[发明专利]一种GIS超高频局部放电信号识别方法

权利要求书

1.一种GIS超高频局部放电信号识别方法，包括模型训练过程和缺陷识别过程，其特征在于，

所述模型训练过程包括以下步骤：

（1-1）输入四种带有类别标记的GIS超高频局部放电信号作为训练样本，其中固定粒子放电标记为（1,0,0,0），自由粒子放电标记为（0,1,0,0），浮动电极放电标记为（0,0,1,0），绝缘缺陷放电标记为（0,0,0,1）；

（1-2）对步骤（1-1）输入的GIS超高频局部放电信号进行预处理；

（1-3）对预处理后的GIS超高频局部放电信号提取以下放电特征：平均放电幅值、放电幅值标准差、放电相位分布、放电极性、放电时间间隔均值；

（1-4）以步骤（1-3）提取的放电特征作为参数进行建模，具体包括以下步骤：

（1-4-1）将步骤（1-3）提取的放电特征进行类别标识，其中固定粒子放电信号标记为（1,0,0,0），自由粒子放电信号标记为（0,1,0,0），浮动电极放电信号标记为（0,0,1,0），绝缘缺陷放电信号标记为（0,0,0,1）；

（1-4-2）对进行类别标识后的放电特征进行归一化处理，将带有类别标记的所有放电特征参数作为训练样本，构成训练样本集；

（1-4-3）选择模型参数；

（1-4-4）先用遗传模拟退火算训练神经网络，使神经网络的权值定位于权空间最优附近，然后采用BP算法进行局部搜索，使神经网络的权值迅速地收敛到最终的优化值，最后使用BP神经网络工具对训练数据集进行训练，得到GSA-BP模型；

所述缺陷识别过程包括：

（2-1）输入待测GIS超高频局部放电信号；

（2-2）对步骤（2-1）输入的待测GIS超高频局部放电信号进行预处理；

（2-3）提取步骤（2-2）得到的待测GIS超高频局部放电信号的特征：平均放电幅值、放电幅值标准差、放电相位分布、放电极性、放电时间间隔均值，得到待测样本特征；

（2-4）用步骤（1-4-4）的得到的GSA-BP模型对GIS超高频局部放电信号待测样本进行分类识别。

2.根据权利要求1所述的GIS超高频局部放电信号识别方法，其特征在于，步骤（1-4-3）所述模型参数包括：种群初始化、选择算子、交叉算子、变异算子、适应度函数、初始温度、温度更新函数、BP神经网络的隐含层神经元个数。

3.根据权利要求2所述的GIS超高频局部放电信号识别方法，其特征在于，步骤（1-4-4）所述先用遗传模拟退火算训练神经网络，使神经网络的权值定位于权空间最优附近，然后采用BP算法进行局部搜索，使神经网络的权值迅速地收敛到最终的优化值，最后使用BP神经网络工具对训练数据集进行训练，从而得到GSA-BP模型，具体为：

（1-4-4-1）初始化BP神经网络：根据输入输出参数个数确定BP神经网络结构，进而确定遗传模拟退火算法中需要优化的参数的个数；

（1-4-4-2）初始化遗传模拟退火算法中种群规模、最大迭代次数、染色体长度、初始温度、温度更新函数；

（1-4-4-3）用遗传模拟退火算法优化BP神经网络的权值和阈值，然后通过适应度函数计算遗传模拟退火算法中的每个个体的适应度；

（1-4-4-4）用遗传模拟退火算法根据选择、交叉、变异和退火一系列操作找到具有最优适应度的个体；

（1-4-4-5）BP神经网络利用遗传模拟退火算法得到的最优个体为BP神经网络初始的权值和阈值赋值；

（1-4-4-6）采用步骤（1-4-4-5）得到的BP神经网络初始的权值和阈值进行BP神经网络训练和学习，使用BP神经网络工具对训练数据集进行训练，得到GSA-BP模型。

4.根据权利要求1所述的GIS超高频局部放电信号识别方法，其特征在于，所述预处理包括以下步骤：

（a）采样量化：采集连续50个周期的GIS局部放电信号作为一个放电样本，统一把放电数据存储为单周期数据形式，即存为三维谱图，其中表示相位，q代表放电幅值，t代表连续50个周期；

（b）去干扰：将测得的GIS局部放电信号混入的干扰滤除，突出有用信号。