核心詞：MY 煤礦 橡 電纜 電纜 
　　高壓電纜是電力系統(tǒng)重要的電力設(shè)備,在設(shè)計(jì)、運(yùn)輸、安裝及運(yùn)行過程中的工藝缺陷,受到電、熱、機(jī)械等外部環(huán)境的作用以及內(nèi)部介質(zhì)老化的影響,可能會造成絕緣劣化及損壞,并最終導(dǎo)致設(shè)備故障停運(yùn)。局部放電檢測作為一種非破壞性狀態(tài)檢測技術(shù),被廣泛應(yīng)用于評估中、高壓電力設(shè)備的絕緣狀態(tài),是檢測設(shè)備絕緣缺陷的一種重要方法。電纜絕緣缺陷形式多樣,不同缺陷類型有不同的PD表現(xiàn)形式,對設(shè)備的安全運(yùn)行影響及絕緣的危害程度也不同。對電纜絕緣缺陷類型的識別有著十分重要的意義。由于局放譜圖中含有較豐富的信息,因此局放特征常從二維或三維譜圖中提取,常見的特征提取方式有統(tǒng)計(jì)特征、分形特征、小波特征、矩特征等。分形理論被譽(yù)為大自然的幾何學(xué),是現(xiàn)代數(shù)學(xué)的一個新分支,分形維數(shù)反應(yīng)了復(fù)雜形體占有空間的有效性,它是復(fù)雜形體不規(guī)則的量度。局部放電是發(fā)生在電氣絕緣系統(tǒng)中的一種自然現(xiàn)象,包含復(fù)雜形狀和表面,因此可以用分形理論提取局部放電特征,文獻(xiàn)中使用局部放電譜圖進(jìn)行分形維數(shù)和空隙度來表征局部放電特性,并將提取的特征輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。文獻(xiàn)提出基于PRPD譜圖的盒維數(shù)和信息維數(shù)作為識別特征量對GIS放電缺陷進(jìn)行模式識別。文獻(xiàn)采用分形特征及SVM對GIS絕緣缺陷進(jìn)行模式識別,主要基于PRPD灰度圖提取4分分形特征輸入SVM進(jìn)行模型訓(xùn)練。以上文獻(xiàn)中的分形均使用單一的分形信息作為特征,文獻(xiàn)使用多重分形維數(shù)對GIS放電進(jìn)行識別,該文章基于譜圖提取不同缺陷類型的多重分維數(shù)作為特征后使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練,基于譜圖的分形特征提取均是基于二維圖像處理思想,但對于局部放電信號本身不同的放電類型也是不同的,因此本文引入短時(shí)分形維數(shù),直接對一維數(shù)據(jù)計(jì)算信號的短時(shí)時(shí)域分形維數(shù),再結(jié)合譜圖提取多重分形維數(shù),這樣同時(shí)兼顧放電脈沖的局部特征和全局特征可以更好的表述放電的特性,可以提高模式識別的準(zhǔn)確率。傳統(tǒng)的分類方法以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)為主,這類分類器屬于離線學(xué)習(xí),礦用電纜一次將樣本輸入得出輸出結(jié)果,如果有新樣本加入時(shí)需要全部樣本重新訓(xùn)練,樣本的獲取一般需要長期累積,這樣就給樣本訓(xùn)練帶來不必要的學(xué)習(xí)過程。極限學(xué)習(xí)機(jī)是一種新型的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,與其他神經(jīng)網(wǎng)絡(luò)相比,其不需要繁瑣的調(diào)整與迭代,是一個比較簡潔有效的算法且學(xué)習(xí)速度快、泛化能力強(qiáng)。