【技術實現步驟摘要】
本專利技術涉及電纜局部放電檢測，具體涉及基于改進決策樹-旋轉森林的電纜局放識別方法及設備。
技術介紹
1、隨著電力電纜在城市輸配電系統中得到廣泛應用，其安全運行變得至關重要。局部放電是電纜絕緣失效的早期征兆，因此對其進行準確檢測和識別意義重大。當前，盡管存在多種局部放電檢測方法，但在將超聲檢測應用于電纜局部放電診斷時，仍面臨一些問題，諸如超聲檢測指標不明確、定量檢測方法不完善、局部放電分析模式建立不準確以及局部放電類型識別率有待進一步提高等。
2、超聲檢測在電纜局部放電診斷中面臨挑戰，包括超聲檢測指標不明確的問題。這意味著在實際應用中，可能難以確定哪些超聲信號與局部放電活動直接相關，以及如何準確量化這些信號以進行有效診斷。
3、局部放電模式識別技術在處理強隨機性信號時，傳統方法依賴于統計算子進行特征提取，這種方法在隨機性很強的直流電纜局部放電信號分類中存在局限性。例如，使用偏斜度、互相關系數等統計算子進行特征提取的方法，可能無法準確捕捉到局部放電信號的全部特征。
4、盡管一些研究提出了基于深度學習的模式識別方法，如卷積神經網絡(cnn)，以提高識別率，但這些方法在實際應用中可能仍面臨挑戰。例如，現場采集的局部放電信號含有大量噪聲，這可能影響模式識別的有效性。此外，不同噪聲強度下局部放電信號的模式識別有效性還需要進一步研究。
5、綜上，現有的局部放電檢測方法無法全面描述局部放電的信息，從而無法對局部放電現象有準確的理解，無法全面地獲取電纜局部放電的特征信息，從而使局放類型識別結果低下
技術實現思路
1、基于上述
技術介紹
所提出的問題，本專利技術的目的在于提供基于改進決策樹-旋轉森林的電纜局放識別方法，解決了現有的局部放電檢測方法無法全面描述局部放電的信息，從而無法對局部放電現象有準確的理解，無法全面地獲取電纜局部放電的特征信息，從而使局放類型識別結果低下的問題。
2、本專利技術通過下述技術方案實現：
3、本專利技術第一方面提供了基于改進決策樹-旋轉森林的電纜局放識別方法，包括如下步驟：
4、步驟s1、獲取電纜局部放電監測信號，對所述電纜局部放電監測信號進行超聲信號特征提取，得到tprd超聲特征、prpd超聲特征和eprd超聲特征；
5、步驟s2、利用基于自適應加權信息調整增益的改進決策樹算法對所述tprd超聲特征進行分類預測，利用旋轉森林算法對所述prpd超聲特征和所述eprd超聲特征進行集成預測；
6、步驟s3、基于多階段融合的貝葉斯融合算法對分類預測的結果和集成預測的結果進行決策融合，根據決策融合的結果判斷電纜局放類型。
7、在上述技術方案中，通過對trpd超聲信號進行小波包分解能量特征提取和計算超聲信號的過零率，并采取基于自適應加權信息調整增益的改進決策樹算法對trpd超聲特征進行分類。利用基于高階統計量的相位特征提取對prpd超聲信號進行特征提取，對erpd超聲特征進行cohen類時頻分布特征提取，對prpd超聲特征和erpd超聲特征采取旋轉森林算法進行分類。trpd關注放電脈沖在時間軸上的特性，prpd著重于放電與相位的關系，而erpd則從能量角度對局部放電進行分析。三種技術結合，能夠全面地描述局部放電的發生時間、相位以及能量分布等多維度信息，讓研究人員對局部放電現象有更完整的理解。上述特征提取方法與分類方法能夠更全面地獲取電纜局部放電的特征信息，提高了局放檢測和識別的準確性。
8、采用基于多階段融合的貝葉斯融合算法，將不同特征分類器的結果進行融合，彌補了單一分類算法的不足，提高了局放類型識別結果的可靠性。解決了現有的局部放電檢測方法無法全面描述局部放電的信息，從而無法對局部放電現象有準確的理解，無法全面地獲取電纜局部放電的特征信息，從而使局放類型識別結果低下的問題。
9、在一種可選的實施例中，利用基于自適應加權信息調整增益的改進決策樹算法對所述tprd超聲特征進行分類預測，包括如下步驟：
10、以所述tprd超聲特征建立訓練數據集；
11、計算所述訓練數據集的加權信息熵，以所述加權信息熵構建決策樹；
12、從所述決策樹的葉節點開始，依次向上對每個非葉節點進行剪枝評估，根據剪枝評估的結果對所述決策樹進行剪枝；
13、以所述tprd超聲特征建立測試數據集，利用剪枝后的決策樹對所述測試數據集進行分類預測，得到預測類別。
14、在一種可選的實施例中，從所述決策樹的葉節點開始，依次向上對每個非葉節點進行剪枝評估，包括如下步驟：
15、對非葉節點n，計算所述非葉節點n對應原始子樹tn在所述訓練數據集上的加權分類誤差errorw(tn)；
16、將所述非葉節點n標記為葉節點n，計算所述葉節點n對應子樹的加權分類誤差errorw(n)；
17、若errorw(n)≤errorw(tn)，則對所述非葉節點n進行剪枝。
18、在一種可選的實施例中，利用旋轉森林算法對所述prpd超聲特征和所述eprd超聲特征進行集成預測，包括如下步驟：
