[发明专利]基于萤火虫算法和CNN的高压电缆局部放电模式识别方法

权利要求书

1.基于萤火虫算法和CNN的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：获取不同电缆绝缘缺陷类型的局部放电数据，并对局部放电数据进行处理，得到局部放电特征数据；

S2：建立卷积神经网络模型，并将局部放电特征数据输入卷积神经网络模型，根据萤火虫算法对卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；

S3：通过优化后的卷积神经网络模型实现对高压电缆局部放电模式的识别。

2.根据权利要求1所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，在步骤S1中，对局部放电数据进行处理的步骤包括：

S1.1：对局部放电数据进行去噪与局部放电脉冲分离处理，得到分离后的数据；

S1.2：对分离后的数据进行局部放电单个脉冲的特征构造与提取处理，得到局部放电特征数据。

3.根据权利要求1所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，在步骤S1中，得到局部放电特征数据之后，还包括将局部放电特征数据划分为训练样本集和测试样本集。

4.根据权利要求3所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，步骤S2具体为：

S2.1：建立卷积神经网络模型，并初始化卷积神经网络模型参数；

S2.2：设置萤火虫算法的目标函数，根据卷积神经网络模型参数随机在n维搜索空间产生m只萤火虫从而构成萤火虫种群x＝[x₁，x₂，...，x_m]^T，这里第i只萤火虫的初始位置为x_i＝[x_i，1，x_i，2，...，x_i，n]^T、第i只萤火虫的初始速度为v_i＝[v_i，1，v_i，2，...，v_i，n]^T，则得到萤火虫的初始个体最优位置和萤火虫种群的初始群体最优位置；其中，x₁，x₂，...，x_m分别为萤火虫种群中每只萤火虫的初始位置；x_i，1，x_i，2，...，x_i，n分别为第i只萤火虫在第n维搜索空间的初始位置；v_i，1，v_i，2，...，v_i，n分别为第i只萤火虫在第n维搜索空间的初始速度；

S2.3：将训练样本集输入卷积神经网络模型，得到实际输出，并计算实际输出与预设的期望输出之间的误差绝对值之和，将误差绝对值之和作为每只萤火虫的适应度值；

S2.4：根据萤火虫的适应度值确定萤火虫的个体最优位置与群体最优位置；

S2.5：根据萤火虫的个体最优位置与群体最优位置更新萤火虫的速度与位置；

S2.6：根据萤火虫更新后的位置计算萤火虫新的适应度值，并重新确定萤火虫的个体最优位置与群体最优位置，完成一次迭代；

S2.7：判断是否达到迭代终止条件；

若达到，则得到最优输出值，最优输出值即为最优卷积神经网络模型参数；

否则，返回步骤S2.5进行下一次迭代。

5.根据权利要求4所述的基于萤火虫算法和CNN的高压电缆局部放电模式识别方法，其特征在于，步骤S2.4具体为：

S2.4.1：比较每只萤火虫的适应度值与其个体最优位置的大小；

若萤火虫的适应度值大于个体最优位置，则用萤火虫的适应度值更新个体最优位置；

否则，保持个体最优位置不变；

S2.4.2：比较萤火虫种群中所有萤火虫的个体最优位置与群体最优位置的大小；

若存在大于群体最优位置的个体最优位置，则用大于群体最优位置的个体最优位置更新群体最优位置；

否则，保持群体最优位置不变。