CN112305379A - 一种用于gis绝缘缺陷的模式识别方法及系统 - Google Patents
一种用于gis绝缘缺陷的模式识别方法及系统 Download PDFInfo
- Publication number
- CN112305379A CN112305379A CN201910671133.4A CN201910671133A CN112305379A CN 112305379 A CN112305379 A CN 112305379A CN 201910671133 A CN201910671133 A CN 201910671133A CN 112305379 A CN112305379 A CN 112305379A
- Authority
- CN
- China
- Prior art keywords
- prps
- map data
- neural network
- partial discharge
- gis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000009413 insulation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims abstract description 51
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012567 pattern recognition method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000003909 pattern recognition Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 12
- 239000002923 metal particle Substances 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 238000005339 levitation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种用于GIS绝缘缺陷的模式识别方法,其包括训练步骤和识别步骤:训练步骤包括:(1)采集案例PRPS局部放电图谱数据,并进行预处理;(2)提取有效特征量,以构建特征空间;(3)构建BP神经网络分类器,将特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正隐含层的神经元的权重,以使输出层输出与各特征空间相对应的GIS绝缘缺陷的模式;识别步骤包括:(a)采集待识别GIS设备的PRPS局部放电图谱数据,并对其进行预处理;(b)提取有效特征量,以构建特征空间;(c)将特征空间输入经过训练的BP神经网络分类器,BP神经网络分类器输出模式识别结果。
Description
技术领域
本发明涉及电力系统中的模式识别方法及系统,尤其涉及一种电力设备缺陷的模式识别方法及系统。
背景技术
实时掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。局部放电检测是目前最常用一种在线监测电力设备绝缘状态的方式,当有局部放电发生时立刻采取行动,从而防止更严重事件的发生。特高频检测法即利用局部放电会产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。对监测得到的信号进行分析处理从而判断设备存在的缺陷种类。
为了提高故障诊断区分的效率,需要将智能算法代替人工,模式识别就是用于智能诊断的工具。BP神经网络作为模式识别领域应用最广泛的算法之一,具有自学习能力,能够将不同样本进行有效区分,实现自动化。但是,目前常用的传统BP神经网络采用的是梯度下降法,其识别准确率与精确度不足以局放诊断这一较为复杂的问题时。此外,采用传统的梯度下降法的BP神经网络的识别准确率与精确度不够高,并且训练时间过长的缺陷。
发明内容
本发明的目的之一在于提供一种用于GIS绝缘缺陷的模式识别方法,该模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。该模式识别方法识别准确率与精准度高,可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。
根据上述发明目的,本发明提出一种用于GIS绝缘缺陷的模式识别方法,其包括训练步骤和识别步骤:
其中,训练步骤包括:
(1)采集GIS的案例PRPS局部放电图谱数据,并进行预处理;
(2)提取案例PRPS局部放电图谱数据中的有效特征量,以构建案例PRPS局部放电图谱数据的特征空间;
(3)构建BP神经网络分类器,将特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重,以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式;
识别步骤包括:
(a)采集待识别GIS设备的PRPS局部放电图谱数据,并对其进行预处理;
(b)提取PRPS局部放电图谱数据中的有效特征量,以构建PRPS局部放电图谱数据的特征空间;
(c)将所述特征空间输入经过训练的BP神经网络分类器,所述BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。
在本发明所述的技术方案中,不同于现有技术的是,本案所采用的BP神经网络在进行训练时,采用LM算法修正BP神经网络分类器隐含层的神经元的权重,这是因为:
BP神经网络分类器的核心理念是通过误差的反向传播校正优化各个权值阈值的大小以达到误差最小值。BP神经网络分类器通过BP学习算法对样本进行分类训练,并将训练得到的隐含层权值用来分类。BP算法分为两个阶段,正向过程(Feed Forward)和反向过程(Back Propagation)。第一个阶段为正向过程,输入层接收外界输入的信息,将其传递给隐含层,隐含层负责逐层计算得到各单元的处理结果,并将该处理结果传递给输出层,完成一次正向传播过程。第二个阶段为反向过程,当经过正向过程后输出层得到的结果与预期不相符,输出误差反向通过隐含层向输入层传播,并按照一定方式修正各层的权重值。通过不断的进行正向传播和反向传播,各层神经元的权重值进行着不断的调整和修正,直到建造的网络其全局误差趋向于极小值并满足设定的阈值要求,则BP神经网络分类器的学习训练完成。
