[发明专利]一种基于ELM的GIS局部放电缺陷诊断分类系统及方法

说明书

本发明提供一种基于ELM的GIS局部放电缺陷诊断分类系统及方法，该方法通过采集特高频局放时域信号并利用主元分析法获取能够表征缺陷特征的主元参数组成样本特征数据集，利用极限学习机网络模型实现基于样本特征数据集的分类，无需进一步将时域信号转换为PRPS‑PRPD图谱作为特征获取来源，从时域维度直接参与缺陷类型的诊断，为电力设备的异常缺陷诊断提供了新的解决途径。

技术领域

本发明涉及电力设备异常缺陷诊断领域，更具体地，涉及一种基于ELM的GIS局部放电缺陷诊断分类系统及方法。

背景技术

随着我国经济的持续飞速发展，电网系统供电可靠性及稳定性要求逐步提高，对电力设备出现的异常缺陷处理受到高度重视。电力设备产生局部放电时会相应释放出声、光、电信号，根据检测原理的不同，包含采用特高频法、超声波法、高频电流法等来检测局部放电信号；根据巡检方式的不同，分为带电检测及在线监测。当结合特高频检测技术进行电力设备的带电检测时，通常采用将特高频时域波形信号转换为PRPS-PRPD图谱或者周期图谱，进而通过观察图谱的特征变化对设备的异常作出诊断。当进行在线监测时，通常将特高频时域波形信号转换为PRPS-PRPD图谱或者周期图谱后，将图谱通过网络传输至云端或本地服务器，由布置在内部的诊断系统进行诊断分类，诸如专家诊断系统或者深度学习诊断系统。

但是上述诊断系统仍存在一定局限，如带电检测时带电检测人员是凭借积累的经验对检测的图谱进行故障类型判断，在线监测通过部署深度学习诊断系统对图谱进行诊断，其本质是将检测信号转换为一种图片格式进行模式识别，但是该系统运行需要占用较大的运行内存空间，对硬件环境具有较高要求，对于不具备上述硬件条件或者无法有效访问、利用该系统的情况，该诊断系统的应用将会受到限制。通过在本地设备上部署基于极限学习机的GIS局部放电缺陷诊断分类系统，为局放缺陷的诊断提供新的解决途径。

发明内容

本发明提供一种基于ELM的GIS局部放电缺陷诊断分类系统，该系统可实现对电力设备的异常缺陷诊断。

本发明的又一目的在于提供这一种基于ELM的GIS局部放电缺陷诊断分类方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于ELM的GIS局部放电缺陷诊断分类系统，包括：数据采集处理模块和缺陷诊断模块；

数据采集处理模块：包含前端特高频传感器、数据采集模块、数据处理模块；其中特高频传感器用于耦合空间中的电磁波信号；数据采集模块用于对传感器检测到的模拟信号实施检波放大及AD转换处理；数据处理模块用于对信号进行时频域特征提取及主元降维处理；

缺陷诊断模块：用于存储训练及测试样本的特征数据集，同时建立基于极限学习机的神经网络模型，使用测试样本数据集对网络进行训练。

一种基于ELM的GIS局部放电缺陷诊断分类方法，包括以下步骤：

S1：检测电力设备特高频局部放电信号；

S2：提取特高频信号时频域特征，并使用主元分析法对所提取的特征量作降维处理，仅提取主要特征量；

S3：构建训练样本数据集和测试样本数据集，建立极限学习机神经网络模型进行训练和测试；

S4：将待测试样本输入最终极限学习机神经网络模型，完成局放缺陷类型的识别输出。

进一步地，所述步骤S1的过程是：

空间中电磁波信号经数据采集处理模块采集后，经过放大、滤波、检波及A/D转换后，形成原始离散化的特高频数据。

进一步地，特高频数据的类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、通讯干扰及背景噪声

进一步地，所述步骤S2的过程是：