[发明专利]一种用于识别电缆局部放电信号的信号类型的方法及系统

权利要求书

1.一种用于识别电缆局部放电信号的信号类型的方法，其特征在于，所述方法包括：

对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号；

对所述经过去噪处理的电缆局部放电信号进行优化处理以获取样本数据集，其中所述样本数据集包括：训练数据集和测试数据集；

将所述训练数据集送入支持向量机SVM学习模型中进行训练学习，并利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，其中所述参数包括:惩罚因子和高斯核带宽；

利用所述最优参数对应的SVM信号类型识别模型对待测的电缆局部信号的信号类型进行识别，确定识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取的电缆局部放电信号通过信号采集设备进行采集。

3.根据权利要求1所述的方法，其特征在于，所述对获取的电缆局部放电信号进行去噪处理，获取经过去噪处理的电缆局部放电信号，包括：

利用小波包变换方法将获取的电缆局部放电信号进行分解，获取近似分量和细节分量，其中，高斯白噪声信号集中表现在细节分量上；

对所述细节分量进行阈值处理，设置系数小于预设阈值的小波的系数为0；

对所述近似分量和经过阈值处理后的细节分量进行小波包重构，获取经过去噪处理的电缆局部放电信号。

4.根据权利要求1所述的方法，其特征在于，所述对所述经过去噪处理的电缆局部放电信号进行优化处理，包括：

对所述经过去噪处理的电缆局部放电信号进行归一化处理和主成份分析PCA降维处理。

5.根据权利要求1所述的方法，其特征在于，所述利用粒子群优化算法PSO对SVM模型的参数进行优化以获取最优参数，确定最优参数对应的SVM信号类型识别模型，包括：

步骤1，数据初始化设置，其中所述数据包括：第一学习因子c1、第二学习因子c2、惯性权重w、迭代次数和粒子群X＝{x₁，x₂，...，x_N}，所述粒子群包括：粒子的位置和速度，第i个粒子所处的当前位置为x₁＝{x_i1，x_i2，...，x_in}^T，速度为v₁＝{v_i1，v_i2，...，v_in}^T；

步骤2，根据每个粒子的位置计算得到SVM模型的预测准确率作为适应度，确定粒子的个体极值和整个种群的全局最优极值；其中，粒子的个体极值表示为P₁＝{P_i1，P_i2，...，P_in}^T，整个种群的全局最优极值表示为P_g＝{P_g1，P_g2，...，P_gn}^T；

步骤3，确定本次迭代中的群体适应度极值和所述适应度极值对应的最好位置，并判断是否到达最大迭代次数或所述群体适应度极值大于预设群体适应度极值，

若达到最大迭代次数或所述群体适应度极值不小于预设群体适应度极值，则进入步骤4；

若没有达到最大迭代次数且所述群体适应度极值小于预设群体适应度极值，则进入步骤5；

步骤4，输出此时群体适应度极值对应的最好位置作为最优参数，并确定最优参数对应的SVM信号类型识别模型；以及

步骤5，更新每个粒子的位置和速度，并返回步骤2，其中利用如下公式更新其速度和位置：

其中，V_i^k+1为更新后的第k+1次粒子i的速度，w_k为第k次迭代时的惯性权重，V_i^k为第k次迭代时粒子i的速度，PBest_i^k为第k次迭代时粒子i的个体适应度极值对应的最好位置，S_i^k为第k次迭代时粒子i的位置，GBest^k为第k次迭代时的群体适应度极值对应的最好位置，S_i^k+1为第k+1次迭代时粒子i的位置，w为惯性权重，rand₁和rand₂为[0，1]的随机分布函数。