一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法

技术领域

本发明涉及一种开关柜局放模式识别方法，具体涉及一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法；属于电力设备局部放电在线检测技术领域。

背景技术

开关柜是城市配电网中的重要基础设施，其可靠性直接决定了用户供电的稳定性，进而直接影响到经济发展和人民生活水平质量的提高。开关柜在设计、制造、安装和运维等环节都可能会存在不同程度的问题，如污秽影响、绝缘薄弱、爬距及空气间隙不够、制造装配质量及工艺不达标、接点容量不足或接触不良等，这些问题会导致不同类型的事故发生。

在开关柜绝缘系统中，各部位的电场强度存在差异，某个区域的电场强度一旦达到其击穿场强时，该区域就会出现放电现象，若施加电压的两个导体之间并未贯穿整个放电过程，即放电未击穿绝缘系统，这种现象即为局部放电（简称局放）。根据局放的发生原理不同，开关柜的局放类型有：金属尖端放电、悬浮电极放电以及沿面放电。

虽然现有技术中对于局部放电的原理已经有了较为深入的研究，然而，受制于开关柜的全封闭结构，运维人员对于局放故障的检测及判断不能深入现场，因而要依托局放发生时其外在能量表现形式进行间接局放检测。目前采用的开关柜局放间接检测技术主要有地电波检测、超声波检测、特高频检测等。但是，无论哪种检测方法均具有其局限性，无法将开关柜运行状态客观、全面、真实地反映出来，甚至还会出现误判并造成不必要的经济损失。

鉴于上述原因，亟需一种准确高效的局部放电模式识别方法来支撑开关柜设备的安全稳定运行。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，以解决实际工程中开关柜局部放电发生时不能进行局放模式准确判别的问题。

为了实现上述目标，本发明采用如下的技术方案：

本发明公布了一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，包括如下步骤：

S1、使用三合一局放传感器检测超声波信号、地电波信号和温湿度信号并形成原始数据集

S2、对原始数据集进行归一化处理并进行统计特征参数提取，形成训练数据集；

S3、搭建BP神经网络，并使用改进的AFT算法优化BP神经网络，使BP神经网络的适应度函数值达到最优；

S4、将测试数据集输入经改进的AFT算法优化后的BP神经网络中进行开关柜三合一局放模式在线检测。

当开关柜发生局部放电时，其会产生不同程度的电、光、热、声信号。超声波检测方式采集局放发生时的超声信号并转化为电信号；地电波检测方式采集局放发生时的电信号；温湿度检测方法采集局放发生时的热信号。由于不同检测方式对于不同局放类型具有不同的适应性，因此本发明采用三种检测方式联合特征提取的三合一局放检测方法。当三合一局放传感器识别到数据异常时，即已发生局部放电，对检测到的数据进行统计特征参数提取，并将提取的统计特征参数传入经改进AFT算法优化的BP神经网络中进行局部放电在线模式识别，放电模式/类型主要包括金属尖端放电、悬浮电极放电及沿面放电。

优选地，前述步骤S1中，所述原始数据集为：

，

其中，

，所述/>

更优选地，前述步骤S2包括如下子步骤：

S2.1、对所有原始数据集进行归一化处理；

S2.2、对归一化处理完成的数据集进行统计特征参数提取，对所有三合一传感器检测到的异常局放数据集

S2.3、对

进一步优选地，前述步骤S3中，BP神经网络包括输入层、隐藏层、输出层；所述输入层使用训练数据集作为BP神经网络的输入，所述隐藏层连接训练输入数据与输出数据之间的关系，所述输出层神经元的不同编码方式表示不同的放电类型。

再进一步优选地，前述步骤S3中，采用均方根误差作为优化的适应度函数。

更优选地，前述适应度函数计算如下：

，

式中，

更进一步优选地，前述步骤S3中，通过对AFT算法进行了改进以增加搜索效率并保持多样性，改进的AFT算法优化BP神经网络的过程如下：

（1）初始化大盗种群：

，

，

其中，

（2）初始化每个大盗的历史最佳位置

，

式中，

（3）大盗从当前位置搜索阿里巴巴所在位置：

首先，产生[0,1]之间的随机数

若

式中，

若

，

式中，

式中，

（4）更新种群中大盗的位置：

，

式中，

（5）更新种群中每个大盗的历史最佳位置

更新女仆的智慧水平：

。

再优选地，前述步骤S4的具体过程为：对训练数据集进行统计特征参数提取，将提取后的统计特征参数输入BP神经网络并使用改进的AFT算法进行优化训练；提取测试数据集的统计特征参数，输入至使用改进AFT算法优化的BP神经网络中进行局部放电模式识别。不同的取值表征不同的局部放电类型，表示为：

