CN103323755A - Gis特高频局部放电信号识别方法及系统 - Google Patents

Abstract

本发明提供一种GIS特高频局部放电信号识别方法及系统，所述方法包括以下步骤：对GIS特高频局部放电信号进行预处理，得到三维谱图；将所述

三维谱图投影成

二维谱图，并分别提取描述

谱图的形状差异以及

谱图正负半周的轮廓差异的放电特征参数，得到待测样本；根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别。本发明的一种GIS特高频局部放电信号识别方法，能够快速收敛到全局最优，提高了GIS局放故障识别的效率和准确性。

Description

GIS特高频局部放电信号识别方法及系统

技术领域

本发明涉及电气设备绝缘检测技术领域，特别是涉及一种GIS特高频局部放电信号识别方法以及一种GIS特高频局部放电信号识别系统。

背景技术

近年来，随着城市电网建设的发展，GIS（Gas Insulated Substation，封闭式组合电器）变电站的数量不断增加，GIS设备发生故障的几率也随之增加，作为变电站中最重要的设备之一的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，能检测并判断故障的类型显得尤其重要，它有助于我们及时采取措施防患于未然，控制损失。

目前，国内外广泛采用UHF（Ultra High Frequency，特高频）局部放电在线监测技术对GIS局部放电进行监测与诊断，该方法通过在线提取局部放电过程产生的特高频电磁波信号来反映局部放电，并且有效地避开了现场的电晕干扰，使GIS局部放电测量的信噪比大大提高，具有较高的实用性，为避免事故的发生需要运用在线监测技术对GIS设备进行中的各种状态量进行监测，实时有效的监测可能出现的各种异常或故障征兆。然而，由于设备内部不同的缺陷会对绝缘系统带来不同的影响，因此在监测设备绝缘状态时要判断故障类型。

现有技术中，GIS特高频局部放电故障的识别方法主要通过放电谱图提取特征（主要有统计特征参数、脉冲型特征参数、分形特征、矩特征等）运用分类算法对局部放电故障类型进行识别。在各种特征参数选择上，目前还没有一个较优的方法确定哪些特征参数可以有效识别GIS局部放电类型，各种混合特征都有提出，但是没有较强的理论依据；而在各种分类算法中，BP（BackPropagation）神经网络应用最为广泛，但BP神经网络存在对初始权值阈值敏感、收敛慢、训练时间长、易陷入局部极小值等问题，其可靠性和准确性较低。针对于此，寻找科学性、准确性、可靠性都较高的识别局部放电缺陷类型的方法以及能够有效识别的GIS特高频局部放电故障类型的特征是GIS在线检测中急需解决的问题。

发明内容

基于此，本发明提供一种GIS特高频局部放电信号识别方法及系统，能够有效提高GIS局部放电故障诊断的效率和准确性。

为实现上述目的，本发明采用如下的技术方案：

一种GIS特高频局部放电信号识别方法，包括以下步骤：

对GIS特高频局部放电信号进行预处理，得到

三维谱图；其中为相位，q为放电幅值，t为连续预定个周期；

将所述

三维谱图投影成二维谱图，并分别提取描述

谱图的形状差异以及

谱图正负半周的轮廓差异的放电特征参数，得到待测样本；所述描述

谱图的形状差异的放电特征参数包括：均值、方差、偏斜度、陡峭度、局部峰点数；所述描述谱图正负半周的轮廓差异的放电特征参数包括：放电量因数、相位不对称度、互相关系数、修正的互相关系数；

根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别；所述ABC-BP模型的建立过程包括：建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元；输入带有类别标记的故障信号作为训练样本，对所述三层神经网络进行模型训练，得到所述ABC-BP模型。