19、以所述prpd超聲特征和所述eprd超聲特征建立數據集；
20、建立k棵決策樹，基于所述數據集確定所述決策樹的參數，并基于所述參數對所述決策樹進行訓練；
21、利用訓練后的決策樹對所述prpd超聲特征和所述eprd超聲特征進行預測，得到k個類別結果，從所述k個類別結果中確定最終預測類別。
22、在一種可選的實施例中，基于所述數據集確定所述決策樹的參數，并基于所述參數對所述決策樹進行訓練，包括如下步驟：
23、所述數據集包括n個樣本和m個特征；
24、對每棵決策樹t，從m個特征中任意選擇k個特征形成特征子集ft；
25、對所述特征子集ft進行特征旋轉，利用特征旋轉后的特征子集ft對決策樹進行訓練。
26、在一種可選的實施例中，基于多階段融合的貝葉斯融合算法對分類預測的結果和集成預測的結果進行決策融合，包括如下步驟：
27、確定所述tprd超聲特征、所述prpd超聲特征和所述eprd超聲特征的先驗概率，分別計算改進決策樹算法中分類器和旋轉森林算法中分類器的條件概率；
28、基于所述先驗概率進行初步融合，得到初步融合概率分布；
29、根據所述條件概率計算分類器對于樣本的預測概率，基于所述預測概率利用貝葉斯融合算法對初步融合概率分布進行二次融合，得到最終融合概率分布。
30、在一種可選的實施例中，對所述電纜局部放電監測信號進行超聲信號特征提取，得到prpd超聲特征，包括如下步驟：
31、從所述電纜局放電監測信號中提取prpd超聲信號；
32、將所述prpd超聲信號的一個周期劃分為若干個相位區間；
33、分別計算所述prpd超聲信號在每個相位區間內的三階累積量和四階累積量；
<本文檔來自技高網...【技術保護點】
1.基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，利用基于自適應加權信息調整增益的改進決策樹算法對所述TPRD超聲特征進行分類預測，包括如下步驟：
3.根據權利要求2所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，從所述決策樹的葉節點開始，依次向上對每個非葉節點進行剪枝評估，包括如下步驟：
4.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，利用旋轉森林算法對所述PRPD超聲特征和所述EPRD超聲特征進行集成預測，包括如下步驟：
5.根據權利要求4所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，基于所述數據集確定所述決策樹的參數，并基于所述參數對所述決策樹進行訓練，包括如下步驟：
6.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，基于多階段融合的貝葉斯融合算法對分類預測的結果和集成預測的結果進行決策融合，包括如下步驟：
8.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，對所述電纜局部放電監測信號進行超聲信號特征提取，得到EPRD超聲特征，包括如下步驟：
9.一種電子設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至8任一所述的基于改進決策樹-旋轉森林的電纜局放識別方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至8任一所述的基于改進決策樹-旋轉森林的電纜局放識別方法。
...【技術特征摘要】
1.基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，利用基于自適應加權信息調整增益的改進決策樹算法對所述tprd超聲特征進行分類預測，包括如下步驟：
3.根據權利要求2所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，從所述決策樹的葉節點開始，依次向上對每個非葉節點進行剪枝評估，包括如下步驟：
4.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，利用旋轉森林算法對所述prpd超聲特征和所述eprd超聲特征進行集成預測，包括如下步驟：
5.根據權利要求4所述的基于改進決策樹-旋轉森林的電纜局放識別方法，其特征在于，基于所述數據集確定所述決策樹的參數，并基于所述參數對所述決策樹進行訓練，包括如下步驟：
6.根據權利要求1所述的基于改進決策樹-旋轉森林的電纜...
【專利技術屬性】
技術研發人員：邵千秋，范松海，張宗喜，劉鳳蓮，付崢爭，呂品雷，趙福平，陳軻娜，穆舟，卜祥航，
申請(專利權)人：國網四川省電力公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。