一種gis局部放電超聲波信號識別方法
【專利摘要】本發(fā)明公開了一種GIS局部放電超聲波信號識別方法，解決了GIS局部放電超聲波檢測和診斷的準(zhǔn)確性和可靠性不高的問題，包括網(wǎng)絡(luò)學(xué)習(xí)和缺陷識別過程，具體包括以下步驟：首先對GIS局部放電超聲波信號已知樣本進行預(yù)處理，然后提取平均幅值、方均根、峰值指標(biāo)、峭度、波形指數(shù)、脈沖指標(biāo)、裕度指標(biāo)等放電特征參數(shù)，最后建立模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)，對待識別的GIS局部放電超聲波信號進行預(yù)處理，然后提取相應(yīng)的特征參數(shù)，最后利用建立的模型對包括待識別樣本在內(nèi)的所有樣本進行分類，計算待識別樣本與同一類中其他已知樣本的模糊貼近度，根據(jù)貼近度的大小判斷其缺陷類型。本發(fā)明對于評估GIS的絕緣狀況并制定合理的檢修策略具有重要意義。
【專利說明】—種GIS局部放電超聲波信號識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電氣設(shè)備絕緣檢測【技術(shù)領(lǐng)域】，特別涉及一種基于模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)的GIS局部放電超聲波信號識別方法。
【背景技術(shù)】
[0002]氣體絕緣組合電器(GIS)具有占地面積小、可靠性高、安全性強、運行維護方便等優(yōu)點，因此在電力系統(tǒng)中得到了廣泛應(yīng)用。近年來電網(wǎng)接連發(fā)生多起GIS故障或事故，嚴(yán)重影響著系統(tǒng)的安全穩(wěn)定運行，因此研究GIS設(shè)備的局部放電故障診斷技術(shù)具有重要意義。
[0003]目前局部放電超聲波檢測是對GIS設(shè)備進行故障診斷與絕緣狀況評估的一種重要手段。局部放電會導(dǎo)致絕緣系統(tǒng)老化，引起絕緣故障，縮短設(shè)備的使用壽命。GIS設(shè)備內(nèi)部發(fā)生局部放電的原因多種多樣，對應(yīng)的放電類型以及對設(shè)備絕緣的影響程度大小也有所不同，因此在設(shè)備運行過程中不但要對局部放電的大小進行檢測，還要進一步判斷絕緣缺陷的類型?，F(xiàn)有的GIS局部放電識別方法多利用超高頻局部放電信號進行識別，提取局部放電超高頻信號的三維譜圖、統(tǒng)計特征參數(shù)、分形參數(shù)、圖像矩特征參數(shù)等，再利用模式識別算法進行識別，而局部放電超聲波信號由于無法提取放電發(fā)生的相位信息，因此在具體識別時存在局限性。目前所采用的模式識別算法多以BP神經(jīng)網(wǎng)絡(luò)為主，但BP神經(jīng)網(wǎng)絡(luò)由于采用梯度下降法，不可避免會存在收斂速度慢、容易陷入局部極小點、難以確定隱含層節(jié)點數(shù)等問題。因此尋找有效的GIS局部放電超聲波信號識別方法，實現(xiàn)GIS局部放電缺陷類型的準(zhǔn)確劃分，提高GIS局部放電超聲波檢測和診斷的準(zhǔn)確性和可靠性是目前GIS局部放電檢測中亟待解決的問題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點，提供一種GIS局部放電超聲波信號識別方法，提取GIS局部放電超聲波信號的時域特征參數(shù)，利用模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)對其進行識別分類，有效地提高了 GIS局部放電故障診斷的準(zhǔn)確性和可靠性。
[0005]本發(fā)明的目的通過以下技術(shù)方案實現(xiàn):
一種GIS局部放電超聲波信號識別方法，包括網(wǎng)絡(luò)學(xué)習(xí)過程和缺陷識別過程，
所述網(wǎng)絡(luò)學(xué)習(xí)過程包括以下步驟:
(1-1)輸入已知的GIS局部放電超聲波信號作為學(xué)習(xí)樣本；
(1-2)對步驟(1-1)輸入的GIS局部放電超聲波信號進行預(yù)處理；
(1-3)對預(yù)處理后的GIS局部放電超聲波信號提取以下放電特征參數(shù):平均幅值、方均根、峰值指標(biāo)、峭度、波形指數(shù)、脈沖指標(biāo)、裕度指標(biāo)；
