本發(fā)明屬于電力系統(tǒng)領(lǐng)域的電氣設(shè)備監(jiān)測(cè)與故障診斷子領(lǐng)域，涉及gis局部放電監(jiān)測(cè)識(shí)別技術(shù)，具體是涉及一種基于粒子群優(yōu)化深度置信網(wǎng)絡(luò)的gis局部放電模式識(shí)別方法、系統(tǒng)、設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、氣體絕緣金屬封閉開(kāi)關(guān)設(shè)備(gas?insulated?metal-enclosed?switchgear,gis)是將變電站中的關(guān)鍵開(kāi)關(guān)器件集成在一起的一個(gè)整體設(shè)備，具有結(jié)構(gòu)緊湊、占地少、電磁污染少、抗干擾能力強(qiáng)、維護(hù)工作量少、安全可靠、穩(wěn)定性高等優(yōu)點(diǎn)，廣泛應(yīng)用于高壓變電站。但隨著gis設(shè)備的長(zhǎng)時(shí)間運(yùn)行，不可避免地會(huì)因各種原因?qū)е麓嬖诘慕^緣缺陷誘發(fā)局部放電現(xiàn)象。且gis設(shè)備屬于集成式結(jié)構(gòu)，存在故障源查找工作量大、檢修計(jì)劃難以制定等挑戰(zhàn)。因此準(zhǔn)確識(shí)別局部放電類型，對(duì)于gis設(shè)備的故障判斷、檢修計(jì)劃制定等具有重要作用。

2、目前，針對(duì)局部放電模式識(shí)別算法，國(guó)內(nèi)外很多學(xué)者進(jìn)行了大量的研究，其中，比較常用的識(shí)別算法有反向傳播神經(jīng)網(wǎng)絡(luò)(back?propagation?neural?network,bp)、支持向量機(jī)(support?vector?machine,svm)以及卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neuralnetwork,cnn)等方法。這幾種常用方法對(duì)局部放電都有一定的識(shí)別能力，但也存在一定的限制性。bp網(wǎng)絡(luò)存在易陷入極小值的情況；svm需要設(shè)置合理的函數(shù)和懲罰系數(shù)，其對(duì)于數(shù)據(jù)的分布較為敏感，在數(shù)據(jù)較多的情況可能會(huì)增加運(yùn)算量；cnn的架構(gòu)缺乏對(duì)不同特征的重要性的考慮，可能導(dǎo)致增加計(jì)算量。

3、對(duì)此，深度置信網(wǎng)絡(luò)(deep?belief?network,dbn)采用無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)的方式處理數(shù)據(jù)，融合了深度學(xué)習(xí)和特征學(xué)習(xí)特點(diǎn)，具有強(qiáng)大的數(shù)據(jù)分析能力，能夠解決傳統(tǒng)常用的局部放電識(shí)別算法存在的問(wèn)題，且近年來(lái)，該算法在圖像識(shí)別、局放識(shí)別以及負(fù)荷預(yù)測(cè)等領(lǐng)域方面具有廣泛應(yīng)用。《孔祥玉,鄭鋒,鄂志君,等.基于深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法[j].電力系統(tǒng)自動(dòng)化,2018,42(05):133-139.》利用深度置信網(wǎng)絡(luò)的方法進(jìn)行了短期負(fù)荷的預(yù)測(cè)，得出該方法具有更高的特征學(xué)習(xí)能力?！稄埿虏?唐炬,潘成,等.用于局部放電模式識(shí)別的深度置信網(wǎng)絡(luò)方法[j].電網(wǎng)技術(shù),2016,40(10):3272-3278.》利用深度置信網(wǎng)絡(luò)方法對(duì)提取的prpd圖譜特征進(jìn)行了訓(xùn)練分類，取得了較好的識(shí)別結(jié)果，但其存在人為權(quán)值參數(shù)設(shè)置對(duì)局部放電準(zhǔn)確識(shí)別率具有較大影響的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明的目的是提供一種gis局部放電模式識(shí)別方法、系統(tǒng)、設(shè)備和存儲(chǔ)介質(zhì)，利用粒子群(pso)優(yōu)化深度置信網(wǎng)絡(luò)(dbn)的局部放電模式識(shí)別，相較于傳統(tǒng)的dbn網(wǎng)絡(luò)、多層前饋神經(jīng)網(wǎng)絡(luò)(bp)、支持向量機(jī)(svm)和卷積神經(jīng)網(wǎng)絡(luò)(cnn)具有更高的準(zhǔn)確識(shí)別率，該方法通過(guò)pso算法對(duì)dbn網(wǎng)絡(luò)的權(quán)值參數(shù)進(jìn)行優(yōu)化，降低人為主觀設(shè)置的dbn網(wǎng)絡(luò)權(quán)值參數(shù)對(duì)局放模式識(shí)別的影響，提高網(wǎng)絡(luò)對(duì)局部放電特征的學(xué)習(xí)能力。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案：

