[发明专利]一种电缆接头局部放电超声波序列预测方法

说明书

本发明公开了一种电缆接头局部放电超声波序列预测方法，属于电缆系统的终端接头故障预警技术领域。通过超声波传感器对电缆接头处进行超声波在线监测，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：a.建立LSTM神经网络算法构架；b.对LSTM神经网络算法构架中的超参数进行优化；c.确定LSTM神经网络算法中的目标函数；d.预测模型及超参数优化的LSTM神经网络架构；e.待优化超参数解空间的粒子群划分；f.对电缆接头的局部放电超声波序列进行预测。它可以提高神经网络的预测精度。

技术领域

本发明涉及属于电缆系统的终端接头故障预警技术领域。

背景技术

近年来，随着计算机技术和电力电子技术的飞速发展，依靠各类传感器的电力设备在线监测技术得到广泛应用，用于监测电力设备运行状态和健康状况，如开关柜电缆接头及电力设备的局部放电监测传感器。基于各类传感器监测得到的特征参量可以分析电力设备当前的运行状态和健康水平；此外，利用在线监测数据，还可以通过预测监测的特征量的趋势来判断未来健康状态。

长短期记忆(LSTM)神经网络具有深度学习的能力，作为循环神经网络(RNN)变体模型，LSTM神经网络通过在结构设计中引入记忆模块，有效规避了普通RNN在训练过程中存在的梯度消失与梯度爆炸等问题，目前已被广泛应用于语音识别、时间序列预测等众多领域。神经网络超参数是指在机器学习模型开始学习过程之前人为设置的参数；在时间序列的预测中，对网络的训练和预测精度起着至关重要的作用。

目前超参数寻优过程采用网格搜索暴力穷举，耗时长且浪费计算资源；采用随机搜索得到的寻优结果无法保证；贝叶斯优化在寻优过程，某些时候会由于假设的先验模型的原因导致预测效果不佳。深度学习模型中，超参数的选择对神经网络预测的效果有较大的影响。目前的神经网络超参数寻优方法存在的不足，针对深度学习模型，重复的实验不仅效率低而且耗费时间。

发明内容

本发明要解决的技术问题是提供一种电缆接头局部放电超声波序列预测方法，它可以提高超参数寻优的速度和效果，从而提高神经网络的预测精度。

为解决上述技术问题，本发明所采取的技术方案是：

一种电缆接头局部放电超声波序列预测方法，通过超声波传感器对高压开关柜电缆仓中的电缆接头处进行超声波在线监测，以检测电缆接头处因局部放电产生的超声波信号，以按一定周期所采集的超声波传感器所检测的超声波信号数据形成超声波序列；方法基于LSTM神经网络算法对电缆接头局部放电引起的超声波序列进行预测，包括如下步骤：

a.建立LSTM神经网络算法构架，以所采集的超声波序列作为LSTM神经网络算法公式的输入变量，从而确定针对局部放电超声波序列预测方法的LSTM神经网络算法构架，则：

y_n+1＝f(x₁,x₂,…,x_n)

式中，x₁,x₂,…,x_n为输入超声波序列，y_n+1为超声波序列预测值；

b.对LSTM神经网络算法构架中的超参数进行优化，超参数包括输入时间窗口长度L、隐含层数目N_h、隐含层维数D_h、学习率R_l和批次尺寸S，选择N_h＝2；最大迭代次数E_max定为1000，L、D_h、S均为正整数，预测模型L范围[5，20]、D_h范围[10，80]，S范围[1，60]，R_l范围[0.001，0.002，0.005，0.008，0.01，0.02，0.05]；