CN102809718B

CN102809718B - 一种gis超高频局部放电信号识别方法

Info

Publication number: CN102809718B
Application number: CN201210260572.4A
Authority: CN
Inventors: 田立斌; 肖人岳; 赵丽; 何珊珊
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2012-07-25
Filing date: 2012-07-25
Publication date: 2015-07-01
Anticipated expiration: 2032-07-25
Also published as: CN102809718A

Abstract

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。

Description

一种GIS超高频局部放电信号识别方法

技术领域

本发明涉及电气设备绝缘检测技术领域，特别涉及一种基于遗传模拟退火算法(GSA)的BP神经网络的GIS超高频局部放电信号识别方法。

背景技术

随着我国电力工业建设的突飞猛进，现代电力系统正向着大电网、大机组、超高压、大容量的方向发展，为保障电力系统的稳定性、可靠性，对电力设备的安全程度也提出了更高的要求。作为变电站中最重要的设备之一的封闭式组合电器(GIS)，因其可靠性高、占地面积小等优点而被广泛应用于高压输电领域，但一旦发生故障，维修时间长，造成的影响和损失就很大。所以在GIS发生故障之前，检测并判断它的内部缺陷状况尤其重要。

目前，局部放电检测是对GIS等高压电力设备进行诊断和评估绝缘状况的一种重要手段。局部放电会使绝缘系统老化，引起绝缘故障，缩短使用寿命。然而设备内部不同的缺陷对绝缘系统有不同的影响，在对设备进行绝缘状态评估时，除了要判断是否有局部放电发生外，还需要进一步判断故障缺陷类型。相关技术中GIS超高频局部放电故障的识别方法主要通过放电谱图的统计特征，再结合神经网络对局部放电故障类型进行区分。目前实际应用中BP神经网络是使用最广泛的神经网络，但BP神经网络的算法由于采用梯度下降法，不可避免地存在训练时间才、收敛速度慢、易陷入局部极小值等问题，其可靠性和准确性都低。因此，寻找有效的GIS超高频局部放电特征和局部放电缺陷的识别方法，实现GIS局部放电故障类型的区分，提高GIS超高频局部放电的检测和诊断的科学性、准确性、可靠性，是GIS在线检测中亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种GIS超高频局部放电信号识别方法，利用GSA-BP算法对采集到的基于超高频法得到的GIS局部放电信号进行识别分类，有效地提高了GIS局部放电故障诊断的效率和准确性。

本发明的目的通过以下技术方案实现：

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，

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)；

(1-2)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法训练神经网络，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。

步骤(1-4-3)所述模型参数包括：种群初始化、选择算子、交叉算子、变异算子、适应度函数、初始温度、温度更新函数、BP神经网络的隐含层神经元个数。

步骤(1-4-4)所述先用遗传模拟退火算法训练神经网络，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，从而得到GSA-BP模型，具体为：

(1-4-4-1)初始化BP神经网络：根据输入输出参数个数确定BP神经网络结构，进而确定遗传模拟退火算法中需要优化的参数的个数；

(1-4-4-2)初始化遗传模拟退火算法中种群规模、最大迭代次数、染色体长度、初始温度、温度更新函数；

(1-4-4-3)用遗传模拟退火算法优化BP神经网络的权值和阈值，然后通过适应度函数计算遗传模拟退火算法中的每个个体的适应度；

(1-4-4-4)用遗传模拟退火算法根据选择、交叉、变异和退火一系列操作找到具有最优适应度的个体；

(1-4-4-5)BP神经网络利用遗传模拟退火算法得到的最优个体为BP神经网络初始的权值和阈值赋值；

(1-4-4-6)采用步骤(1-4-4-5)得到的BP神经网络初始的权值和阈值进行BP神经网络训练和学习，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。

所述预处理包括以下步骤：

(a)采样量化：采集连续50个周期的GIS局部放电信号作为一个放电样本，统一把放电数据存储为单周期数据形式，即存为三维谱图，其中表示相位，q代表放电幅值，t代表连续50个周期；