(1-4)以步驟(1-3)提取的放電特征參數(shù)進行建模，具體包括以下步驟:
(1-4-1)對所有樣本的放電特征參數(shù)進行正規(guī)化變換，將變換后的放電特征參數(shù)作為學(xué)習(xí)樣本，構(gòu)成學(xué)習(xí)樣本集；
(1-4-2)建立模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)并選擇模型參數(shù)；(1-4-3)對每個學(xué)習(xí)樣本計算網(wǎng)絡(luò)的輸出，并根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù)，當(dāng)滿足收斂條件時，學(xué)習(xí)過程結(jié)束，得到最終的網(wǎng)絡(luò)參數(shù)，即建立了 GIS局部放電超聲波信號識別模型；
所述缺陷識別過程包括:
(2-1)輸入待識別的GIS局部放電超聲波信號；
(2-2)對步驟(2-1)輸入的待識別GIS局部放電超聲波信號進行預(yù)處理；
(2-3)提取步驟(2-2)得到的待識別GIS局部放電超聲波信號的特征參數(shù):平均幅值、方均根、峰值指標(biāo)、峭度、波形指數(shù)、脈沖指標(biāo)、裕度指標(biāo)；
(2-4)對包括待識別樣本在內(nèi)的所有樣本的放電特征參數(shù)進行正規(guī)化變換，將變換后的放電特征參數(shù)作為樣本集，用步驟(1-4-3)得到的GIS局部放電超聲波信號識別模型對樣本集進行進行計算，得到其對應(yīng)的
AU ，從而得到待診斷樣本的分類；
(2-5)根據(jù)步驟(2-4)的分類結(jié)果，計算待識別樣本與同一類中其他已知樣本的模糊貼進度；
(2-6)對步驟(2-5)計算得到的模糊貼進度按照大小排序，貼進度越大，則缺陷類別越相似，從而確定待識別樣本的缺陷類別。
[0006]步驟(1-4-2)所述模型參數(shù)包括聚類中心向量V、網(wǎng)絡(luò)參數(shù)W、聚類數(shù)c和學(xué)習(xí)終止條件f。
[0007]步驟(1-4-3)所述對每個學(xué)習(xí)樣本計算網(wǎng)絡(luò)的輸出，并根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù)，當(dāng)滿足收斂條件時，學(xué)習(xí)過程結(jié)束，得到最終的網(wǎng)絡(luò)參數(shù)，從而建立GIS局部放電超聲波信號識別模型，具體為:
(1-4-3-1)初始化，初始化網(wǎng)絡(luò)參數(shù)nP和一】,并且確定聚類數(shù)c和學(xué)習(xí)終止條件f，對于V可以任意選取,但對于詈必須初始化為很小的值,這是避免死點問題所必需的,設(shè)定學(xué)習(xí)代數(shù);
(1-4-3-2)對每個學(xué)習(xí)樣本
【權(quán)利要求】
1.一種GIS局部放電超聲波信號識別方法，包括網(wǎng)絡(luò)學(xué)習(xí)過程和缺陷識別過程，其特征在于， 所述網(wǎng)絡(luò)學(xué)習(xí)過程包括以下步驟: (1-1)輸入已知的GIS局部放電超聲波信號作為學(xué)習(xí)樣本； (1-2)對步驟(1-1)輸入的GIS局部放電超聲波信號進行預(yù)處理； (1-3)對預(yù)處理后的GIS局部放電超聲波信號提取以下放電特征參數(shù):平均幅值、方均根、峰值指標(biāo)、峭度、波形指數(shù)、脈沖指標(biāo)、裕度指標(biāo)； (1-4)以步驟(1-3)提取的放電特征參數(shù)進行建模，具體包括以下步驟: (1-4-1)對所有樣本的放電特征參數(shù)進行正規(guī)化變換，將變換后的放電特征參數(shù)作為學(xué)習(xí)樣本，構(gòu)成學(xué)習(xí)樣本集； (1-4-2)建立模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)并選擇模型參數(shù)； (1-4-3)對每個學(xué)習(xí)樣本 計算網(wǎng)絡(luò)的輸出，并根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù)，當(dāng)滿足收斂條件時，學(xué)習(xí)過程結(jié)束，得到最終的網(wǎng)絡(luò)參數(shù)，即建立了 