一种GIS特高频局部放电信号识别系统，包括：

预处理模块，用于对GIS特高频局部放电信号进行预处理，得到

三维谱图；其中

为相位，q为放电幅值，t为连续预定个周期；

特征参数提取模块，用于将所述

三维谱图投影成

二维谱图，并分别提取描述

谱图的形状差异以及

谱图正负半周的轮廓差异的放电特征参数，得到待测样本；所述描述

谱图的形状差异的放电特征参数包括：均值、方差、偏斜度、陡峭度、局部峰点数；所述描述

谱图正负半周的轮廓差异的放电特征参数包括：放电量因数、相位不对称度、互相关系数、修正的互相关系数；

缺陷识别模块，用于根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别；所述ABC-BP模型的建立过程包括：建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元；输入带有类别标记的故障信号作为训练样本，对所述神经网络进行模型训练，得到所述ABC-BP模型。

由以上方案可以看出，本发明的GIS特高频局部放电信号识别方法及系统，采用ABC-BP算法，引入优化性能较好的人工蜂群算法对BP网络在训练过程中的参数进行优化，由于它在每次全局迭代的过程中进行局部搜索，从而使找到最优结果的概率明显增加，也可以在很大程度上避免局部最优。与现有的BP算法相比，本发明将ABC算法与BP神经网络融合，利用人工蜂群算法组合优化BP网络的权值和阈值，既克服了BP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，提高了GIS局放故障识别的效率和准确性。

附图说明

图1为本发明实施例中一种GIS特高频局部放电信号识别方法的流程示意图；

图2为三层BP神经网络示意图；

图3为本发明实施例中的模型训练过程示意图；

图4为本发明实施例中一种GIS特高频局部放电信号识别系统的结构示意图。

具体实施方式

下面结合附图以及具体的实施例，对本发明的技术方案作进一步的描述。

参见图1所示，一种GIS特高频局部放电信号识别方法，包括以下步骤：

步骤S101，对GIS特高频局部放电信号进行预处理，得到

三维谱图，然后进入步骤S102；其中，为相位，q为放电幅值，t为连续预定个周期。

作为一个较好的实施例，上述预处理的过程具体可以包括如下：

步骤S1011，采集连续预定个（例如50个）周期（1s）的GIS特高频局部放电信号作为一个放电样本，统一把放电信号存储为单周期数据形式，得到所述

三维谱图；

步骤S1012，将所采集到的GIS特高频局部放电信号混入的干扰滤除，突出有用信号。

步骤S102，将所述

三维谱图投影成

三个二维谱图，并分别提取描述

 

谱图的形状差异以及

谱图正负半周的轮廓差异的放电特征参数，得到待测样本，然后进入步骤S103；所述描述

谱图的形状差异的放电特征参数包括：均值μ，方差σ，偏斜度Sk、陡峭度Ku、局部峰点数Pe等；所述描述

谱图正负半周的轮廓差异的放电特征参数包括：放电量因数Q、相位不对称度Φ、互相关系数cc以及修正的互相关系数mcc等；本实施例中一共36个特征。具体特征公式如下：

①偏斜度sk

偏斜度用于描述某种形状的分布对比于正态分布的偏斜度。可以采用如下公式进行计算：

式中，W：半周期内的相位窗数；

第i个相位区间(

为放电量的随机序列)；

p_i：

出现的概率，其中y_i是谱图的纵坐标，它代表放电幅值q或放电重复率n；

u：

的均值；

σ：

的标准差；

偏斜度反映了谱图形状相对于正态分布的左右偏斜情况。Sk=0说明该谱图形状左右对称；Sk＞0说明该谱图形状相对于正态分布形状向左偏；Sk＜0说明谱图形状相对于正态分布形状向右偏。

②陡峭度Ku

陡峭度反映了分布曲线的峰值的尖锐程度。可以采用如下公式进行计算：

正态分布的陡峭度Ku=0。如果Ku＞0,则说明该谱图轮廓比正态分布轮廓尖锐陡峭；如果Ku＜0，则说明该谱图轮廓比正态分布轮廓平坦。

③局部峰点数Pe

图形中的局部峰点可由

值确定，对于点

若

则该点即为局部峰点；局部峰点数Pe为相应图形中局部峰点的总数。

注：工频正负半周两个图形Sk,Ku,Pe可能会不同，所以要分别提取。

④放电量因数Q

放电量因数Q反映了

正负半周内平均放电量的差异，其定义为：

$Q=\frac{{\mathrm{\Σ}}_{i=1}^w{n}_i^{-}{q}_i^{-}}{{\mathrm{\Σ}}_{i=1}^w{n}_i^{-}}/\frac{{\mathrm{\Σ}}_{i=1}^w{n}_i^{+}{q}_i^{+}}{{\mathrm{\Σ}}_{i=1}^w{n}_i^{+}}$

