[发明专利]一种基于PSOGSA神经网络的XLPE电缆振荡波故障识别方法

说明书

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，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，并进行类型识别，即输出相应的XLPE电缆振荡波故障类型。

技术领域

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。

发明内容

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；