GIS局部放電超聲波信號識別模型； 所述缺陷識別過程包括: (2-1)輸入待識別的GIS局部放電超聲波信號； (2-2)對步驟(2-1)輸入的待識別GIS局部放電超聲波信號進行預(yù)處理； (2-3)提取步驟(2-2)得到的待識別GIS局部放電超聲波信號的特征參數(shù):平均幅值、方均根、峰值指標(biāo)、峭度、波形指數(shù)、脈沖指標(biāo)、裕度指標(biāo)； (2-4)對包括待識別樣本在內(nèi)的所有樣本的放電特征參數(shù)進行正規(guī)化變換，將變換后的放電特征參數(shù)作為樣本集，用步驟(1-4-3)得到的GIS局部放電超聲波信號識別模型對樣本集進行進行計算，得到其對應(yīng)的
，從而得到待診斷樣本的分類； (2-5)根據(jù)步驟(2-4)的分類結(jié)果，計算待識別樣本與同一類中其他已知樣本的模糊貼進度； (2-6)對步驟(2-5)計算得到的模糊貼進度按照大小排序，貼進度越大，則缺陷類別越相似，從而確定待識別樣本的缺陷類別。
2.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(1-4-2)所述模型參數(shù)包括聚類中心向量^網(wǎng)絡(luò)參數(shù)I聚類數(shù)c和學(xué)習(xí)終止條件f。
3.根據(jù)權(quán)利要求2所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(1-4-3)所述對每個學(xué)習(xí)樣本計算網(wǎng)絡(luò)的輸出，并根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù)，當(dāng)滿足收斂條件時，學(xué)習(xí)過程結(jié)束，得到最終的網(wǎng)絡(luò)參數(shù)，從而建立GIS局部放電超聲波信號識別模型，具體為: (1-4-3-1)初始化,初始化網(wǎng)絡(luò)參數(shù)一和#,并且確定聚類數(shù)c和學(xué)習(xí)終止條件f,對于f可以任意選取，但對于I?必須初始化為很小的值，這是避免死點問題所必需的，設(shè)定學(xué)習(xí)代數(shù)JP = O; (1-4-3-2)對每個學(xué)習(xí)樣本!^量^二^-具計算^^^~^然后根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù).
4.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(1-4-3-2)所述根據(jù)學(xué)習(xí)算法調(diào)整網(wǎng)絡(luò)參數(shù)
5.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(1-2)和步驟(2-2)所述數(shù)據(jù)預(yù)處理包括以下步驟: Ca)采樣量化:采集I個周期的GIS局部放電超聲波信號作為一個放電樣本；(b)極大值規(guī)格化:將I個放電樣本中的每一個數(shù)據(jù)點除以該放電樣本中數(shù)據(jù)點的最大值，計算公式為:
6.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于， 所述平均幅值的定義如下:
7.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(2-5)所述模糊貼近度的計算方法如下:所述模糊貼近度的定義為:設(shè)有 個樣本，每個樣本有m個指標(biāo)參數(shù)，構(gòu)成一個/? Xffl的數(shù)據(jù)矩陣，則樣本與樣本 之間模糊貼近度的計算公式如下:
8.根據(jù)權(quán)利要求1所述的GIS局部放電超聲波信號識別方法，其特征在于，步驟(1-4-3-3)中所述向量范數(shù)采用2—范數(shù), 的計算公式如下:
【文檔編號】G01H17/00GK103558519SQ201310531833
【公開日】2014年2月5日 申請日期:2013年11月2日 優(yōu)先權(quán)日:2013年11月2日
【發(fā)明者】閆杰, 王天正, 蘆山, 劉曉飛 申請人:國家電網(wǎng)公司, 國網(wǎng)山西省電力公司電力科學(xué)研究院