[发明专利]一种GIS超高频局部放电信号识别方法

说明书

技术领域

本发明涉及电气设备绝缘检测技术领域，特别涉及一种基于遗传模拟退火算法(GSA)的BP神经网络的GIS超高频局部放电信号识别方法。

背景技术

随着我国电力工业建设的突飞猛进，现代电力系统正向着大电网、大机组、超高压、大容量的方向发展，为保障电力系统的稳定性、可靠性，对电力设备的安全程度也提出了更高的要求。作为变电站中最重要的设备之一的封闭式组合电器（GIS），因其可靠性高、占地面积小等优点而被广泛应用于高压输电领域，但一旦发生故障，维修时间长，造成的影响和损失就很大。所以在GIS发生故障之前，检测并判断它的内部缺陷状况尤其重要。

目前，局部放电检测是对GIS等高压电力设备进行诊断和评估绝缘状况的一种重要手段。局部放电会使绝缘系统老化，引起绝缘故障，缩短使用寿命。然而设备内部不同的缺陷对绝缘系统有不同的影响，在对设备进行绝缘状态评估时，除了要判断是否有局部放电发生外，还需要进一步判断故障缺陷类型。相关技术中GIS超高频局部放电故障的识别方法主要通过放电谱图的统计特征，再结合神经网络对局部放电故障类型进行区分。目前实际应用中BP神经网络是使用最广泛的神经网络，但BP神经网络的算法由于采用梯度下降法，不可避免地存在训练时间才、收敛速度慢、易陷入局部极小值等问题，其可靠性和准确性都低。因此，寻找有效的GIS超高频局部放电特征和局部放电缺陷的识别方法，实现GIS局部放电故障类型的区分，提高GIS超高频局部放电的检测和诊断的科学性、准确性、可靠性，是GIS在线检测中亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种GIS超高频局部放电信号识别方法，利用GSA-BP算法对采集到的基于超高频法得到的GIS局部放电信号进行识别分类，有效地提高了GIS局部放电故障诊断的效率和准确性。

本发明的目的通过以下技术方案实现：

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，

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）；

（1-2）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。

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。

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：