[发明专利]一种基于ISFO-VMD-KELM的SF6

说明书

本发明公开了一种基于ISFO‑VMD‑KELM的SFsubgt;6/subgt;分解组分COsubgt;2/subgt;浓度反演的方法包括，基于传统旗鱼优化器，建立改进旗鱼优化器；收集原始吸收光谱，对所述原始吸收光谱进行预处理；根据预处理结果，结合改进旗鱼优化器优化的核极限学习机建立吸收光谱的二次谐波幅值与COsubgt;2/subgt;浓度的反演模型；根据反演模型进行COsubgt;2/subgt;检测实验，判断SFsubgt;6/subgt;电气设备的运行状态。本发明采用改进旗鱼优化器优化的自适应变分模态分解联合小波阈值法对原始光谱信号进行滤波，去除了原始信号中的高频噪声，再经过SFsubgt;6/subgt;背景扣除后能够更准确地读取光谱的幅值。采用改进旗鱼优化器优化的核极限学习机建立COsubgt;2/subgt;浓度反演模型，相比传统的浓度反演方法具有更高的精度和稳定性。

技术领域

本发明涉及SF₆电气设备内部分解组分检测技术领域，尤其涉及一种基于ISFO-VMD-KELM的SF₆分解组分CO₂浓度反演的方法。

背景技术

SF₆电气设备中如GIS盆式绝缘子等固体绝缘件是由环氧树脂等有机绝缘材料浇注而成，有机绝缘材料在局部放电或过热性故障的局部高温作用下会逐渐裂解和碳化，从而对整个设备的安全构成威胁。CO₂气体是有机绝缘材料在裂解和碳化过程中的分解产物，通过检测CO₂气体的体积分数能及时发现SF₆电气设备的绝缘性故障。近年来，可调谐激光吸收光谱技术(可调谐吸收光谱技术)在电力行业被广泛应用。可调谐吸收光谱技术技术是利用可调谐半导体激光器谱线宽度窄的特性，通过观察目标气体对特定激光的吸收谱线实现对目标气体的定量分析，因此传统的SF₆分解产物浓度反演方法是利用目标气体的体积分数与吸收光强的线性关系建立最小二乘法线性或非线性方程式，该方法虽然简便，但是精度不高，浓度反演误差较大。

随着机器学习的发展，越来越多的研究将机器学习应用到可调谐吸收光谱技术技术中。现有技术采用极限学习机(Extreme Learning Machine,ELM)建立谐波信号与积分吸光度的模型，但ELM对参数依赖性强，容易陷入局部最小值。还有的现有技术采用BP神经网络建立O₂气体的浓度反演模型，并在BP网络的参数调节问题上应用了经典遗传算法，但BP网络本身存在学习过程缓慢以及稳定性差的问题，而且遗传算法局部搜索能力较弱，容易过早收敛。还有些采用粒子群优化算法优化核极限学习机(KELM)，建立了精度较高的CO₂浓度反演模型，但是粒子群优化算法容易陷入局部最优解。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于ISFO-VMD-KELM的SF₆分解组分CO₂浓度反演的方法，能够解决学习机对参数依赖性强，容易陷入局部最小值、局部搜索能力较弱，容易过早收敛以及粒子群优化算法容易陷入局部最优解等问题。

为解决上述技术问题，本发明提供如下技术方案，一种基于ISFO-VMD-KELM的SF₆分解组分CO₂浓度反演的方法，包括：

基于传统旗鱼优化器，改进寻优精度和局部搜索能力，建立改进旗鱼优化器；

收集原始吸收光谱，并结合所述改进旗鱼优化器优化的变分模态分解算法联合小波阈值法，对所述原始吸收光谱进行预处理；