但是該方法受數(shù)據(jù)集本身影響較會導(dǎo)致ELM性能下降,如數(shù)據(jù)集合有噪聲或則離群點(diǎn)的時(shí)候更明顯,而且ELM是通過計(jì)算最小二乘解來求解最優(yōu)外權(quán)的,用戶因此無法根據(jù)數(shù)據(jù)集的特征進(jìn)行微調(diào),新舊訓(xùn)練數(shù)據(jù)并不能有效地被區(qū)分,因此在一定程度上延長了學(xué)習(xí)時(shí)間,針對這個缺點(diǎn),Liang基于在線學(xué)習(xí)和遞歸最小二乘法提出了在線連續(xù)極限學(xué)習(xí)機(jī),用于解決數(shù)據(jù)集訓(xùn)練數(shù)據(jù)的問題,文獻(xiàn)將該方法用于變壓器局部放電模式識別,比傳統(tǒng)的SVM及BPNN的識別率均高且訓(xùn)練時(shí)間短。但該方法的缺點(diǎn)是在訓(xùn)練過程中把時(shí)間消耗在求解矩陣H的MP廣義逆中,一般采取奇異值分解法求解,這種方法的計(jì)算復(fù)雜度為O。針對這些缺陷,本文在分形特征提取后,使用改進(jìn)后的ELM算法-準(zhǔn)確在線連續(xù)極限學(xué)習(xí)機(jī)進(jìn)行學(xué)習(xí)樣本學(xué)習(xí)。目前利用在線學(xué)習(xí)方法對電力設(shè)備局部放電識別的研究并不多見,因此本文提出的方法對電力設(shè)備局部放電缺陷分類有重要的指導(dǎo)意義。
　　1、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:但大多數(shù)文獻(xiàn)都是基于灰度的計(jì)算
　　對于不同的放電波形有不同的分形維數(shù),但是目前大多文獻(xiàn)均是基于灰度圖進(jìn)行維數(shù)的計(jì)算,本文引入短時(shí)分形維數(shù)直接對脈沖信號提取特征,再結(jié)合譜圖多重分析特征作為樣本訓(xùn)練特征集。分形維數(shù)是描述分形特征的重要參數(shù),是分形信號重要的特征參數(shù),分形方法將維數(shù)從整數(shù)擴(kuò)大到分?jǐn)?shù),突破了一半拓?fù)渚S數(shù)為整數(shù)的限制,一般而言,對于信號的相似性分析,通常采用容量維和關(guān)聯(lián)為,在圖像處理領(lǐng)域使用較為廣泛的是盒子維數(shù),本文在計(jì)算時(shí)選取盒子維數(shù)進(jìn)行信號特征描述。對于一個連續(xù)時(shí)間信號,將其離散成時(shí)間序列信號(對應(yīng)的數(shù)字信號是,近似逼近于連續(xù)信號),設(shè)時(shí)間序列信號點(diǎn)與點(diǎn)間的間隙為?,對每一個時(shí)間點(diǎn),對應(yīng)一個,并包含了個網(wǎng)格,取定?>0,這整個波形圖被M個長、寬均為?的正方形網(wǎng)格所覆蓋。假設(shè)所取的?足夠的小,覆蓋整個圖形網(wǎng)格所包含的信號的點(diǎn)為N(網(wǎng)格中的信號點(diǎn)數(shù))。和分別表示用寬度為?及2?的正方形網(wǎng)格覆蓋第k個局放信號圖形所需的網(wǎng)格格子數(shù)。多重分形也稱分形測度,它研究一種物理量在一個支撐集合上的分布狀況,即定義在分形上的多個標(biāo)度指數(shù)的奇異測度所組成的集合。
　　2、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:多重分形方法考慮了系統(tǒng)的局部行為和分形形成過程中不同層次的特征
　　多重分形方法考慮了系統(tǒng)的局域行為及分形在其形成過程中不同層次的特征,因而可以全面有效的對局放圖譜進(jìn)行描述。分類器準(zhǔn)確在線連續(xù)極限學(xué)習(xí)機(jī):該方法是對OS-ELM的改進(jìn),主要針對算法中矩陣廣義逆的求解過程進(jìn)行優(yōu)化,在一定程度上有效減少求解矩陣的計(jì)算復(fù)雜度,相當(dāng)于縮短了訓(xùn)練時(shí)間。同時(shí)添加了正則項(xiàng)1/λ,提高了在線學(xué)習(xí)的處理能力及算法的穩(wěn)定系。算法步驟主要包括初始化階段和在線學(xué)習(xí)階段。隨機(jī)產(chǎn)生輸入權(quán)值和偏置值,,。
