论文部分内容阅读
绝缘架空导线已经基本取代了传统的钢芯铝绞线,然而绝缘层的存在使得传统的故障检测装置无法正常使用,这为绝缘架空导线的故障检测工作带了巨大的阻碍。由于绝缘架空导线的故障常伴随着局部放电现象(PD),因此常通过绝缘架空导线的局部放电现象来判断导线的故障情况。本文针对绝缘架空导线的故障检测精度问题,采用信号分解和噪声过滤的方法对数据进行分析和处理,提出了改进的特征筛选和改进的深度学习网络提高智能检测模型的精确度,并通过实验对本文提出的方法进行验证和分析。本文的工作主要归纳为以下三个方面:(1)设计了一种结合时间序列分解的脉冲电压信号噪声过滤方法。针对绝缘架空导线脉冲电压信号数据中存在的背景噪声,本文设计了一种结合时间序列分解的噪声过滤方法,通过对绝缘架空导线脉冲电压信号进行时间序列分解,获得平滑的残差成分数据。根据残差成分中峰值梯度变化寻找电压信号峰值与噪声峰值特征。通过对提取出来的峰值信息进行分析,计算了5类峰值特性。其中,峰值的锯齿波均方根误差是最重要的一类特性,其中包含了局部放电现象在峰值附近的特殊性质,该特性极大的提升了信号特征的表征能力。(2)提出了一种自适应概率阈值优化LightGBM特征筛选算法(ATPO-LightGBM)。在智能检测特征提取时进行特征筛选可以提高模型的性能上限,使模型精确度更高。在模型输出概率估计二值化的过程中,结合模型的概率估计值和训练集的真实分类计算出最优的概率阈值,相比原始的以0.5为阈值的转化方法更加鲁棒。并且通过对特征重要性的计算,发现峰值的锯齿波均方根误差是一类十分重要的特征,其特征重要性远高于其他特征。通过对比特征筛选前后的模型精度,特征筛选对于智能检测方法存在一定的提升。(3)提出一种使用改进的LSTM进行深度学习的局部放电故障检测方法。利用循环神经网络对时序数据的强大学习能力,提出一种结合注意力机制的Bi-LSTM网络(ATT-BLSTM)。在Bi-LSTM的编码器和解码器之间加入注意力机制,赋予了隐含特征不同的权重,对隐含特征进行重要性评估,从而提升模型网络的效率和性能。通过对比实验,一方面证明了深度学习网络的可靠性,另一方面证明了特征筛选与注意力机制都在特征工程中起到了关键作用。