù)表明，除外界因素，局部放電（以下簡稱局放）是導(dǎo)致電纜絕緣故障的主要原因。在 對電纜進(jìn)行局放檢測過程中采集到的局放信號承載著電纜全部絕緣故障信息，對該信號進(jìn) 行有效的模式識別，可以準(zhǔn)確地了解和掌握XLPE電纜內(nèi)部缺陷類型的性質(zhì)和特征，對進(jìn)一 步判斷其絕緣可靠性、保障電纜運行安全性以及指導(dǎo)電纜檢修工作有十分重要的意義。
[0003] 目前，XLPE電纜局放模式識別中常用到的神經(jīng)網(wǎng)絡(luò)分類模型有：自組織特征映射 (Self-organizedMapping,S0M)神經(jīng)網(wǎng)絡(luò)、反向傳播（BackPropagation,BP)神經(jīng)網(wǎng)絡(luò)及 徑向基函數(shù)（RadialBasisFunction,RBF)神經(jīng)網(wǎng)絡(luò)等。雖上述智能算法都能通過對局放 模式的學(xué)習(xí)及訓(xùn)練，用連接權(quán)值來表達(dá)習(xí)得的缺陷診斷知識，解讀局放模式與識別特征量 間的非線性關(guān)系，從而實現(xiàn)樣本數(shù)據(jù)間的聯(lián)想記憶、模式匹配及相似歸類，但各神經(jīng)網(wǎng)絡(luò)在 模式識別過程中都存在著一定的局限性。
[0004] 其中，S0M神經(jīng)網(wǎng)絡(luò)雖能以良好的識別率完成局放模式分類，但其識別結(jié)果并不能 用輸出向量的形式表示，且競爭層拓?fù)浣Y(jié)構(gòu)選擇會對識別精度產(chǎn)生很大影響。BP神經(jīng)網(wǎng)絡(luò) 需要大量的訓(xùn)練樣本且收斂速度較慢、易陷入局部極小值，此外，該網(wǎng)絡(luò)的模式識別能力很 大程度上依賴網(wǎng)絡(luò)知識庫中存儲的先驗知識，一旦出現(xiàn)新的異?，F(xiàn)象，網(wǎng)絡(luò)極可能因為信 息無法匹配從而導(dǎo)致識別錯誤。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是為了解決上述問題，提出了一種基于S0M-BP組合神經(jīng)網(wǎng)絡(luò)的 交聯(lián)電纜局部放電模式識別方法，該方法將S0M神經(jīng)網(wǎng)絡(luò)作為初級網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)作為 次級網(wǎng)絡(luò)，并將S0M-BP神經(jīng)網(wǎng)絡(luò)模型作為分類器對交聯(lián)電纜局部放電模式進(jìn)行識別，提高 了交聯(lián)電纜局部放電的模式識別率。
[0006] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0007] -種基于S0M-BP組合神經(jīng)網(wǎng)絡(luò)的交聯(lián)電纜局部放電模式識別方法，包括以下步 驟：
[0008] (1)分別制作不同類型的電纜局部放電模型，對制作的電纜局部放電模型分別進(jìn) 行局放模擬試驗，米集每種電纜局部放電模型的局放信號樣本；
[0009] (2)將單次放電脈沖時域波形上各采樣時刻對應(yīng)的采樣點作為隨機(jī)變量，分別計 算以下統(tǒng)計算子：不對稱度Asy、峭度Ku、偏斜度&以及局部峰點數(shù)P
[0010] (3)將SOM神經(jīng)網(wǎng)絡(luò)作為初級網(wǎng)絡(luò)，將BP神經(jīng)網(wǎng)絡(luò)作為次級網(wǎng)絡(luò)，以SOM神經(jīng)網(wǎng)絡(luò) 獲勝神經(jīng)元位置作為BP神經(jīng)網(wǎng)絡(luò)的輸入，構(gòu)建S0M-BP組合神經(jīng)網(wǎng)絡(luò)模型；
[0011] (4)將每種電纜局部放電模型的局放信號樣本數(shù)據(jù)分為訓(xùn)練樣本與待測樣本兩部 分，并進(jìn)行數(shù)據(jù)歸一化處理；
[0012] (5)以步驟（2)中的統(tǒng)計算子作為識別特征量，使用訓(xùn)練樣本對S0M-BP組合神經(jīng) 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0013] (6)將待測樣本送入已訓(xùn)練好的S0M-BP組合神經(jīng)網(wǎng)絡(luò)模型，對電纜局部放電類型 進(jìn)行識別。
[0014] 所述步驟⑴中，將電纜局部放電模型分為四類，分別為：針板放電、內(nèi)部放電、懸 浮放電及沿面放電。
[0015] 所述步驟（1)中，局放模擬試驗選用電容耦合法采集局放信號，對每種放電模型 進(jìn)行多次數(shù)據(jù)測量。
[0016] 所述步驟（2)中，不對稱度Asy用于衡量時域波形中正負(fù)半周放電幅值分布對稱程 度；
