[发明专利]基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法

说明书

本发明公开基于双层长短时记忆(LSTM)网络的10kV单芯电缆早期状态识别方法，适用于电气领域使用。首先从可观测电气量中选择得到5个电流可观测电气量，从这5个可观测电气量中提取时序对构建电缆早期状态组合时序特征矩阵；然后依据辨识矩阵尺寸特点，构建处理时序输入的双层LSTM网络；再通过自适应学习率的优化算法进行有监督学习下的模型训练，得到电缆早期状态辨识模型。本发明可以充分利用电缆运行的大量数据，在不使用统计特征的情况下，从五种可观测数据提取时序对构建组合时序特征矩阵作为双层LSTM网络的输入，利用双层LSTM对时序输入的处理能力明确输入与输出的对应关系，进而完成电缆早期状态的辨识。本发明辨识准确率可达99.06％。

技术领域

本发明涉及一种10kV单芯电缆早期状态识别方法，尤其适用于一种电气领域中使用的基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法。

背景技术

大截面的10kV单芯电缆在配电网的使用率越来越高，但由于电缆结构的特殊性，在其早期故障发生时，它对系统造成影响不大，不易被察觉。但很多时候，当电缆故障完全显现，基本已发展成严重的完全电气回路故障，造成保护动作甚至是停电。因此做好10kV单芯电缆的状态监测工作，在电缆早期故障发生时及时辨识，采取相应措施，对于保证系统稳定性、财产人身安全显得格外重要。

目前，针对电缆的状态辨识，传统的电气量分析主要是通过研究某一电气量中包含的辨识信息，设置1个或多个阈值来对电缆的状态进行辨识。利用传统电气量进行辨识存在以下问题：电缆状态的辨识仅依靠1个或几个特征来实现，易受到扰动的影响，因而可能会降低辨识的准确率。而人工智能的思想应用于电缆状态诊断中，又存在以下两个问题：(1)人为的统计特征选择工作量大，且统计特征的选择恰当与否决定着辨识准确率的高低，辨识准确率存在一定的偶然性；(2)未考虑信号时间上的关联性。

发明内容

针对现有技术的不足之处，提供一种检测效率高、准确率高，辨识精度高，实现电缆早期状态的精准辨识，避免了辨识结果偶然性的发生的基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法。

为实现上述技术目的，本发明的基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法，其步骤如下：

S1、从电缆众多可观测电气量中选择获取5个10kV单芯电缆电流可观测电气量；

S2、根据10kV单芯电缆可观测电气量的信号暂态过程持续时间，选择包含状态改变点及其前后状态点的时间窗口截取状态变化信号，将每个10kV单芯电缆所有可观测电气量中的状态变化信号分组保存；

S3、从每组可观测电气量中的状态变化信号中提取时序对构建组合时序特征辨识矩阵X，形成辨识样本，利用多组状态变化信号，获得若干个辨识样本；

S4、对辨识样本特征进行z-score标准化(z-score normalization)，然后采用热编码的方法给辨识样本增加状态标签。

S5、将所有加标签后的辨识样本随机打乱顺序，将其中的80％作为训练样本组，剩下的20％作为测试样本组；

S6、依据组合时序特征辨识矩阵X的尺寸特征，构建双层LSTM网络模型；

S7、利用训练样本组对构造好的双层LSTM网络模型进行有监督模型训练，从而获得10kV单芯电缆早期状态辨识模型；

S8、将测试样本组放入训练好的10kV单芯电缆早期状态辨识模型中测试，得到分类结果，统计辨识准确率，完成电缆早期状态的辨识。