(b)去干扰：将测得的GIS局部放电信号混入的干扰滤除，突出有用信号；所述选择算子采用随机遍历抽样；交叉算子采用单点交叉；变异算子采用基本位变异；所述交叉概率为0.7；所述变异概率为0.01；所述适应度函数为其中E为BP神经网络的误差函数；初始温度T₀＝100；温度更新函数为T_n+1＝λT_n，其中n≥0且0<λ<1；BP神经网络的隐含层神经元个数为12。

所述平均放电幅值的定义如下：

将整个周期划分两个半周期，即正半周和负半周，且将一个工频周期等分为64个时间段，即被等分为64个相位窗，平均放电幅值计算公式如下：

其中，W为半周期内的相位窗数；为放电量的随机序列；是出现的概率；其中y_i是谱图的纵坐标，代表放电幅值q；

所述放电幅值标准差的计算公式如下：

所述放电相位分布通过把一个工频周期分成四个象限，对局部放电信号的相位进行统计得到；

所述放电极性的计算公式为：

P = \frac{\max (N^{+} (mag .), N^{-} (mag .))}{N (mag .)}

其中，N⁺(mag.)表示正半周期放电总次数，N^-(mag.)表示负半周期放电总次数，N(mag.)表示放电总次数；

所述放电时间间隔均值的计算公式为

E(int.)＝max(E⁺(int.),E^-(int.))

其中，表示正半周期的时间间隔均值，表示负半周期的时间间隔均值；和分别表示正负半周期两连续放电脉冲的时间间隔；

N⁺(int.)正半周期时间间隔总数，N^-(int.)负半周期时间间隔总数；

所述放电时间间隔标准差的计算公式为：

S(int.)＝max(S⁺(int.),S^-(int.))

其中，表示正半周期的时间间隔标准差，表示负半周期的时间间隔标准差。

本发明引入寻优能力较强的遗传模拟退火算法对BP神经网络在训练过程中的参数进行优化；模拟退火算法利用了群体智能行为的优点扩大了参数搜索的空间，并在多变量函数优化问题上比其它的群体智能算法有更强的优化能力，同时利用遗传算法的适应度函数来确定最优的权值。

与现有技术相比，本发明具有以下优点和有益效果：

(1)本发明提出以遗传算法运算流程为主体流程，把模拟退火机制融入其中，用以进一步调整优化网络权值和域值，有效解决了遗传算法容易产生早熟现象、局部寻优能力较差等问题，提高了遗传算法运行效率和求解质量；

(2)本发明采用GSA算法组合优化BP神经网络的权值和阈值，既克服了BP神经网络初值随机产生的准确度，又避免了优化过程陷入局部最优，防止优化过程中某些最优值的遗漏，达到快速收敛到全局最优的效果，并且大大提高了BP神经网络的分类精度。

附图说明

图1为本发明的BP神经网络采用的前向三层神经网络结构模型示意图。

图2为本发明GIS超高频局部放电信号识别方法的流程示意图。

图3为本发明的模型训练过程的流程示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

图1所示为本发明采用的前向三层BP神经网络结构，输入层为第个样本的放电特征，输出层为对应的放电故障类型，根据输入输出参数个数确定BP神经网络结构。

如图2所示，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。

所述模型训练过程包括以下步骤：

(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：

(a)采样量化：采集连续50个周期的GIS局部放电数据作为一个放电样本，统一把放电数据存储为单周期数据形式，即存为三维谱图，其中表示相位，q代表放电幅值，t代表连续50个周期；

(b)去干扰：将测得的GIS局部放电信号混入的干扰滤除，突出有用信号；

(1-3)对预处理后的GIS超高频局部放电信号提取以下特征：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)平均放电幅值：反映放电的强度，其定义如下：

(2)放电幅值标准差：反映放电脉冲幅值的波动，计算公式如下：

(3)放电相位分布：局部放电信号具有明显的相位重复特征，通过把一个工频周期分成四个象限，对局部放电信号的相位进行统计得到；

(4)放电极性：不同的局部放电类型其放电极性特征也是不同的，其计算公式为：

P = \frac{\max (N^{+} (mag .), N^{-} (mag .))}{N (mag .)}

(5)放电时间间隔均值：描述了两连续放电的时间间隔，其计算公式为

E(int.)＝max(E⁺(int.),E^-(int.))