　　3、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:則計(jì)算初始輸出權(quán)重矩陣；如果
　　如果r=N0,則計(jì)算初始輸出權(quán)值矩陣;如果,則計(jì)算初始輸出權(quán)值矩陣,這里、且。
　　4、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:可通過求解以下兩個模型得到最優(yōu)解
　　當(dāng)且時(shí),對下面兩個模型、進(jìn)行求解可獲得相應(yīng)的優(yōu)化解。設(shè)k=0,表示初始學(xué)習(xí)階段。對每個k+1塊新的訓(xùn)練樣本,設(shè)樣本個數(shù)為。a)對第k+1塊訓(xùn)練樣本的隱含層輸出矩陣Hk+1。b)按照初始化階段中c)步驟計(jì)算輸出權(quán)值向量。c)令k=k+1,回到在線學(xué)習(xí)階段步驟a)。仿真分析XLPE電纜局放信號與缺陷類型有關(guān)系,不同的缺陷類型有不同的PD表現(xiàn)形式,本文依據(jù)電纜中間接頭常見故障分別制作3種類型典型缺陷模型:尖刺放電、沿面放電、氣隙放電;如圖1所示。為了獲取到真實(shí)局部放電信號,排除實(shí)驗(yàn)室一些電磁干擾,保證實(shí)驗(yàn)環(huán)境背景噪聲低于5mV。電纜局部放電信號使用高頻電流傳感器,高速采集板卡,采樣率為1GS/s。采集局部放電信號時(shí),對不同的缺陷類型均采用逐步升壓試驗(yàn)法,直到出現(xiàn)穩(wěn)定的局放現(xiàn)象,每組缺陷模型測試100組樣本,其中80組做為訓(xùn)練樣本,20組做為測試樣本。
　　5、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:共四種類型作為缺陷識別樣本庫
　　再添加一種現(xiàn)場采集的有規(guī)律的脈沖型干擾一共4種類型做為本文缺陷識別樣本庫。由公式計(jì)算譜圖的多重分形維數(shù)、、、、、,以及當(dāng)q=8時(shí)正負(fù)半軸的分形維數(shù)變化趨于穩(wěn)定時(shí)的值、,做為特征。從圖2特征分布可以看出不同PD類型的短時(shí)分形維數(shù)平均分布在不同的區(qū)間內(nèi),這表明電纜局部放電具有分形內(nèi)在的性質(zhì),沿面和氣隙分布區(qū)間存在的重疊現(xiàn)象,說明單純使用該特征不能將他們完全分開,因此需要結(jié)合基于譜圖的多重分形特征。缺陷類型識別步驟及流程如圖3所示。圖3基于本文識別算法流程示意圖本文使用MATLAB進(jìn)行編碼,主要從兩個方面進(jìn)行了對比:特征方面,對比了基于本文特征、多重分形特征、單一分形特征時(shí)的識別準(zhǔn)確率;利用本文提出的AOS-ELM算法、OS-ELM算法、ELM算法、傳統(tǒng)的SVM、BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模式識別,對識別結(jié)果進(jìn)行統(tǒng)計(jì)及分析?；诒疚奶崛〉奶卣骺臻g,分別采用AOS-ELM、OS-ELM、ELM、SVM、BPNN對樣本進(jìn)行訓(xùn)練,各缺陷類型的識別正確率如圖4所示,從圖4a)可見對于尖端放電,AOS-ELM、OS-ELM、ELM、SVM、BPNN的識別準(zhǔn)確率分別為98%、96%、92%、88%、80%。從圖4b)可見對于沿面放電,AOS-ELM、OS-ELM、ELM、SVM、BPNN的識別準(zhǔn)確率分別為98%、98%、96%、86%、81%。從圖4c)可見對于氣隙放電,AOS-ELM、OS-ELM、ELM、SVM、BPNN的識別準(zhǔn)確率分別為97%、96%、94%、85%、78%。