而在本发明所述的技术方案中,改进的BP神经网络分类器根据LevenbergMarquardt算法(简称为LM算法)修正各层权重。LM算法综合了高斯牛顿算法(简称GNA)和梯度下降法两者。相比高斯牛顿算法,LM算法鲁棒性更强,这意味着在很多情况下即使最初的误差值与其最小值相差很大,它依然能顺利完成。而本案所述的BP神经网络分类器在应用LM算法时,其迭代次数少、收敛速度快、精确度高。并且,由于迭代次数少,过拟合现象也将得到有效抑制。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别方法中,有效特征量至少包括颜色特征、纹理特征和形状特征。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别方法中,预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别方法中,GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别方法,隐含层被构造为单层或多层。
相应地,本发明的另一目的在于提供一种用于GIS绝缘缺陷的模式识别系统,该模式识别系统识别准确率与精确度高,并且识别时间短。
根据上述发明目的,本发明提出一种用于GIS绝缘缺陷的模式识别系统,其包括数据采集装置和数据处理模块,其中:
数据采集装置采集GIS的案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据;
数据处理模块被构造为执行下述训练步骤和识别步骤:
其中,训练步骤包括:
(1)对GIS的案例PRPS局部放电图谱数据进行预处理;
(2)提取案例PRPS局部放电图谱数据中的有效特征量,以构建案例PRPS局部放电图谱数据的特征空间;
(3)构建BP神经网络分类器,将所述特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重,以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式;
识别步骤包括:
(a)对待识别GIS设备的PRPS局部放电图谱数据进行预处理;
(b)提取PRPS局部放电图谱数据中的有效特征量,以构建PRPS局部放电图谱数据的特征空间;
(c)将特征空间输入经过训练的BP神经网络分类器,BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别系统中,有效特征量至少包括颜色特征、纹理特征和形状特征。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别系统中,预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别系统中,GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。
进一步地,在本发明所述的用于GIS绝缘缺陷的模式识别系统,其特征在于,所述BP神经网络分类器包括输入层、隐含层和所述输出层,其中所述隐含层被构造为单层或多层。
本发明所述的用于GIS绝缘缺陷的模式识别方法及系统具有如下所述的优点以及有益效果:
本发明所述的模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。本发明所述的模式识别方法识别准确率与精准度高,可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。
此外,本发明所述的模式识别系统也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的训练步骤的流程示意图。
图2为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的识别步骤的流程示意图。
图3示意性地显示了本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的LM算法流程。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的用于GIS绝缘缺陷的模式识别方法及系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
本实施方式中的用于GIS绝缘缺陷的模式识别系统所识别的GIS绝缘缺陷的模式包括电晕放电、悬浮放电和自由金属微粒放电,该模式识别系统包括数据采集装置和数据处理模块,其中数据采集装置采集GIS的案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据,而数据处理模块被构造为执行下述训练步骤和识别步骤。
其中,图1为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的训练步骤的流程示意图。
如图1所示,训练步骤包括:
(1)对GIS的案例PRPS局部放电图谱数据进行预处理;
(2)提取案例PRPS局部放电图谱数据中的有效特征量,以构建案例PRPS局部放电图谱数据的特征空间;
(3)构建BP神经网络分类器,将所述特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重,以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式。
图2为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的识别步骤的流程示意图。
如图2所示,识别步骤包括:
(a)对待识别GIS设备的PRPS局部放电图谱数据进行预处理;
(b)提取PRPS局部放电图谱数据中的有效特征量,以构建PRPS局部放电图谱数据的特征空间;
(c)将特征空间输入经过训练的BP神经网络分类器,BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。
为了达到构建出局放图像的特征空间,达到精简局放图像信息量的目的,便于提高后续模式识别的速度与效率,可以在本实施方式中,从颜色特征、纹理特征、形状特征三方面进行有效特征量提取。
并且,预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。
需要说明的是,BP神经网络分类器包括输入层、隐含层和所述输出层,其中所述隐含层被构造为单层或多层。