中，q_i ⁺：正半周第i个相位窗的平均放电量；

负半周第i个相位窗的平均放电量；

n_i ⁺：正半周第i个相位区间的放电次数；

负半周第i个相位区间的放电次数；

⑤相位不对称度Φ

相位不对称度Φ反映了

谱图正负半波放电的起始相位的差别。可以采用如下公式进行计算：

式中，正半周期起始放电相位；

负半周期起始放电相位。

⑥互相关系数cc

互相关系数cc用于评价函数

和

的形式上的差异。可以采用如下公式进行计算：

$\mathrm{cc}=\frac{{\mathrm{\Σ}}_{i=1}^w{q}_i^{+}{q}_i^{-}-\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{+}{\mathrm{\Σ}}_{i=1}^w{q}_i^{-}\right)/W}{\sqrt{[{\mathrm{\Σ}}_{i=1}^w{\left(q_i^{+}\right)}^2-{\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{+}\right)}^2/W][{\mathrm{\Σ}}_{i=1}^w{\left(q_i^{-}\right)}^2-{\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{-}\right)}^2/W]}}$

cc=1意味着

谱图正负半周的轮廓十分相似；cc=0意味着

谱图轮廓差异很大。

⑦修正的互相关系数mcc

修正的互相关系数mcc用于评价

谱图正负半周内放电模式的差异，定义为：mcc=Q|cc。

步骤S103，根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别。

具体的，所述ABC-BP模型的建立过程包括如下：

步骤S1031，建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元等参数；本实施例中适应度函数为MSE，其中MSE为神经网络的误差均方误差，BP神经网络的隐层神经元个数可以为15；

步骤S1032，输入带有类别标记的故障信号作为训练样本，对所述三层神经网络进行模型训练，直到满足终止条件，得到所述ABC-BP模型。本实施例中输入层输入每个样本的如上提取的特征，输出层的期望输出将四类故障信号做以下标记，其中固定粒子放电标记为（1,0,0），自由粒子放电标记为（0,1,0），浮动电极放电标记为（0,0,1），绝缘缺陷放电标记为（1,1,1）。

如图2所示，ABC-BP模型采用前向三层神经网络结构模型，采用人工蜂群算法优化输入层到隐含层、隐含层到输出层的权值和阈值。在实际应用中，输入层的数据

是根据GIS特高频局部放电信号提取得到的特征参数，输出层的数据对应缺陷类型。

另外，作为一个较好的实施例，所述步骤S103中进行缺陷识别的过程具体可以包括如下：

1）、建立参数同训练模型的三层神经网络；

2）、以模型训练后所得到的最优的初始权值阈值作为识别模型的初始权值阈值；

3）、用所述训练样本训练新建立的三层神经网络；

4）、用所述待测样本进行仿真预测，以实际输出和期望输出的误差值达到预期的目标为终止条件，对GIS特高频局部放电信号待测样本进行分类识别。

ABC-BP算法引入优化性能较好的人工蜂群算法对BP网络在训练过程中的参数进行优化。ABC（Artificial-Bee-Colony，人工峰群算法)是基于蜜蜂群体智能行为的优化算法，到目前为止，已被证明比遗传算法、粒子群优化、差分进化和粒子群进化算法之中任一个都有更好的优化性能。本实施例中的模型训练是先用人工蜂群算法训练神经网络，使其定位于最优权值阈值附近，然后采用BP算法进行局部搜索，使其迅速地收敛到最终的最优权值阈值。使用BP神经网络工具对训练数据集进行训练，从而得到ABC-BP模型。作为一个较好的实施例，如图3所示，对所述三层神经网络进行模型训练的过程具体可以包括如下步骤：