，

式中，

进一步优选地，前述隐藏层神经元输出与输入层之间的关系为：

，

式中，

本发明的有益之处在于： 本发明采用三合一局放传感器检测收集超声波、地电波和温湿度局部放电异常信号，对原始数据集进行归一化处理并提取统计特征参数，然后运用改进的AFT算法优化BP神经网络，将上述处理后的数据传入到BP神经网络中，实现开关柜局部放电的模式识别。相较于工程中现有的方法，本发明采用三合一的信号检测方式，大大减少了误判的可能性；同时本发明使用改进的AFT算法对BP神经网络进行优化，提升了放电类型判别的准确性和效率，可靠地解决了实际工程中开关柜局部放电发生时不能进行局放模式准确判别的问题。

附图说明

图1是本发明的基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法流程图；

图2是传统AFT算法和本发明的改进AFT算法的适应度函数收敛对比图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参见图1，本实施例的基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，包括如下四个步骤：

S1、使用三合一局放传感器检测超声波信号、地电波信号和温湿度信号并形成原始数据集

，

其中，

所对应的局部放电类型/>

S2、对原始数据集进行归一化处理并进行统计特征参数提取，形成训练数据集。

为了更好地理解和实施该步骤，下面对其子步骤进行详细阐述：

S2.1、对所有原始数据集进行归一化处理，同一量纲的数据进行同一归一化处理，超声波信号与地电波同时进行归一化处理，温湿度信号单独进行归一化处理，归一化方式采用最大最小值方式：

式中，

S2.2、对归一化处理完成的数据集提取统计特征参数，以减少BP神经网络的输入神经元个数。具体地，对所有三合一传感器检测到的异常数据集

S2.3、对

S3、搭建BP神经网络，并使用改进的AFT算法优化BP神经网络，使BP神经网络的适应度函数值达到最优。

其中，BP神经网络包括输入层、隐藏层、输出层；所述输入层使用训练数据集作为BP神经网络的输入，所述隐藏层连接训练输入数据与输出数据之间的关系，所述输出层神经元的不同编码方式表示不同的放电类型。

所述隐藏层神经元输出与输入层之间的关系为：

，

式中，

输出层神经元的取值代表不同的局部放电类型，表示为：

，

式中，

使用AFT算法优化BP神经网络时，选用均方根误差作为优化的适应度函数，所述适应度函数计算如下：

，

式中，

S4、将测试数据集输入经改进的AFT算法优化后的BP神经网络中进行开关柜三合一局放模式在线检测。具体过程为：对训练数据集进行统计特征参数提取，将提取后的统计特征参数输入BP神经网络并使用改进的AFT算法进行优化训练；提取测试数据集的统计特征参数，输入至使用改进AFT算法优化的BP神经网络中进行局部放电模式识别。

需要特别说明的是，本实施例中，通过对AFT算法进行了改进以增加搜索效率并保持多样性，改进的AFT算法优化BP神经网络的过程如下：

（1）初始化大盗种群：

，

，

其中，

（2）初始化每个大盗的历史最佳位置

初始化女仆帮助阿里巴巴逃脱大盗追捕的智慧水平：

，

式中，

（3）大盗从当前位置搜索阿里巴巴所在位置。

首先，产生[0,1]之间的随机数

若

式中，

若

，

式中，

式中，

（4）更新种群中大盗的位置：

，

式中，

（5）更新种群中每个大盗的历史最佳位置

更新女仆的智慧水平，

。

图2所示为传统AFT算法和本发明的改进AFT算法的最优适应度收敛曲线对比图，从图中可见，本发明的改进的AFT算法具有更好的寻优能力。

综上，本发明采用自适应因子改进AFT算法的搜索步长以提高搜寻效率；并使用莱维飞行进行搜索方向的更新，以增加多样性。可实现传感器检测到局部放电信号异常后对局部放电进行模式识别分析，提高开关柜三合一局放检测的效率，并提升了放电类型判别的准确性和效率。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。