王文凯，刘明，邓斌

（云南民族大学电气信息工程学院，云南昆明 650504）

地下配电网多采用电缆作为配电线路。然而，电缆在外部环境的影响下容易老化[1]，从而引发以间歇性电弧为特征的电缆早期故障[2]。

目前，电缆早期故障定位的主要研究成果有：通过误差计算和参数估计的方法估计初始故障位置[3-4]。此类方法计算量少，精度高，但推广性差；利用特征提取方法提取故障点故障信号特征，使用人工智能方法对故障点进行定位[5-7]。此类方法推广性强，但人工智能方法依赖特征提取方法，由于小波变换等特征提取方法客观性差，易引入人为误差。

故文中提出了基于自动编码器(Auto-Encoder,AE)与自适应变异粒子群优化算法(Adaptive Mutation Particle Swarm Optimization algorithm,AMPSO)优化支持向量机(Support Vector Machine,SVM)的地下电缆早期故障定位方法。

1 自动编码器

自动编码器（Auto-Encoder）是一种输入层与输出层神经元数目相同的自动编码神经网络。它通过限制隐藏层神经元的数目，学习原始数据的低维表示，提取训练数据中的最显著特征[8]。其结构示意图如图1 所示。

图1 自动编码器结构示意图

图1中，xi为输入层神经元数据，hi为隐藏层神经元数据，xdi为输出层神经元数据，b1为输入层偏置，b2为隐藏层偏置。

自动编码器的训练过程可由式（1）～（5）表示：

其中，x为原始数据，xd为自动编码器重构的数据；σe为Sigmoid 激活函数，σ为Tanh 激活函数；b1和b2是输入层和隐藏层的偏置，W1和W2分别为输入层和隐藏层以及隐藏层和输出层的连接权值，W分为W1和W2，b分为b1和b2，M是样本总数。

隐藏层神经元数目为特征提取数量的目标值，为权衡特征维数与训练误差，选取合适的隐藏层数目是十分必要的。……