[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

说明书

本发明公开了一种基于改进广义回归神经网络的GIS局放模式识别方法，可以同时监测GIS的多个气室，通过对所监测的气室进行编号，采集气室内的局部放电信息，通过滤波、降噪等数据预处理之后，能够提高数据的可靠性，将处理后的有效信息传入到主机进行存储和处理；根据得到的有效局放信息绘制PRPD和PEPS图谱，通过图谱信息提取特征量，采用主成分分析法提取关键特征量，可以提高模式识别的高效性；采用基于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作为模式识别的分类器，能够提高模式识别的正确率，从而预防GIS绝缘事故的发生，保证了GIS的安全运行。

技术领域

本发明属于气体绝缘组合电器设备(GIS)技术领域，特别涉及一种基于改进广义回归神经网络的GIS局放模式识别方法。

背景技术

随着电力事业的蓬勃发展，城市高压电网的快速发展，GIS因占地面积小、性能佳等优点，成为了特高压电网中重要的配电装置，其运行的可靠性决定了电网的稳定性。由于GIS是绝缘封闭性电器设备，其故障主要是绝缘故障，局部放电是内部绝缘故障的早期表现形式，因此通过有效的监测和数据分析GIS的实时局部放电信号，可以避免GIS发生绝缘故障带来的巨大经济损失和安全隐患。

目前国内外的GIS局放模式识别技术主要是通过传感器，采用特高频和超声波的方法来监测GIS内部是否存在局部放电现象，以及根据局部放电的具体信息绘制相关图谱，提取各类特征量，基于特征量利用分类器完成模式识别，因此如何提高模式识别的正确率成为了研究的重点。

发明内容

针对现有技术存在的不足，本发明提出一种基于改进广义回归神经网络的GIS局放模式识别方法，可以同时对多个GIS的气室进行监测，可长期对GIS的局放信息进行分析，预防GIS发生绝缘故障，保障GIS和高压电网的安全运行。

为实现上述目的，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。

按上述方案，所述步骤二中，所采用的局放传感器为内置式和外置式的特高频传感器，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行储存和处理。

按上述方案，所述步骤三中，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。

按上述方案，所述步骤三中，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。

按上述方案，所述步骤四中，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。