[发明专利]结合证据折扣的深度超级学习机的局部放电模式识别方法

说明书

本发明公开了结合证据折扣的深度超级学习机(deep super learner,DSL)的局部放电模式识别方法，主要包括以下步骤：(S1)信号采集：通过传感器收集局部放电信号；(S2)数据预处理：对原始信号进行去噪等处理；(S3)深度超级学习机初级诊断局部放电信号，构造出多个证据体的基本概率分配(basic probability assignment,BPA)；(S4)证据折扣：对步骤(S3)构造出的各个证据体的BPA进行证据折扣；(S5)构建新特征：将步骤(S4)折扣后的证据附加到原始特征数据中，并作为新的特征向量送入深度超级学习机进行下一次迭代；(S6)重复步骤(S3)‑(S5)，直到损失函数不再减小，得到最终的深度超级学习机输出的模式识别结果。与现有技术相比，本发明有着较高的识别准确度；对结果的可解释性强，具有广阔的市场前景和应用价值。

技术领域

本发明涉及高电压中有关局部放电模式识别的技术领域，具体是结合证据折扣合成方法和深度超级学习机的局部放电诊断方法，属于电气设备绝缘缺陷诊断过程中的一项核心技术，尤其是涉及一种结合证据折扣的深度超级学习机的局部放电模式识别方法。

背景技术

作为电力系统中的重要组成部分，电气设备的绝缘状态与电网的安全稳定运行密切相关。电气设备产生局部放电的原因有很多种，对外表现的形式也不尽相同，不同的绝缘缺陷类型对电气设备的破坏作用也有很大差异，因此准确对放电类型进行识别分类有着十分重要的意义。

在目前的局部放电模式识别方法中，运用大数据处理放电信号已成为局部放电诊断的发展趋势，深度学习也得到了众多学者的青睐。深度神经网络可以深入挖掘数据间的隐藏表示，刻画出数据间的特征，解决传统模式识别方法难以处理的高维、冗杂等问题。但深度神经网络也有缺点，包括大量的超参数、对结果的可解释性差等。且不同深度学习算法各有优势和弊端，采用单一的深度学习方法对局部放电信号进行识别分类时，很难做出全面的诊断，会出现针对某一放电类型或者整体识别效果不佳的情况，会面临着算法比较、算法选择的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合证据折扣的深度超级学习机的局部放电模式识别方法。

本发明的目的可以通过以下技术方案来实现：

一种结合证据折扣的深度超级学习机的局部放电模式识别方法，包括以下步骤：

步骤1：信号采集：通过传感器收集局部放电信号；

步骤2：数据预处理：针对局部放电信号进行去噪处理；

步骤3：利用深度超级学习机针对经过数据预处理的局部放电信号进行初步诊断，并构造出对应的证据体BPA；

步骤4：对证据体BPA进行证据折扣操作；

步骤5：构建新特征：将经过证据折扣操作的证据体BPA添加至原始经过数据预处理的局部放电信号中，形成新的特征向量输入至深度超级学习机进行下一次迭代；

步骤6：循环步骤3至步骤5直至深度超级学习机的损失函数不再减小，即得到最终的深度超级学习机输出的模式识别结果。

进一步地，所述的步骤3中的深度超级学习机采用集成多种机器学习算法的学习机。

进一步地，所述的多种机器学习算法包括逻辑回归算法、K最邻近算法、随机森林算法、极度随机数算法以及XGBoost算法。

进一步地，所述的步骤3包括以下分步骤：

步骤301：将经过数据预处理的局部放电信号分成K个大小相等的数据集；

步骤302：建立识别框架Θ；

步骤303：采用K-Fold交叉验证方法对深度超级学习机中集成的每个深度学习算法进行训练，构造出识别框架下的基本概率分配，即证据体BPA。