由于本实施方式中的BP神经网络分类器根据LM算法修正各层权重,因而,相比于现有技术,LM算法鲁棒性更强,这意味着在很多情况下即使最初的误差值与其最小值相差很大,它依然能顺利完成。当面对函数本身性能十分良好和启动参数也十分合理的启动参数时,使得本案所述的BP神经网络分类器在应用LM算法时,其迭代次数少、收敛速度快、精确度高。并且,由于迭代次数少,过拟合现象也将得到有效抑制。
图3示意性地显示了本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的LM算法流程。
如图3所示,已知函数x=f(p),LM算法流程如下:
首先,预设权值p0以及终止控制常数ε,计算如下:
ε0=||x-f(p0)||
预设循环计数k=0,λ0=10-3,v=10。
λ为阻尼系数,下标0表示初始值;v为比例参数。
随后,计算Jacobi矩阵Jk,计算式如下所示:
接着,构造增量正规方程,具体如下所示:
其中,可以通过求解增量正规方程得到步长δk,具体为:当||x-f(pk+δk)||<εk,则令pk+1=pk+δk,若||δk||<ε,停止迭代,输出结果;否则令重回到计算Jacobi矩阵所在步骤;当||x-f(pk+δk)||≥εk,则令λk+1=v·λk,重新求解正规方程得到新步长δk,返回预设权值p0以及终止控制常数ε所在步骤。
由此可以看出,在LM算法中,每次迭代是为了寻找一个合适的阻尼系数λ。当λ很小时,LM算法就变成了GNA的最优步长计算式,λ很大时,LM算法就会蜕化成梯度下降法的最优步长计算式。也就是说,LM算法融合了二者的优点,本案采用LM算法可以避免传统BP神经网络存在的缺陷,例如:由于学习速率η的值通常出于谨慎的考虑不会取得太大而导致网络所需的训练时间较长;对于多层网络,误差曲面可能存在平坦区域或含有多个不同的局部极小值,前者将导致迭代次数增加、训练时间加长,而后者将导致收敛的结果是局部极小值而不能保证是全局最小值;权值学习迭代次数过多而拟合训练过程中的噪声和训练样例中没有代表性的特征,导致过拟合。
为了验证本案的模式识别方法的准确性,通过特高频放电试验共采集获得300组GIS绝缘缺陷局部放电数据,提取其特征量。将所得样本分为训练样本和测试样本两部分,随机选择200组作为训练样本,剩余为测试样本,分别采用本案的模式识别方法以及现有技术所采用的基于BP算法的模式识别方法进行识别。
识别结果如表1和表2所示。其中,表1为现有技术所采用的基于BP算法的模式识别方法的最终识别效果。表2为本案的模式识别方法的最终识别效果。
表1.
绝缘缺陷类型 | 识别正确率 | 训练时间(s) |
电晕放电 | 94.54% | 45 |
悬浮放电 | 89.09% | 41 |
自由金属微粒放电 | 92.73% | 47 |
平均 | 92.12% | 44.33 |
表2.
比较表1和表2可以看出,现有技术所采用的基于BP算法的模式识别方法的平均识别正确率为92.12%,而采用本案的模式识别方法的平均识别正确率高达95.65%,较之现有技术,本案的模式识别方法的精确度更高。另外,现有技术方法所采用的基于BP算法的模式识别方法的平均训练时间为44.33s,而本案的模式识别方法的训练时间只有10ms,是前者的1/4000,大大缩短了训练时间,对于紧急问题的识别更有保障。
由此可以看出,本案的模式识别方法准确度更高、训练时间更短、性能也更加优异,更有利于对GIS绝缘缺陷的光学图像进行分类识别。
综上所述,本发明所述的模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。本发明所述的模式识别方法识别准确率与精准度高,可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。
此外,本发明所述的模式识别系统也同样具有上述的优点以及有益效果。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (10)
1.一种用于GIS绝缘缺陷的模式识别方法,其特征在于,包括训练步骤和识别步骤:
其中,所述训练步骤包括:
(1)采集GIS的案例PRPS局部放电图谱数据,并进行预处理;
(2)提取案例PRPS局部放电图谱数据中的有效特征量,以构建案例PRPS局部放电图谱数据的特征空间;
(3)构建BP神经网络分类器,将所述特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重,以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式;
所述识别步骤包括:
(a)采集待识别GIS设备的PRPS局部放电图谱数据,并对其进行预处理;
(b)提取PRPS局部放电图谱数据中的有效特征量,以构建PRPS局部放电图谱数据的特征空间;
(c)将所述特征空间输入经过训练的BP神经网络分类器,所述BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。
2.如权利要求1所述的用于GIS绝缘缺陷的模式识别方法,其特征在于,所述有效特征量至少包括颜色特征、纹理特征和形状特征。
3.如权利要求1所述的用于GIS绝缘缺陷的模式识别方法,其特征在于,所述预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。
4.如权利要求1所述的用于GIS绝缘缺陷的模式识别方法,其特征在于,所述GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。
5.如权利要求1所述的用于GIS绝缘缺陷的模式识别方法,其特征在于,所述隐含层被构造为单层或多层。
6.一种用于GIS绝缘缺陷的模式识别系统,其特征在于,包括数据采集装置和数据处理模块,其中:
所述数据采集装置采集GIS的案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据;
所述数据处理模块被构造为执行下述训练步骤和识别步骤:
其中,所述训练步骤包括:
(1)对GIS的案例PRPS局部放电图谱数据进行预处理;
(2)提取案例PRPS局部放电图谱数据中的有效特征量,以构建案例PRPS局部放电图谱数据的特征空间;
(3)构建BP神经网络分类器,将所述特征空间输入BP神经网络分类器对其进行训练,在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重,以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式;
所述识别步骤包括:
(a)对待识别GIS设备的PRPS局部放电图谱数据进行预处理;
(b)提取PRPS局部放电图谱数据中的有效特征量,以构建PRPS局部放电图谱数据的特征空间;