N⁺(int.)表示正半周期时间间隔总数，N^-(int.)表示负半周期时间间隔总数；

(6)放电时间间隔标准差：表示放电时间间隔的变化水平，计算公式为：

S(int.)＝max(S⁺(int.),S^-(int.))

其中，表示正半周期的时间间隔标准差，表示负半周期的时间间隔标准差；

(1-4-3)选择模型参数，包括：种群初始化、选择算子、交叉算子、变异算子、适应度函数、初始温度、温度更新函数、BP神经网络的隐含层神经元个数。其中，所述选择算子采用随机遍历抽样；交叉算子采用单点交叉；变异算子采用基本位变异；所述交叉概率为0.7；所述变异概率为0.01；所述适应度函数为其中E为BP神经网络的误差函数；初始温度T₀＝100；温度更新函数为T_n+1＝λT_n，其中n≥0且0<λ<1；BP神经网络的隐含层神经元个数为12。

(1-4-4)先用遗传模拟退火算法训练神经网络，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，如图3所示，具体包括以下步骤：

(1-4-4-2)输入训练样本，并把数据样本归一化；

(1-4-4-3)初始化遗传模拟退火算法中种群规模、最大迭代次数、染色体长度、初始温度、温度更新函数；

(1-4-4-4)用遗传模拟退火算法优化BP神经网络的权值和阈值，然后通过适应度函数计算遗传模拟退火算法中的每个个体的适应度；

(1-4-4-5)用遗传模拟退火算法根据选择、交叉、变异和退火一系列操作找到具有最优适应度的个体；

(1-4-4-6)BP神经网络利用遗传模拟退火算法得到的最优个体为BP神经网络初始的权值和阈值赋值；

(1-4-4-7)采用步骤(1-4-4-5)得到的BP神经网络初始的权值和阈值进行BP神经网络训练和学习，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；所示预处理与步骤(1-2)中同。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种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；

所述平均放电幅值的定义如下：

其中，W为半周期内的相位窗数；为放电量的随机序列；是出现的概率；其中y_i是谱图的纵坐标，代表放电幅值；

所述放电幅值标准差的计算公式如下：

所述放电极性的计算公式为：

P = \frac{\max (N^{+} (mag .), N^{-} (mag .))}{N (mag .)}

所述放电时间间隔均值的计算公式为

E(int.)＝max(E⁺(int.),E^-(int.))

其中，表示正半周期的时间间隔均值，表示负半周期的时间间隔均值；和分别表示正负半周期两连续放电脉冲的时间间隔；N⁺(int.)表示正半周期时间间隔总数，N^-(int.)表示负半周期时间间隔总数；

(1-4-3)选择模型参数；所述模型参数包括：种群初始化、选择算子、交叉算子、变异算子、适应度函数、初始温度、温度更新函数、BP神经网络的隐含层神经元个数；

(1-4-4)先用遗传模拟退火算法训练神经网络，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，具体为：

(1-4-4-6)采用步骤(1-4-4-5)得到的BP神经网络初始的权值和阈值进行BP神经网络训练和学习，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.根据权利要求1所述的GIS超高频局部放电信号识别方法，其特征在于，所述预处理包括以下步骤：

(b)去干扰：将测得的GIS局部放电信号混入的干扰滤除，突出有用信号。

3.根据权利要求1所述的GIS超高频局部放电信号识别方法，其特征在于，所述选择算子采用随机遍历抽样；交叉算子采用单点交叉；变异算子采用基本位变异；所述交叉概率为0.7；所述变异概率为0.01；所述适应度函数为其中E为BP神经网络的误差函数；初始温度T₀＝100；温度更新函数为T_n+1＝λT_n，其中n≥0且0<λ<1；BP神经网络的隐含层神经元个数为12。