[发明专利]局部放电模式识别方法、计算机设备和存储介质

说明书

本发明提出一种局部放电模式识别方法，包括以下步骤：采集高压电缆局部放电信号对应的数据，得到训练数据和测试数据；对训练数据进行预处理；构建基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型，将完成预处理的训练数据及测试数据分别输入上述识别模型中进行训练；将测试数据输入上述识别模型中进行测试，调节各识别模型的权重进行调整，得到完成训练的识别模型；采集现场高压电缆局放信号，并输入完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中，输出得到局部放电模式识别结果。本发明还提出了一种实现上述方法的计算机设备和计算机可读存储介质。

技术领域

本发明涉及局部放电识别技术领域，更具体地，涉及一种局部放电模式识别方法、计算机设备和存储介质。

背景技术

局部放电的模式和缺陷是高压电缆设备绝缘诊断的重要指标之一。通过高压电缆局部放电的模式识别可以有效发现在运电缆的潜在问题，局放的模式多样，涉及到不同的产生原因，不同类型的局放对电缆的伤害也不同，因此局放分析对于指导电缆的维护有着重要意义。

目前，局放的模式识别主要通过局放图谱进行识别，如公开号为CN108169643A(公开日：2018-06-15)提出的一种用于电缆局部放电模式识别的方法，通过计算周期内的图谱数据对应于每个相位窗内的特征值，并对其进行分析处理后进一步分类识别。然而，这种局放模式识别方法仅针对电缆局部放电数据的周期内图谱数据进行分析，没有考虑电缆局部放电数据的噪声等影响因素，存在电缆局部放电模式识别准确率较低的问题。

发明内容

本发明为克服上述现有技术所述的电缆局部放电模式识别准确率较低的缺陷，提供一种局部放电模式识别方法，以及实现局部放电模式识别方法的计算机设备和存储介质。

为解决上述技术问题，本发明的技术方案如下：

局部放电模式识别方法，包括以下步骤：

S1：采集高压电缆局部放电信号对应的数据，得到训练数据和测试数据；

S2：对训练数据进行预处理；

S3：构建基于长短期记忆人工神经网络(LSTM，Long Short-Term Memory)的识别模型、基于卷积神经网络(Convolutional Neural Networks,CNN)的识别模型、基于堆栈去噪自编码神经网络(stacked denoised autoencoder,SDAE)的识别模型，将完成预处理的训练数据及测试数据分别输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行训练；

S4：将测试数据输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行测试，对基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型的权重进行调整，得到完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型；

S5：采集现场高压电缆局放信号，并输入完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中，输出得到局部放电模式识别结果。

优选地，S1步骤中，其具体步骤如下：通过现场采集及通过采集实验室试验数据获得高压电缆局部放电信号对应的数据。

优选地，S1步骤中，还包括以下步骤：将通过采集实验室试验数据获得的高压电缆局部放电信号对应的数据进行划分，其中70％作为训练数据，30％作为测试数据；将通过现场采集获得的高压电缆局部放电信号对应的数据加入测试数据中。

优选地，S2步骤中，对训练数据进行预处理的具体步骤如下：提取训练数据的时间序列相关特征、图谱特征和脉冲特征。