3、第一方面，本發(fā)明提供一種gis局部放電模式識(shí)別方法，包括以下步驟：

4、選取現(xiàn)場(chǎng)多平臺(tái)gis局部放電監(jiān)測(cè)數(shù)據(jù)組成訓(xùn)練樣本集；

5、利用改進(jìn)pso算法對(duì)預(yù)先建立的dbn網(wǎng)絡(luò)模型進(jìn)行模型參數(shù)尋優(yōu)，并基于訓(xùn)練樣本集數(shù)據(jù)訓(xùn)練得到最優(yōu)dbn網(wǎng)絡(luò)模型；

6、基于得到的最優(yōu)dbn網(wǎng)絡(luò)模型對(duì)目標(biāo)gis開(kāi)關(guān)設(shè)備進(jìn)行局部放電模式識(shí)別，得到目標(biāo)gis開(kāi)關(guān)設(shè)備的局部放電模式識(shí)別結(jié)果。

7、進(jìn)一步，所述選取現(xiàn)場(chǎng)多平臺(tái)gis局部放電監(jiān)測(cè)數(shù)據(jù)組成訓(xùn)練樣本集，包括：

8、獲取現(xiàn)場(chǎng)多平臺(tái)gis開(kāi)關(guān)設(shè)備的局部放電監(jiān)測(cè)數(shù)據(jù)；

9、對(duì)獲取的局部放電監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理和歸一化處理；

10、按照預(yù)設(shè)比例將歸一化處理后的局部放電監(jiān)測(cè)數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，作為訓(xùn)練樣本集。

11、進(jìn)一步，所述局部放電監(jiān)測(cè)數(shù)據(jù)包括：偏斜度、相關(guān)系數(shù)、放電量因數(shù)、不對(duì)稱度、陡峭度以及局部峰個(gè)數(shù)。

12、進(jìn)一步，所述利用改進(jìn)pso算法對(duì)預(yù)先建立的dbn網(wǎng)絡(luò)模型進(jìn)行模型參數(shù)尋優(yōu)，并基于訓(xùn)練樣本集數(shù)據(jù)訓(xùn)練得到最優(yōu)dbn網(wǎng)絡(luò)模型，包括：

13、利用改進(jìn)pso算法對(duì)dbn網(wǎng)絡(luò)模型中網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)率以及正反向迭代次數(shù)參數(shù)進(jìn)行尋優(yōu)，得到最佳粒子向量；

14、將最佳粒子向量設(shè)置成對(duì)應(yīng)的dbn網(wǎng)絡(luò)模型參數(shù)，建立初始最優(yōu)dbn網(wǎng)絡(luò)模型并利用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練；

15、利用訓(xùn)練得到的最優(yōu)dbn網(wǎng)絡(luò)模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行識(shí)別分類和驗(yàn)證，得到滿足預(yù)設(shè)精度的最優(yōu)dbn網(wǎng)絡(luò)模型。

16、進(jìn)一步，所述利用改進(jìn)pso算法對(duì)dbn網(wǎng)絡(luò)模型中網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)率以及正反向迭代次數(shù)參數(shù)進(jìn)行尋優(yōu)，得到最佳粒子向量，包括：

17、建立dbn網(wǎng)絡(luò)模型；

18、采用優(yōu)化pso算法對(duì)dbn網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)率以及正反向迭代次數(shù)參數(shù)進(jìn)行尋優(yōu)，得到最佳粒子向量。

19、進(jìn)一步，所述dbn網(wǎng)絡(luò)模型包括：

20、輸入層、第一～第三rbm層、bp層和輸出層；

21、所述輸入層用于獲取輸入特征數(shù)據(jù)；

22、所述第一～第三rbm層用于通過(guò)正向無(wú)監(jiān)督自主學(xué)習(xí)方式，提取輸入局部放電數(shù)據(jù)的特征信息和有監(jiān)督反向微調(diào)模型參數(shù)；

23、所述bp層用于減少最終識(shí)別結(jié)果與實(shí)際的誤差；

24、所述輸出層用于輸出帶標(biāo)注局部放電數(shù)據(jù)。

25、進(jìn)一步，所述采用優(yōu)化pso算法對(duì)dbn網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)率以及正反向迭代次數(shù)參數(shù)進(jìn)行尋優(yōu)，得到最佳粒子向量，包括：

26、①確定粒子群的適應(yīng)度函數(shù)；

27、②確定粒子群的相關(guān)參量范圍，并初始化粒子的相關(guān)系數(shù)；

28、③將初始化的dbn網(wǎng)絡(luò)模型參數(shù)映射到粒子的各維度；

29、④根據(jù)每個(gè)粒子當(dāng)前的參數(shù)進(jìn)行dbn網(wǎng)絡(luò)模型的權(quán)值參數(shù)迭代尋優(yōu)，并在進(jìn)行第k次尋值迭代完成后計(jì)算每個(gè)粒子的適應(yīng)度值；