1）、创建一个BP神经网络；

2）、初始化人工蜂群算法的参数，包括：蜂群的大小（N_c）、采蜜蜂的数量（N_c）、跟随蜂的数量（N_c）、解的个数（N_c）、极限值（limit）、最大循环次数（MCN）以及D维初始解X_i(i=1,…,N₁)；

3）、迭代次数初始化为1；

4）、采蜜蜂根据当前的记忆解搜索新的解，并计算解的适应度值；

5）、判断新解的适应度值是否大于旧解的适应度值；若是，则用新解代替旧解，并转到步骤6）；若否，则更新失败次数加1，并在解X_i的更新失败次数超过了预先设定的极限值时将其舍弃（此时已经说明这个解不能再被优化了），重新产生一个新解，反之保留此解，转入步骤6）；

6）、迭代次数加1；

7）、若迭代次数大于最大循环次数，则训练结束，将得到的最优解变换成BP网络的连接权值和阈值，采用得到的网络权值和阈值进行BP网络训练和学习，使用BP神经网络工具对所述训练样本进行训练，得到所述ABC-BP模型。

另外，作为一个较好的实施例，本发明在所述提取放电特征参数之后，还可以包括如下步骤：采用K-W（Kruskal-Wallis）多样本非参数检验方法对所述放电特征参数作进一步的特征选择与提取。只提取对于分类有效程度大的若干特征，这样可以为后面的模型节省部分训练时间和空间。如本实施例中可以选取前16个对分类有效程度大，分类能力强的特征作为本发明的特征参数。

具体的，所述采用Kruskal-Wallis多样本非参数检验方法作进一步的特征选择与提取的过程可以包括如下：

1）、计算所有样本的特征x值；

2）、将每个特征x值按照递增不减的顺序给每个样品编号，若有样品的x值相同，则采用平均编号；

3）、取每类各个样品编号的均值，分别记作

…；

4）、计算统计量H（分类的有效程度）为：

其中K为总样本数，m为样品类别数，H越大表明该特征的分类能力越强。

需要说明的是，本发明采用特高频法检测局部放电信号，该方法通过天线传感器接受局部放电过程辐射的特高频电磁波，实现局部放电的检测。特高频技术检测频段高，可有效地避开常规局部放电检测中的电晕、开关操作等多种电气干扰；且其检测灵敏度高，可以识别故障类型和进行定位；由于特高频检测的特点使其在局部放电检测邻域具有其他检测方法无可比拟的优点，因此特高频法得到了广泛的应用。

另外，与上述一种GIS特高频局部放电信号识别方法相对应，本发明还提供一种GIS特高频局部放电信号识别系统，如图4所示，包括：

预处理模块101，用于对GIS特高频局部放电信号进行预处理，得到

三维谱图；其中

为相位，q为放电幅值，t为连续预定个周期；

特征参数提取模块102，用于将所述三维谱图投影成

二维谱图，并分别提取描述

谱图的形状差异以及

谱图正负半周的轮廓差异的放电特征参数，得到待测样本；所述描述

谱图的形状差异的放电特征参数包括：均值、方差、偏斜度、陡峭度、局部峰点数；所述描述谱图正负半周的轮廓差异的放电特征参数包括：放电量因数、相位不对称度、互相关系数、修正的互相关系数；

缺陷识别模块103，用于根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别；所述ABC-BP模型的建立过程包括：建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元；输入带有类别标记的故障信号作为训练样本，对所述神经网络进行模型训练，得到所述ABC-BP模型。

作为一个较好的实施例，所述GIS特高频局部放电信号识别系统还可以包括：K-W模块，用于在所述特征参数提取模块提取放电特征参数之后，采用Kruskal-Wallis多样本非参数检验方法对所述放电特征参数作进一步的特征选择与提取。只提取对于分类有效程度大的若干特征，这样可以为后面的模型节省部分训练时间和空间。

作为一个较好的实施例，所述预处理模块中可以包括数据采集与干扰滤除模块，用于采集连续预定个周期的GIS特高频局部放电信号作为一个放电样本，统一把放电信号存储为单周期数据形式，得到所述

