[发明专利]一种GIS超高频局部放电信号识别方法

摘要

本发明公开了一种GIS超高频局部放电信号识别方法，包括模型训练和缺陷识别过程，具体包括以下步骤：对GIS局部放电信号进行预处理，提取平均放电幅值、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、放电时间间隔标准差等放电特征参数，再利用遗传模拟退火工具优化BP神经网络的权值和阈值，然后利用BP神经网络工具训练样本，建立相应的GSA-BP模型；将待识别的GIS局部放电信号预处理，提取相应的特征参数后，根据GSA-BP模型对待测样本进行分类识别。本发明有效地提高了GIS局部放电故障诊断的效率和准确性，对于评估GIS的绝缘状态及制定合理的维修策略至关重要。

主权项

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，其特征在于，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，其中固定粒子放电标记为（1,0,0,0），自由粒子放电标记为（0,1,0,0），浮动电极放电标记为（0,0,1,0），绝缘缺陷放电标记为（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。