CN103513168A - Gis及电缆局部放电综合判断方法 - Google Patents

Abstract

GIS及电缆局部放电综合判断方法，首先根据逻辑门数值判别方法和神经网络自动判别方法同步对数据进行分析判断，在此基础上综合此两种方法的判定结果，得出综合判定的等级及严重度。以此提高局放判定的准确性。本发明与已有技术相比，具有准确性高，低误判的优点。

Description

GIS及电缆局部放电综合判断方法

技术领域： 

本发明涉及GIS(Gas Isolated Switchgear，气体绝缘开关)及电缆局部放电现象监测的一种数据综合判断方法。

背景技术：

由于GIS及电缆在生产、运输及安装过程中难免出现一些缺陷或因长期运行导致的绝缘老化所引起的缺陷，在电缆长时间运行中容易发生局部放电。针对GIS及电缆局部放电(Partial Discharge，简称局放)现象的监测，通常采用单一阈值进行数据判定，以确认局放现象是否存在及该局放现象的严重度。但采用单一阈值分析判断的方法，容易导致误判的情况发生，对电力生产安全产生损失。

发明内容：

本发明的发明目的在于提供一种能有效的提高GIS及电缆发生局放现象判定的准确度的GIS及电缆局部放电综合判断方法。

本发明是这样实现的，包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程，逻辑门数值判别过程是通过局放现象发生过程中获取的物理量Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)的读取数值，进行阈值判断，判断结果采用4种等级分布：当Φ，Q，N，T中任一物理量超过阈值，则为第0级；当N、Q或者Q、Φ或者Q、T超过阈值时，则为第1级；当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时，为第2级；当Φ，Q，N，T，4个物理量都超过阈值，则为第3级，严重度从第0级到第3级依次增大，第3级严重度最高，Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)的阈值如下：

N：25—35    个/秒

Q：90—110  pC（pC，电量单位：皮库）

Φ：160—200度(数据分布相差角度)

T：25—35分钟(持续时间)；

神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程，神经网络模型采用三层架构，即数据输入层，中间层，输出层，先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练，并在此过程中不断验证算法及网络的稳定性，在训练误差收敛后，将网络架构及权值进行固化，并应用于局放数据的判别，神经网络自动判别方法对数据图谱的判定结果是以概率形式给出，概率介于0和100%之间，当为0时，表该数据图谱为噪声信号，为80%~100%时，为局放信号，神经网络自动判别方法的结果也分成4个等级：当输出概率小于80%，为第0级；当输出概率介于80%~90%时，为第1级；当输出概率介于90%~95%时，为第2级；当输出概率大于95%时，为第3级。严重度从第0级到第3级依次增大，第3级严重度最高，

网络模型算法：BP(Back Propagation)算法

样本学习方式：批量学习，批量的数据输入层的输入神经元数量为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上，包括概率为0~80%以及概率介于80%~100%两个数值，

神经元激励函数：

与批量学习的输入神经元数量对应的读取数值的数量n为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上，包括概率为0~80%以及概率介于80%~100%的2个以上数值，

Sigmoid函数：f(x)=1/(1+e^-x)

      x为神经元输入

误差函数：

      N为神经元个数，t_i为第i个神经元的实际结果，z_i为第i个神经元的目标结果；

数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果，当逻辑门数值判断结果与神经网络自动判定结果为同一级时，综合结果与两判定结果同级，当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时，综合结果采用较高等级的判定结果，当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时，综合结果采用两判定结果的中间等级，综合结果也分成4级，及第0，1，2，3级，分别所处状态为无报警状态，初级警报状态，中级警报状态，高级警报状态。

本发明与已有技术相比，由于综合了逻辑门数值判别过程、神经网络自动判别过程，因此，具有能有效的提高GIS及电缆发生局放现象判定的准确度的优点。

附图说明：

图1为本发明综合判断过程流程图；

图2为逻辑门数值判别表；

图3为神经网络自动判别流程示意图；

图4为综合判别表。

具体实施方式：

现结合附图和实施例对本发明做进一步详细描述：

本发明包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程，逻辑门数值判别过程是通过局放现象发生过程中获取的包括物理量Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)等读取数值，进行阈值判断，判断结果采用4种等级分布：当Φ，Q，N，T中任一物理量超过阈值，则为第0级（G1）；当N、Q或者Q、Φ或者Q、T超过阈值时，则为第1级（G2）；当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时，为第2级（G3）；当Φ，Q，N，T，4个物理量都超过阈值，则为第3级（G4），严重度从第0级到第3级依次增大，第3级严重度最高，Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)的阈值如下：

N：25—35    个/秒

Q：90—110  pC（pC，电量单位：皮库）

Φ：160—200度(数据分布相差角度)

