[发明专利]一种高压电缆局部放电模式识别方法、计算机设备和存储介质

权利要求书

1.一种高压电缆局部放电模式识别方法，其特征在于，包括以下步骤：

S1：通过实验室数据获取训练数据，将其划分为训练集和测试集，并采集现场的待识别数据；

S2：将所述训练集分别输入多种分类器中进行训练，其次将所述测试集分别输入所述完成训练的分类器中进行测试，再将所述现场采集的待识别数据输入完成训练后的所述多种分类器中，得到初步识别结果；

S3：将所述初步识别结果作为输入数据，采用以支持向量机为及分类器的Bagging集成学习方法构建局部放电模式识别模型，然后将所述输入数据输入所述局部放电模式识别模型中进行测试，得到完成测试的局部放电模式识别模型；

S4：将所述现场采集的待识别数据输入所述完成测试的局部放电模式识别模型中，输出得到高压电缆局部放电集成模式识别结果。

2.根据权利要求1所述的高压电缆局部放电模式识别方法，其特征在于：所述S2步骤中，所述分类器包括决策树分类器、随机森林分类器、梯度提升决策树分类器。

3.根据权利要求2所述的高压电缆局部放电模式识别方法，其特征在于：所述S2步骤中，将所述训练集数据输入决策树分类器中进行训练的步骤包括：所述决策树分类器对所述训练集数据进行特征选取，构建基于决策树分类器的电缆局部放电模式识别模型。

4.根据权利要求2所述的高压电缆局部放电模式识别方法，其特征在于：所述S2步骤中，将所述训练集数据输入随机森林分类器中训练的步骤包括：所述随机森林分类器先选取不同节点分裂规则，选取特征个数，选取不同决策树的棵数，然后将所述训练集数据输入随机森林分类器中，从所述训练集数据中取样形成一个子训练集，将所述子训练集的数据用于训练决策树；重复上述步骤完成构建基于随机森林分类器的电缆局部放电模式识别模型。

5.根据权利要求2所述的高压电缆局部放电模式识别方法，其特征在于：所述S2步骤中，将所述训练集数据输入梯度提升决策树分类器中进行训练的步骤包括：将所述训练集数据输入梯度提升决策树分类器中，所述梯度提升决策树分类器计算所述训练集数据的数据残差，决定其下降方向，构建基于梯度提升决策树分类器的电缆局部放电模式识别模型。

6.根据权利要求2～5任一项所述的高压电缆局部放电模式识别方法，其特征在于：所述S3步骤中，采用以支持向量机为及分类器的Bagging集成学习方法构建局部放电模式识别模型的具体步骤包括：

S3.1：设定支持向量机分类器和所述输入数据，设置其训练总数为M，设置其训练轮数为m＝0；

S3.2：从所述输入数据中取样，对选取的样本随机选择特征属性，形成n个子训练集；

S3.3：对应所述n个子训练集，分别训练n个支持向量机分类器，即每轮训练完成后得到一个识别模型；

S3.4：判断所述训练轮数m是否小于所述训练总数M，若是，则设置训练轮数m＝m+1，然后跳转执行S3.2步骤；若否，则执行S3.5步骤；

S3.5：从所述完成训练的M个支持向量机分类器中选取一个支持向量机分类器作为基分类器构建Bagging集成局部放电模式识别模型，将所述输入数据再次输入所述局部放电模式识别模型中进行测试，得到完成测试的局部放电模式识别模型。

7.根据权利要求6所述的高压电缆局部放电模式识别方法，其特征在于：所述S3.2步骤中，采用自助法重采样技术动态并重复地从所述输入数据中取样。

8.根据权利要求6所述的高压电缆局部放电模式识别方法，其特征在于：所述S3.5步骤中，采用多数投票规则选取一个支持向量机分类器作为基分类器构建Bagging集成局部放电模式识别模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。