[发明专利]一种基于改进广义回归神经网络的GIS局放模式识别方法

权利要求书

1.一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于，所述基于改进广义回归神经网络的GIS局放模式识别方法包括：

步骤一：对GIS的多个气室进行编号，每个气室的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机；

步骤二：将局放传感器与噪音传感器采集到的GIS局放信号，经过滤波、放大、降噪和调试之后，将信号传输到主机进行分析判断；

步骤三：将采集到的信号绘制成相应的PRPD和PRPS图谱，基于图谱信息提取GIS局放的特征量；

步骤四：根据提取的特征量，采用广义回归神经网络进行模式识别，利用GIS的局放历史故障信息进行改进广义回归神经网络分类器的训练，建立各个放电类型的数据库；

步骤五：将实时采集到的局放信号经过步骤二和步骤三之后，传输到主机训练好的广义回归神经网络分类器进行分析，得到GIS该气室是否存在异常局部放电，以及放电类型。

2.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤二中，所采用的局放传感器为内置式和外置式的特高频传感器，采集到的数据将传入主机进行储存和处理。

3.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤三所述，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱。

4.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤三所述，基于PRPD和PRPS图谱的信息提取GIS的局放特征量，通过主成分分析法进行降维处理，最终得到的特征量包括偏斜度S_k、陡峭度K_u、互相关系数C_c、放电量因素Q、局部峰值P_L、放电相位放电次数n和放电持续时间t_q。

5.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤四所述，广义回归神经网络的模式识别精度与平滑参数的取值有很大的关联，所以采用了基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型。

6.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤四所述，所采用的K-Means聚类算法流程如下：

1)输入的样本集D＝{x₁，x₂，...，x_m}，最大迭代次数N，选择k个样本点作为初始形心C_j；

2)在第j次迭代中，对任意一个样本点p_t(t＝1，2，...，N)求其到k个形心的欧氏距离：

3)将该样本归类到与其距离最小的形心所在的簇中，然后采用均值更新各簇的形心值：

4)重复上述步骤直到各簇的形心值不再发生变化，得到最好的聚类效果。

7.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤四所述，为了解决局部最优解问题，所采用的模拟退火算法如下：

模拟退火算法分为Metropolis算法和退火过程两个部分，Metropolis算法假设前一个状态x(n)，系统根据性能指标状态变为x(n+1)，相应的系统的能量由E(n)变为E(n+1)，定义系统由x(n)变为x(n+1)的概率为：

为了防止寻优速度太慢，采用了退火算法，最简单的下降方式是指数式下降：

T(n)＝λT(n)，n＝1，2，3，...