T：25—35分钟(持续时间)；

神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程，神经网络模型采用三层架构，即数据输入层，中间层，输出层，先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练，并在此过程中不断验证算法及网络的稳定性，在训练误差收敛后，将网络架构及权值进行固化，并应用于局放数据的判别，神经网络自动判别方法对数据图谱的判定结果是以概率形式给出，概率介于0和100%之间，当为0~80%时，表该数据图谱为噪声信号，为80%~100%时，为局放信号，神经网络自动判别方法的结果也分成4个等级：当输出概率小于80%，为第0级（G1）；当输出概率介于80%~90%时，为第1级（G 2）；当输出概率介于90%~95%时，为第2级（G 3）；当输出概率大于95%时，为第3级（G 4）。严重度从第0级到第3级依次增大，第3级严重度最高，

网络模型算法：BP(Back Propagation)算法

样本学习方式：批量学习，批量的数据输入层的输入神经元数量为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上（实施例为8个，包括概率为0~80%的判别为noise的输出蹭饭神经元以及概率介于80%~100%的7个判别为局放信号PD数值，依概率从小到大依次为未知局放信号PD、母线毛刺局放信号PD1、壳体毛刺局放信号PD2、自由颗粒局放信号PD3、内部空穴局放信号PD4、内部电晕局放信号PD5、悬浮点位电极局放信号PD6），

与批量学习的输入神经元数量对应的读取数值的数量n为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上，包括概率为0~80%以及概率介于80%~100%的2个以上数值（实施例为8个，包括概率为0~80%以及概率介于80%~100%的7个数值），

神经元激励函数：

Sigmoid函数：f(x)=1/(1+e^-x)

      x为神经元输入

误差函数：

      N为神经元个数，t_i为第i个神经元的实际结果，z_i为第i个神经元的目标结果；

数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果，当逻辑门数值判断结果与神经网络自动判定结果为同一级时，综合结果与两判定结果同级，当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时，综合结果采用较高等级的判定结果，当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时，综合结果采用两判定结果的中间等级，综合结果也分成4级，及第0，1，2，3级，分别所处状态为无报警状态（L1），初级警报状态（L2），中级警报状态（L3），高级警报状态（L4）。

Claims (1)

1.GIS及电缆局部放电综合判断方法，其特征在于包括逻辑门数值判别过程、神经网络自动判别过程、数据综合判别过程，逻辑门数值判别过程是通过局放现象发生过程中获取的物理量Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)的读取数值，进行阈值判断，判断结果采用4种等级分布：当Φ，Q，N，T中任一物理量超过阈值，则为第0级；当N、Q或者Q、Φ或者Q、T超过阈值时，则为第1级；当Φ、Q、N或者Φ、Q、T或者N、Q、T超过阈值时，为第2级；当Φ，Q，N，T，4个物理量都超过阈值，则为第3级，严重度从第0级到第3级依次增大，第3级严重度最高，Φ(相位)，Q(电量)，N(放电脉冲数)，T(时间)的阈值如下：

N：25—35    个/秒

Q：90—110  pC（pC，电量单位：皮库）

Φ：160—200度(数据分布相差角度)

T：25—35分钟(持续时间)；

神经网络自动判别方法是采用模式识别中的神经网络模型架构对读取数值进行自动识别的过程，神经网络模型采用三层架构，即数据输入层，中间层，输出层，先通过学习网络模型算法对大量的局放数据及噪声数据进行学习训练，并在此过程中不断验证算法及网络的稳定性，在训练误差收敛后，将网络架构及权值进行固化，并应用于局放数据的判别，神经网络自动判别方法对数据图谱的判定结果是以概率形式给出，概率介于0和100%之间，当为0时，表该数据图谱为噪声信号，为80%~100%时，为局放信号，神经网络自动判别方法的结果也分成4个等级：当输出概率小于80%，为第0级；当输出概率介于80%~90%时，为第1级；当输出概率介于90%~95%时，为第2级；当输出概率大于95%时，为第3级，严重度从第0级到第3级依次增大，第3级严重度最高，

网络模型算法：BP(Back Propagation)算法

样本学习方式：批量学习，批量的数据输入层的输入神经元数量为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上，包括概率为0~80%以及概率介于80%~100%两个数值，

神经元激励函数：

与批量学习的输入神经元数量对应的读取数值的数量n为350—450个，中间层的神经元个数：45—55，输出层的神经元个数：2个以上，包括概率为0~80%以及概率介于80%~100%的2个以上数值，

Sigmoid函数： f(x)=1/(1+e^-x)

      x为神经元输入

误差函数：

      N为神经元个数，t_i为第i个神经元的实际结果，z_i为第i个神经元的目标结果；

数据综合判别方法是综合了逻辑门数值判断及神经网络自动判断的4个等级的输出结果，当逻辑门数值判断结果与神经网络自动判定结果为同一级时，综合结果与两判定结果同级，当逻辑门数值判断结果与自动判别结果等级不一且只相差一个等级时，综合结果采用较高等级的判定结果，当逻辑门数值判断结果与自动判别结果等级不一且相差两个等级时，综合结果采用两判定结果的中间等级，综合结果也分成4级，及第0，1，2，3级，分别所处状态为无报警状态，初级警报状态，中级警报状态，高级警报状态。

Images