[0017] 不對稱度Asy的取值根據(jù)正半周內(nèi)放電脈沖個數(shù)與其放電脈沖幅值累加值的乘積 與負(fù)半周內(nèi)放電脈沖個數(shù)與其放電脈沖幅值累加值乘積的比值確定。
[0018] 所述步驟（2)中，峭度Ku用于表征某一隨機(jī)變量的概率分布的分散程度；
[0019] 設(shè)定隨機(jī)變量為各采樣時刻對應(yīng)的放電幅值％，其概率分布函數(shù)為該采樣時刻在 單次放電脈沖波形內(nèi)出現(xiàn)的概率Pi，期望值為μ，方差為σ2,則峭度Ku的取值具體為：
[0020]
[0021] 所述步驟（2)中，偏斜度Sk用于表征概率分布關(guān)于隨機(jī)變量期望值的對稱程度；
[0022] 設(shè)定隨機(jī)變量為各采樣時刻對應(yīng)的放電幅值％，其概率分布函數(shù)為該采樣時刻在 單次放電脈沖波形內(nèi)出現(xiàn)的概率Pi，期望值為μ，方差為σ2,則偏斜度51<的取值具體為：
[0023]
[0024] 所述步驟（2)中，為區(qū)分時域波形上的單一峰值與連續(xù)峰值，對任一采樣峰值點 Qi，若時域波形在該點附近的概率分布Pi的微分滿足：
[0025]
[0026] 則稱該峰值點為一局部峰值點，否則為連續(xù)峰值點。
[0027] 所述步驟⑶中，構(gòu)建S0M-BP組合神經(jīng)網(wǎng)絡(luò)模型的方法具體為：
[0028] 步驟1 :將樣本數(shù)據(jù)分為訓(xùn)練樣本與待測樣本兩部分并進(jìn)行數(shù)據(jù)歸一化處理；
[0029] 步驟2 :初始化S0M神經(jīng)網(wǎng)絡(luò)模型，即確定網(wǎng)絡(luò)競爭層拓?fù)浣Y(jié)構(gòu)，并利用該網(wǎng)絡(luò)對 訓(xùn)練樣本初步聚類；
[0030] 步驟3 :初始化BP神經(jīng)網(wǎng)絡(luò)模型，即確定網(wǎng)絡(luò)各層節(jié)點數(shù)及導(dǎo)師信號，并將初步聚 類結(jié)果進(jìn)行歸一化處理后作為BP神經(jīng)網(wǎng)絡(luò)輸入，對網(wǎng)絡(luò)進(jìn)一步訓(xùn)練；
[0031] 步驟4 :訓(xùn)練結(jié)束后所得的S0M-BP神經(jīng)網(wǎng)絡(luò)即為能對樣本數(shù)據(jù)精確分類的組合網(wǎng) 絡(luò)豐吳型；
[0032] 步驟5 :將待測樣本輸入S0M-BP組合網(wǎng)絡(luò)模型，初級網(wǎng)絡(luò)將樣本自動聚集至與其 相似度最高的神經(jīng)元上，該神經(jīng)元激活BP神經(jīng)網(wǎng)絡(luò)從而實現(xiàn)樣本數(shù)據(jù)的進(jìn)一步分類。
[0033] 本發(fā)明的有益效果是：
[0034] 在實驗室開展局放模擬試驗，提取了XLPE電纜局放脈沖時域波形的3、4階統(tǒng)計特 征作為放電指紋，并分別將SOM、BP、S0M-BP神經(jīng)網(wǎng)絡(luò)作為模式分類器對4類典型局放模式 進(jìn)行識別。識別結(jié)果表明，S0M-BP組合神經(jīng)網(wǎng)絡(luò)識別效果為三者中最佳，由此證明了該模 型的合理性及有效性。
【附圖說明】
[0035] 圖1為S0M神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型示意圖；
[0036] 圖2為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型示意圖；
[0037] 圖3 (a)為XLPE電纜針板放電模型；
[0038] 圖3 (b)為XLPE電纜內(nèi)部放電模型；
[0039] 圖3 (c)為XLPE電纜懸浮放電模型；
[0040] 圖3 (d)為XLPE電纜沿面放電模型；
[0041] 圖4為XLPE電纜局放模擬試驗接線示意圖。
【具體實施方式】：
[0042] 下面結(jié)合附圖與實例對本發(fā)明做進(jìn)一步說明：
[0043] 本發(fā)明從信息融合、優(yōu)勢互補的角度出發(fā)，提出將S0M神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)串 聯(lián)構(gòu)成組合神經(jīng)網(wǎng)絡(luò)模型，提取XLPE電纜超寬頻帶局放脈沖時域波形的3、4階統(tǒng)計特征量 作為放電指紋，并將S0M-BP神經(jīng)網(wǎng)絡(luò)模型作為分類器識別實驗室中模擬的4種典型放電形 式。最后，對比組合網(wǎng)絡(luò)模型與兩種單一網(wǎng)絡(luò)的識別結(jié)果，驗證該方案的可行性及有效性。
[0044] 一種基于S0M-BP組合神經(jīng)網(wǎng)絡(luò)的交聯(lián)電纜局部放電模式識別方法，包括以下步 驟：
[0045] (1)分別制作不同類型的電纜局部放電模