三维谱图；并将所采集到的GIS特高频局部放电信号混入的干扰滤除。

上述一种GIS特高频局部放电信号识别系统的其它技术特征与本发明的一种GIS特高频局部放电信号识别方法相同，此处不予赘述。

通过以上方案可以看出，本发明的GIS特高频局部放电信号识别方法及系统，采用ABC-BP算法，引入优化性能较好的人工蜂群算法对BP网络在训练过程中的参数进行优化，由于它在每次全局迭代的过程中进行局部搜索，从而使找到最优结果的概率明显增加，也可以在很大程度上避免局部最优。与现有的BP算法相比，本发明将ABC算法与BP神经网络融合，利用人工蜂群算法组合优化BP网络的权值和阈值，既克服了BP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，提高了GIS局放故障识别的效率和准确性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种GIS特高频局部放电信号识别方法，其特征在于，包括以下步骤：

对GIS特高频局部放电信号进行预处理，得到

三维谱图；其中

为相位，q为放电幅值，t为连续预定个周期；

将所述

三维谱图投影成二维谱图，并分别提取描述

谱图的形状差异以及谱图正负半周的轮廓差异的放电特征参数，得到待测样本；所述描述

谱图的形状差异的放电特征参数包括：均值、方差、偏斜度、陡峭度、局部峰点数；所述描述

谱图正负半周的轮廓差异的放电特征参数包括：放电量因数、相位不对称度、互相关系数、修正的互相关系数；

根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别；所述ABC-BP模型的建立过程包括：建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元；输入带有类别标记的故障信号作为训练样本，对所述三层神经网络进行模型训练，得到所述ABC-BP模型。

2.根据权利要求1所述的GIS特高频局部放电信号识别方法，其特征在于，所述进行缺陷识别的过程包括：

建立参数同训练模型的三层神经网络；

以模型训练后所得到的最优的初始权值阈值作为识别模型的初始权值阈值；

用所述训练样本训练新建立的三层神经网络；

用所述待测样本进行仿真预测，以实际输出和期望输出的误差值达到预期的目标为终止条件，对GIS特高频局部放电信号待测样本进行分类识别。

3.根据权利要求1所述的GIS特高频局部放电信号识别方法，其特征在于，对所述三层神经网络进行模型训练的过程包括：

创建一个BP神经网络；

初始化人工蜂群算法的参数，包括：蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、极限值、最大循环次数以及D维初始解X_i；

迭代次数初始化为1；

采蜜蜂根据当前的记忆解搜索新的解，并计算解的适应度值；

判断新解的适应度值是否大于旧解的适应度值；若是，则用新解代替旧解；若否，则更新失败次数加1，并在解X_i的更新失败次数超过了预先设定的极限值时将其舍弃，重新产生一个新解；

迭代次数加1；

若迭代次数大于最大循环次数，则训练结束，将得到的最优解变换成BP网络的连接权值和阈值，采用得到的网络权值和阈值进行BP网络训练和学习，使用BP神经网络工具对所述训练样本进行训练，得到所述ABC-BP模型。

4.根据权利要求1或2或3所述的GIS特高频局部放电信号识别方法，其特征在于，所述预处理的过程包括：采集连续预定个周期的GIS特高频局部放电信号作为一个放电样本，统一把放电信号存储为单周期数据形式，得到所述

三维谱图；并将所采集到的GIS特高频局部放电信号混入的干扰滤除。

5.根据权利要求1或2或3所述的GIS特高频局部放电信号识别方法，其特征在于，在所述提取放电特征参数之后，还包括步骤：采用Kruskal-Wallis多样本非参数检验方法对所述放电特征参数作进一步的特征选择与提取。

6.根据权利要求5所述的GIS特高频局部放电信号识别方法，其特征在于，所述采用Kruskal-Wallis多样本非参数检验方法作进一步的特征选择与提取的过程包括：

计算所有样本的特征x值；

将每个特征x值按照递增不减的顺序给每个样品编号，若有样品的x值相同，则采用平均编号；

取每类各个样品编号的均值，分别记作

…；

计算统计量H为： $H\left(x\right)=\frac{12}{M(M+1)}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{K}_i\×{({\stackrel{\‾}{M}}_{\mathrm{ix}}-\frac{K+1}{2})}^2;$ 其中K为总样本数，m为样品类别数。