　　6、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:從圖4D可以看出
　　從圖4d)可見對于隨機(jī)干擾,AOS-ELM、OS-ELM、ELM、SVM、BPNN的識別準(zhǔn)確率分別為99%、96%、94%、86%、83%。可見本文方法的平均識別率為92%。基于本文提出的特征結(jié)AOS-ELM的平均識別率為98%。基于本文提出的特征結(jié)合OS-ELM的平均識別率為97%?；诒疚奶岢龅奶卣鹘Y(jié)合ELM的平均識別識別率為96%?；诒疚奶岢龅奶卣鹘Y(jié)合SVM的平均識別識別率為82%?；诒疚奶岢龅奶卣鹘Y(jié)合BPNN的平均識別識別率為79%?；贏OS-ELM的模型訓(xùn)練方式,分別將本文提取的特征、多重分形特征、單一分形特征輸入該模型進(jìn)行訓(xùn)練,使用測試樣本集測試識別平均準(zhǔn)確率,如圖5所示,從圖5可以看出,基于本文特征提取的平均識別率為98%,比單純使用多重分形特征及單一分形特征識別率高。如表1所示,識別結(jié)果可以看出,AOS-ELM算法與OS-ELM算法、ELM相比有微小的提高,但是比傳統(tǒng)的SVM、BPNN識別率高很多。
　　7、MY煤礦用橡套軟電纜_耐候阻燃礦用電纜:由于aos elm改進(jìn)了OS-elm中矩陣求逆的計(jì)算方法
　　但是從模型訓(xùn)練時(shí)間上,由于AOS-ELM改進(jìn)了OS-ELM中矩陣逆的計(jì)算方法而使得訓(xùn)練時(shí)間大大提高,在相同訓(xùn)練樣本及測試條件下,SVM、BPNN的訓(xùn)練速度是ELM、OS-ELM、AOS-ELM的10000倍,而AOS-ELM是ELM、OS-ELM的一半。故本文提出的方可以在保證識別率的情況下提高模型訓(xùn)練時(shí)間。由于在實(shí)際工程應(yīng)用中,會有大量的數(shù)據(jù)集,且不可能一次性獲得,在實(shí)驗(yàn)室繼續(xù)采集300組數(shù)據(jù)分為三次分批樣本集。分別使用AOS-ELM、OS-ELM、ELM進(jìn)行模型訓(xùn)練對比新加入樣本所需訓(xùn)練時(shí)間。如表2所示,可以看出隨著數(shù)據(jù)樣本的增加,三種算法的訓(xùn)練時(shí)間都會增加,由于ELM需要對舊數(shù)據(jù)重新訓(xùn)練,需要的時(shí)間最多,OS-ELM無需對舊數(shù)據(jù)學(xué)習(xí)則使用的訓(xùn)練時(shí)間少于ELM,AOS-ELM使用的時(shí)間最少,在加入新數(shù)據(jù)時(shí),樣本加入越多優(yōu)越性越明顯。本文以分形理論為基礎(chǔ),給出了基于差分盒維數(shù)的短時(shí)分形維數(shù)及多重分形的計(jì)算方法,對三種放電類型及一種干擾類型進(jìn)行特征提取,并對本文特征方法、多重分形特征、單一分形特征識別率進(jìn)行了對比分析。本文的特征既考慮了脈沖本身的特性,也考慮了譜圖細(xì)節(jié)特征,從識別結(jié)果可看出本文特征識別率均高于單一特征及多重分形特征的識別率。為了使算法能夠有效區(qū)分新舊樣本數(shù)據(jù),本文在模型訓(xùn)練時(shí)選擇改進(jìn)的OS-ELM,該方法在區(qū)分新舊樣本數(shù)據(jù)的同時(shí)可以提高模型訓(xùn)練時(shí)間,有效減少了求解矩陣的逆的計(jì)算復(fù)雜度。對實(shí)際工程中的大樣本數(shù)據(jù)訓(xùn)練具有重要的指導(dǎo)意義。
　　如果您對“MY煤礦用橡套軟電纜_耐候阻燃礦用電纜”感興趣，歡迎您聯(lián)系我們