[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

说明书

本发明提出一种高压电缆局部放电模式识别方法，包括以下步骤：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；将训练集分别输入多种分类器中进行训练，其次将测试集分别输入完成训练的分类器中进行测试，再将现场采集的待识别数据输入完成训练后的多种分类器中，得到初步识别结果；将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学习方法构建局部放电模式识别模型，然后将输入数据输入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；将现场采集的待识别数据输入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。

技术领域

本发明涉及局部放电识别技术领域，更具体地，涉及一种基于多种分类器相结合的高压电缆局部放电模式识别方法、计算机设备和存储介质。

背景技术

由于高压电缆长期在高电压大电流中运行，在外力破坏、设备缺陷、水树入侵等因素作用下，产生的不同类型缺陷都会使高压电缆产生局部放电，高压电缆局部放电将引起电缆绝缘内电树的产生和扩展，加速绝缘劣化并最终导致击穿，为电力系统的安全运行带来巨大隐患。因此，为了提前发现因局部放电而产生的安全隐患，避免高压电缆发生突发事故，需要有效的方法对局放进行识别。

现有的局部放电模式识别方法主要包括人工识别和机器学习算法识别，其中，人工识别方法具有明显的缺点，费时费力，且效率较低；而机器学习算法识别方法虽然提高了局部放电模式识别效率，但使用单个的分类器进行识别存在泛化能力差、准确率低、模型训练的过程中容易出现过拟合等问题。如公开号为CN108573225A的专利提出了一种局部放电信号模式识别方法及系统，其采用基于局部放电信号的大数据样本训练深度卷积神经网络模型，然后基于经过训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。该方法同样存在泛化能力差的问题。

发明内容

本发明为克服上述现有技术所述的使用单个的分类器进行识别存在泛化能力差的缺陷，提供一种基于多种分类器相结合的高压电缆局部放电模式识别方法。

为解决上述技术问题，本发明的技术方案如下：

一种高压电缆局部放电模式识别方法，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：将训练集分别输入多种分类器中进行训练，其次将测试集分别输入完成训练的分类器中进行测试，再将现场采集的待识别数据输入完成训练后的多种分类器中，得到初步识别结果；

S3：将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，然后将输入数据输入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：将现场采集的待识别数据输入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。

本技术方案中，分别应用训练集和测试集数据训练和测试多种分类器，再使用完成训练的分类器对现场数据进行局部放电模式进行初步识别；其次，将多种分类器分别得到的初步识别结果作为输入，训练和测试以支持向量机为基分类器的Bagging集成学习模型，再用于对现场采集的待识别数据进行识别，得到最终输出的高压电缆局部放电模式识别结果。本技术方案中使用多种准确而有差异的分类器，其目的在于利用不同分类器之间的互补性能获得比任何单一分类器都要高的分类识别率，从而提高其泛化能力。

优选地，S2步骤中，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。

优选地，S2步骤中，将训练集数据输入决策树分类器中进行训练的步骤包括：决策树分类器对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。