30、⑤根據(jù)粒子尋優(yōu)前后的適應(yīng)度值及極值對(duì)當(dāng)前迭代輪次每個(gè)粒子及種群的最優(yōu)值進(jìn)行更新，同時(shí)根據(jù)當(dāng)前的迭代次數(shù)k更新粒子的慣性系數(shù)和學(xué)習(xí)因數(shù)；

31、⑥使用更新后的粒子系數(shù)更新種群中的所有粒子的速度和位置，并判斷粒子尋優(yōu)過(guò)程中所處的當(dāng)前帶迭代次數(shù)是否等于提前設(shè)定的粒子最大迭代次數(shù)：若粒子的當(dāng)前迭代次數(shù)k≠t，則返回步驟⑤中繼續(xù)執(zhí)行粒子迭代尋優(yōu)過(guò)程；若當(dāng)前迭代次數(shù)k＝t，則pso算法迭代尋優(yōu)結(jié)束，得到最優(yōu)粒子向量。

32、第二方面，本發(fā)明提供一種gis局部放電模式識(shí)別系統(tǒng)，包括：

33、數(shù)據(jù)獲取模塊，用于選取現(xiàn)場(chǎng)多平臺(tái)gis局部放電監(jiān)測(cè)數(shù)據(jù)組成訓(xùn)練樣本集；

34、模型訓(xùn)練模塊，用于利用改進(jìn)pso算法對(duì)預(yù)先建立的dbn網(wǎng)絡(luò)模型進(jìn)行模型參數(shù)尋優(yōu)，并基于訓(xùn)練樣本集數(shù)據(jù)訓(xùn)練得到最優(yōu)dbn網(wǎng)絡(luò)模型；

35、局部放電識(shí)別模塊，用于基于得到的最優(yōu)dbn網(wǎng)絡(luò)模型對(duì)目標(biāo)gis開(kāi)關(guān)設(shè)備進(jìn)行局部放電模式識(shí)別，得到目標(biāo)gis開(kāi)關(guān)設(shè)備的局部放電模式識(shí)別結(jié)果。

36、第三方面，本發(fā)明提供一種存儲(chǔ)一個(gè)或多個(gè)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述一個(gè)或多個(gè)程序包括指令，所述指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得所述計(jì)算設(shè)備執(zhí)行任一方法。

37、第四方面，本發(fā)明提供一種計(jì)算設(shè)備，包括：一個(gè)或多個(gè)處理器及存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有一個(gè)或多個(gè)程序，并被配置為所述一個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)程序包括用于執(zhí)行任一方法的指令。

38、本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：

39、1、本發(fā)明采用pso算法對(duì)dbn網(wǎng)絡(luò)模型參數(shù)進(jìn)行尋優(yōu)，pso算法能夠讓dbn網(wǎng)絡(luò)獲得更優(yōu)的網(wǎng)絡(luò)參數(shù)，進(jìn)一步提升深度置信網(wǎng)絡(luò)的學(xué)習(xí)和挖掘數(shù)據(jù)的潛在關(guān)系的能力，獲得更好的局放識(shí)別效果。該網(wǎng)絡(luò)模型相比bp、cnn、svm、傳統(tǒng)的dbn網(wǎng)絡(luò)，對(duì)四種典型局放類型具有更好的識(shí)別效果。

40、2、傳統(tǒng)的bp、svm以及cnn等識(shí)別模型對(duì)于prpd圖譜中具有一定相似特征的懸浮、自由金屬顆粒以及固體絕緣氣體等局放類型是難以識(shí)別，而傳統(tǒng)dbn網(wǎng)絡(luò)模型是能夠進(jìn)行較高準(zhǔn)確識(shí)別的，并且經(jīng)粒子群算法優(yōu)化的dbn網(wǎng)絡(luò)模型的識(shí)別效果會(huì)更好，其提升的準(zhǔn)確值最大的是對(duì)自由金屬顆粒放電的識(shí)別，并且對(duì)尖端放電和自由金屬顆粒的局放識(shí)別有較高的可信度。

41、3、采用pso進(jìn)行優(yōu)化dbn網(wǎng)絡(luò)的模型參數(shù)，相比人為多次調(diào)試參數(shù)，可以有效降低其對(duì)算法最終準(zhǔn)確識(shí)別率造成的影響，相比傳統(tǒng)的dbn網(wǎng)絡(luò)在懸浮放電和自由金屬顆粒放電的識(shí)別方面均有提升，最終得到的pso-dbn網(wǎng)絡(luò)不管是對(duì)單一局放類型識(shí)別還是總體局放識(shí)別都是具有更高的準(zhǔn)確識(shí)別率。

42、因此，本發(fā)明可以廣泛應(yīng)用于電力系統(tǒng)領(lǐng)域的電氣設(shè)備監(jiān)測(cè)與故障診斷子領(lǐng)域。