(c)将所述特征空间输入经过训练的BP神经网络分类器,所述BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。
7.如权利要求6所述的用于GIS绝缘缺陷的模式识别系统,其特征在于,所述有效特征量至少包括颜色特征、纹理特征和形状特征。
8.如权利要求6所述的用于GIS绝缘缺陷的模式识别系统,其特征在于,所述预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。
9.如权利要求6所述的用于GIS绝缘缺陷的模式识别系统,其特征在于,所述GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。
10.如权利要求6所述的用于GIS绝缘缺陷的模式识别系统,其特征在于,所述BP神经网络分类器包括输入层、隐含层和所述输出层,其中所述隐含层被构造为单层或多层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671133.4A CN112305379A (zh) | 2019-07-24 | 2019-07-24 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671133.4A CN112305379A (zh) | 2019-07-24 | 2019-07-24 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112305379A true CN112305379A (zh) | 2021-02-02 |
Family
ID=74328955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671133.4A Pending CN112305379A (zh) | 2019-07-24 | 2019-07-24 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112305379A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949497A (zh) * | 2021-03-04 | 2021-06-11 | 西南石油大学 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及系统 |
CN114692701A (zh) * | 2022-05-31 | 2022-07-01 | 国网天津市电力公司电力科学研究院 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
CN109102508A (zh) * | 2018-08-31 | 2018-12-28 | 上海交通大学 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
-
2019
- 2019-07-24 CN CN201910671133.4A patent/CN112305379A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
CN109102508A (zh) * | 2018-08-31 | 2018-12-28 | 上海交通大学 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
Non-Patent Citations (2)
Title |
---|
俞顺章,姜庆五主编, 复旦大学出版社 * |
尹庆民: "《知识产权出版社》", 31 May 2015 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949497A (zh) * | 2021-03-04 | 2021-06-11 | 西南石油大学 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
CN112949497B (zh) * | 2021-03-04 | 2024-05-31 | 西南石油大学 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及系统 |
CN114692701A (zh) * | 2022-05-31 | 2022-07-01 | 国网天津市电力公司电力科学研究院 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN109946389B (zh) | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 | |
CN111259921B (zh) | 基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110161388B (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN109213753B (zh) | 一种基于在线pca的工业系统监测数据恢复方法 | |
CN110991424A (zh) | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112147474A (zh) | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 | |
CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
CN112861443B (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN117590173A (zh) | 一种基于卷积神经网络的电缆局部放电模式识别方法 | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
CN116822610A (zh) | 一种基于级联剪枝的绝缘子缺陷检测模型构建方法及装置 | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 | |
CN116304822A (zh) | 基于多元感知和特征提取的变压器状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |