CN103440497A - 一种gis绝缘缺陷局部放电图谱模式识别方法 - Google Patents

Abstract

一种GIS绝缘缺陷局部放电图谱模式识别方法，通过对GIS绝缘缺陷的典型放电图谱进行分析，根据其图谱分析其相位、幅值特征，建立数学模型。然后，通过数学模型产生模拟的图谱，验证其是否与原始图谱具有一致性。待验证成功后，根据建立的模型产生大量的放电数据，分别作为训练样本和测试样本。数据得到后，构建RBF神经网络，其中训练时采用K-均值聚类法。将训练样本输入到神经网络中进行训练，完成后将测试数据输入，经过计算得到识别结果。最后，通过调整训练误差允许值δ，可以达到快的训练速度及高的识别正确率。

Description

一种GIS绝缘缺陷局部放电图谱模式识别方法

技术领域

本发明涉及电力信息技术领域，特别涉及一种基于数学建模和RBF（Radial Basis Function，径向基函数）神经网络的GIS（Gas InsulatedSwitchgear，气体绝缘开关设备）绝缘缺陷局部放电图谱模式识别方法。

背景技术

作为电力系统重要的输变电设备，气体绝缘开关设备(Gas InsulatedSwitchgear，简称GIS)在电力系统中得到广泛的应用。它把变电所里除了变压器外的各种电气设备全部组合装配在一个封闭的金属外壳里面，腔体内部通常充以SF₆气体，以实现导体对外壳、相间以及端口间的可靠绝缘。然而SF₆气体中一旦混入水分、杂质、颗粒或者其他原因造成局部场强过于集中，其绝缘性能会急剧下降。对于GIS这种电力设备，与其他设备不同，其绝缘缺陷通过局部放电的测量才能有效的检测到。而其局部放电形式有多种，不同的放电形式对应不同的绝缘缺陷类型。因此，通过神经网络算法进行模式识别，能够帮助判断局部放电现象与绝缘缺陷之间对应关系，有助于对GIS诊断。

模式识别的核心问题是识别的技术方法，或者说是识别的数学模型。随着现代科学技术的快速发展，模式识别技术的研究也在不断深化，各种各样的模式识别方法不断涌现，如BP神经网络、模糊诊断、聚类分析等，它们各自有各自的研究特点和使用条件，也都可以应用到GIS缺陷模式识别中去，但是结构的简单程度及识别结果的精度不能达到统一。因此，如何根据GIS绝缘缺陷放电图谱的特征，使用一种新的方法来实现结构简单、训练速度快和识别正确率高的识别分类，是目前需解决的问题。

发明内容

本发明针对现有技术存在的上述不足，提供了一种GIS绝缘缺陷局部放电图谱模式识别方法，基于数学建模和RBF神经网络。

本发明通过以下技术方案实现：

一种GIS绝缘缺陷局部放电图谱模式识别方法，包括以下步骤：

S1、对原始数据进行预分析，原始数据为GIS绝缘缺陷的典型放电图谱，分析其相位、幅值特征，用以为后续步骤提供参考依据；

S2、依据S1中的原始数据产生离散的数据序列，每个数据点为对应的放电相位及幅值大小；

S3、建立GIS绝缘缺陷典型图谱的数学模型，运用随机函数命令模拟实际放电量大小的随机性和控制放电幅值大小的范围；

S4、依据建模程序产生模拟图谱，验证模拟图谱与真实图谱的一致性；

S5、若一致性验证成功，运行程序，产生大量模拟数据，其中每个数据点的前十二位为对应相位下的幅值，后面为分类编码；

S6、建立RBF神经网络，训练中，隐含层中心值的确定采用K-均值聚类法；

S7、将S5中得到的数据输入到S6中建立的RBF神经网络中，其中一部分数据作为训练样本，另一部分数据作为测试样本；

S8、通过训练样本完成RBF神经网络的训练，然后识别另一部分数据所属分类，即输出每个放电点的测试数据识别结果。

较佳的，还包括：

S9、通过调整训练误差允许值δ，用以加快训练速度及提高识别正确率。

较佳的，S7中的作为训练样本的一部分数据所占比重为四分之三，作为测试样本的另一部分数据所占比重为四分之一。

较佳的，S3中所述的建立GIS绝缘缺陷典型图谱的数学模型，用以产生大量模拟放电数据，输入到建立的RBF神经网络实现模式识别

该方法其具有以下优点：1、建立了GIS绝缘缺陷典型放电图谱的数学模型和RBF神经网络；2、该方法很大地提高了对GIS绝缘缺陷模式识别的识别正确率；3、该方法结构简单、训练速度快。

附图说明

图1所示的是本发明的流程图；

图2所示的是RBF神经网络的结构图。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。

参看图1，基于数学建模和RBF神经网络的GIS绝缘缺陷局部放电图谱模式识别方法按以下步骤进行：

步骤（1）：原始数据的预分析，原始数据为GIS绝缘缺陷的典型放电图谱，根据其图谱分析其相位、幅值特征，为接下来数据建模提供参考依据；

步骤（2）：建立GIS绝缘缺陷局放典型图谱的数学模型：

首先，依据原始的典型放电图谱数据产生离散的数据序列，每个数据点为对应的放电相位及幅值大小。然后，依据以上数据，建立GIS绝缘缺陷典型图谱的数学模型,运用随机函数命令模拟实际放电量大小的随机性和控制放电幅值大小的范围。最后，依据建模程序产生模拟图谱，验证模拟图谱与真实图谱的一致性。

步骤（3）：放电数据的产生：

为了得到大量的放电数据作为训练样本和测试样本，运用了循环语句，又由于我们所构造的模型，用到的是随机函数randint，便可得到大量的满足契合条件的数据，以便输入到后续建立的RBF神经网络实现模式识别。

步骤（4）：建立RBF神经网络，其结构图如图2所示。

A)选取k组数据作为聚类中心c.c_i为第i个中心(i=1,2,…,k)。同时需要保证选取的聚类中心不同。

B)计算训练样本与聚类中心的距离。

d_ji=||x^j-c_i||    (1)

(j=1,2,...J)(J为训练样本的个数)

C)将训练样本分类，当

i(x^j)=min||x^j-c_i||    (2)

(i=1,2,...,k)时，x^j属于第i类。

D)计算新的聚类中心c_new，c_new为每类数据中的样本平均值。

E)假如聚类中心不再发生变化,c_new为最终的聚类中心。否则，返回步骤B。最后将最终的聚类中心定义为c_i。

F)计算

$\mathrm{\φ}(x,c_i)=\exp (-\frac{k{\left|\right|x-c_i\left|\right|}^2}{d_{\max }^2})---\left(3\right)$

d_max为所选中心间的最长距离。

G)通过广义逆的方式计算w。

w=G⁺Y    (4)

Y为训练样本的期望输出。G⁺为G的广义逆,其定义为

G={g_ji}    (5)

$g_{\mathrm{ji}}=\mathrm{\φ}(x^j,c_i)=\exp (-\frac{k{\left|\right|x^j-c_i\left|\right|}^2}{d_{\max }^2})---\left(6\right)$

,j=1,2,...J,i=1,2,...k.

H)确定w后,

$f_i\left(x\right)=\underset{t=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\φ}(x,c_t){\mathrm{\ω}}_{\mathrm{ti}}$     (7)

最终，可以得到输出为F_x=[f₁(x),f₂(x),...,f_m(x)]。

步骤（5）：将步骤（3）中得到数据输入到步骤（4）中建立的RBF神经网络中，其中的3/4的数据作为训练样本，其余的作为测试样本，在神经网络中训练并预测最后的1/4的数据，输出得到每个放电点的测试数据识别结果；

步骤（6）：根据输出结果，计算识别正确率。检验识别结果的准确度与训练时间是否满足要求，如果满足要求，则结束。否则，调整训练误差允许值δ，直达达到快的训练速度及高的识别正确率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种GIS绝缘缺陷局部放电图谱模式识别方法，其特征在于，包括以下步骤：

S1、对原始数据进行预分析，所述原始数据为GIS绝缘缺陷的典型放电图谱，分析其相位、幅值特征，用以为后续步骤提供参考依据；

S2、依据S1中的原始数据产生离散的数据序列，每个数据点为对应的放电相位及幅值大小；

S3、建立GIS绝缘缺陷典型图谱的数学模型，运用随机函数命令模拟实际放电量大小的随机性和控制放电幅值大小的范围；

S4、依据建模程序产生模拟图谱，验证模拟图谱与真实图谱的一致性；

S5、若一致性验证成功，运行程序，产生大量模拟数据，其中每个数据点的前十二位为对应相位下的幅值，后面为分类编码；

S6、建立RBF神经网络，训练中，隐含层中心值的确定采用K-均值聚类法；

S7、将S5中得到的数据输入到S6中建立的RBF神经网络中，其中一部分数据作为训练样本，另一部分数据作为测试样本；

S8、通过训练样本完成RBF神经网络的训练，然后识别所述另一部分数据所属分类，即输出每个放电点的测试数据识别结果。

2.根据权利要求1所述的GIS绝缘缺陷局部放电图谱模式识别方法，其特征在于，还包括：

S9、通过调整训练误差允许值δ，用以加快训练速度及提高识别正确率。

3.根据权利要求1所述的GIS绝缘缺陷局部放电图谱模式识别方法，其特征在于，S3中所述的建立GIS绝缘缺陷典型图谱的数学模型，用以产生大量模拟放电数据，输入到建立的RBF神经网络实现模式识别。

Images