7.根据权利要求1或2或3所述的GIS特高频局部放电信号识别方法，其特征在于：

所述偏斜度Sk用于描述某种形状的分布对比于正态分布的偏斜度，采用如下公式进行计算：

式中，W：半周期内的相位窗数；第i个相位区间；

出现的概率，其中y_i是谱图的纵坐标，代表放电幅值q或放电重复率n；u：

的均值；σ：

的标准差；

所述陡峭度Ku反映分布曲线的峰值的尖锐程度，采用如下公式进行计算：

所述局部峰点数Pe由

值确定，对于点

若

则该点为局部峰点；局部峰点数Pe为相应图形中局部峰点的总数；

所述放电量因数Q反映

正负半周内平均放电量的差异，其定义为

式中，q_i ⁺：正半周第i个相位窗的平均放电量；

负半周第i个相位窗的平均放电量；n_i ⁺：正半周第i个相位区间的放电次数；

负半周第i个相位区间的放电次数；

所述相位不对称度Φ反映

谱图正负半波放电的起始相位的差别，采用如下公式进行计算：

式中，

正半周期起始放电相位；负半周期起始放电相位；

所述互相关系数cc用于评价函数和

的形式上的差异，采用如下公式进行计算： $\mathrm{cc}=\frac{{\mathrm{\Σ}}_{i=1}^w{q}_i^{+}{q}_i^{-}-\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{+}{\mathrm{\Σ}}_{i=1}^w{q}_i^{-}\right)/W}{\sqrt{[{\mathrm{\Σ}}_{i=1}^w{\left(q_i^{+}\right)}^2-{\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{+}\right)}^2/W][{\mathrm{\Σ}}_{i=1}^w{\left(q_i^{-}\right)}^2-{\left({\mathrm{\Σ}}_{i=1}^w{q}_i^{-}\right)}^2/W]}};$

所述修正的互相关系数mcc用于评价

谱图正负半周内放电模式的差异，定义为：mcc=Q|cc。

8.一种GIS特高频局部放电信号识别系统，其特征在于，包括：

预处理模块，用于对GIS特高频局部放电信号进行预处理，得到

三维谱图；其中

为相位，q为放电幅值，t为连续预定个周期；

特征参数提取模块，用于将所述

三维谱图投影成二维谱图，并分别提取描述

谱图的形状差异以及谱图正负半周的轮廓差异的放电特征参数，得到待测样本；所述描述

谱图的形状差异的放电特征参数包括：均值、方差、偏斜度、陡峭度、局部峰点数；所述描述

谱图正负半周的轮廓差异的放电特征参数包括：放电量因数、相位不对称度、互相关系数、修正的互相关系数；

缺陷识别模块，用于根据预先建立的ABC-BP模型对所述待测样本进行缺陷识别；所述ABC-BP模型的建立过程包括：建立人工蜂群优化BP的三层神经网络，并设置模型参数；所述模型参数包括：人工蜂群中蜂群的大小、采蜜蜂的数量、跟随蜂的数量、解的个数、适应度函数、极限值、最大循环次数、BP神经网络的隐层神经元；输入带有类别标记的故障信号作为训练样本，对所述神经网络进行模型训练，得到所述ABC-BP模型。

9.根据权利要求8所述的GIS特高频局部放电信号识别系统，其特征在于，还包括：K-W模块，用于在所述特征参数提取模块提取放电特征参数之后，采用Kruskal-Wallis多样本非参数检验方法对所述放电特征参数作进一步的特征选择与提取。

10.根据权利要求8或9所述的GIS特高频局部放电信号识别系统，其特征在于，所述预处理模块中包括数据采集与干扰滤除模块，用于采集连续预定个周期的GIS特高频局部放电信号作为一个放电样本，统一把放电信号存储为单周期数据形式，得到所述

三维谱图；并将所采集到的GIS特高频局部放电信号混入的干扰滤除。

Images