CN112949497B - 一种基于改进广义回归神经网络的gis局放模式识别方法 - Google Patents
一种基于改进广义回归神经网络的gis局放模式识别方法 Download PDFInfo
- Publication number
- CN112949497B CN112949497B CN202110241080.XA CN202110241080A CN112949497B CN 112949497 B CN112949497 B CN 112949497B CN 202110241080 A CN202110241080 A CN 202110241080A CN 112949497 B CN112949497 B CN 112949497B
- Authority
- CN
- China
- Prior art keywords
- discharge
- partial discharge
- gis
- neural network
- pattern recognition
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000012567 pattern recognition method Methods 0.000 title claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000003909 pattern recognition Methods 0.000 claims abstract description 13
- 238000002922 simulated annealing Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims description 10
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 239000002923 metal particle Substances 0.000 claims description 5
- 239000012212 insulator Substances 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 238000009413 insulation Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 208000035139 partial with pericentral spikes epilepsy Diseases 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000000137 annealing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G01R31/1209—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 using acoustic 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
- 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
- G01R31/1254—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 gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于改进广义回归神经网络的GIS局放模式识别方法，可以同时监测GIS的多个气室，通过对所监测的气室进行编号，采集气室内的局部放电信息，通过滤波、降噪等数据预处理之后，能够提高数据的可靠性，将处理后的有效信息传入到主机进行存储和处理；根据得到的有效局放信息绘制PRPD和PEPS图谱，通过图谱信息提取特征量，采用主成分分析法提取关键特征量，可以提高模式识别的高效性；采用基于K‑Means聚类算法以及模拟退火算法改进的广义回归神经网络模型作为模式识别的分类器，能够提高模式识别的正确率，从而预防GIS绝缘事故的发生，保证了GIS的安全运行。
Description
技术领域
本发明属于气体绝缘组合电器设备(GIS)技术领域，特别涉及一种基于改进广义回归神经网络的GIS局放模式识别方法。
背景技术
随着电力事业的蓬勃发展，城市高压电网的快速发展，GIS因占地面积小、性能佳等优点，成为了特高压电网中重要的配电装置，其运行的可靠性决定了电网的稳定性。由于GIS是绝缘封闭性电器设备，其故障主要是绝缘故障，局部放电是内部绝缘故障的早期表现形式，因此通过有效的监测和数据分析GIS的实时局部放电信号，可以避免GIS发生绝缘故障带来的巨大经济损失和安全隐患。
目前国内外的GIS局放模式识别技术主要是通过传感器，采用特高频和超声波的方法来监测GIS内部是否存在局部放电现象，以及根据局部放电的具体信息绘制相关图谱，提取各类特征量，基于特征量利用分类器完成模式识别，因此如何提高模式识别的正确率成为了研究的重点。
发明内容
针对现有技术存在的不足，本发明提出一种基于改进广义回归神经网络的GIS局放模式识别方法，可以同时对多个GIS的气室进行监测，可长期对GIS的局放信息进行分析，预防GIS发生绝缘故障，保障GIS和高压电网的安全运行。
为实现上述目的，所述基于改进广义回归神经网络的GIS局放模式识别方法包括：
步骤一：对GIS的多个气室进行编号，每个气室的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机；
步骤二：将局放传感器与噪音传感器采集到的GIS局放信号，经过滤波、放大、降噪和调试之后，将信号传输到主机进行分析判断；
步骤三：将采集到的信号绘制成相应的PRPD和PRPS图谱，基于图谱信息提取GIS局放的特征量；
步骤四：根据提取的特征量，采用广义回归神经网络进行模式识别，利用GIS的局放历史故障信息进行广义回归神经网络分类器的训练，建立各个放电类型的数据库；
步骤五：将实时采集到的局放信号经过步骤二和步骤三之后，传输到主机训练好的广义回归神经网络分类器进行分析，得到GIS该气室是否存在异常局部放电，以及放电类型。
按上述方案，所述步骤二中，所采用的局放传感器为内置式和外置式的特高频传感器，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行储存和处理。
按上述方案，所述步骤三中，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱。
按上述方案，所述步骤三中，基于PRPD和PRPS图谱的信息提取GIS的局放特征量，通过主成分分析法进行降维处理，最终得到的特征量包括偏斜度Sk、陡峭度Ku、互相关系数Cc、放电量因素Q、局部峰值PL、放电相位放电次数n和放电持续时间tq。
按上述方案，所述步骤四中，广义回归神经网络的模式识别精度与平滑参数的取值有很大的关联，所以采用了基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型。
按上述方案，所述步骤四中，所采用的广义回归神经网络模型如下：
1)广义回归神经网络的输入层神经元个数等于输入向量的维数，输入m维输入变量X＝[x1,x2,…,xm]T；
2)模式层神经元传递函数为：
式中，X为网络输入变量，Xi为第i个神经元对应的学习样本，神经元i的输出为输入变量与其对应的样本X之间Euclid距离平方的指数平方Di 2＝(X-Xi)T(X-Xi)；
3)求和层的求和函数为模式层中第i个神经元与求和层第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：
4)输出层的神经元个数等于学习样本中输出向量的维数k，神经元j的输出对应估计结果为：
按上述方案，所述步骤四中，所采用的K-Means聚类算法流程如下：
1)输入的样本集D＝{x1,x2,…,xm}，最大迭代次数N，选择k个样本点作为初始形心Cj；
2)在第j次迭代中，对任意一个样本点pt(t＝1,2,…,N)求其到k个形心的欧氏距离：
3)将该样本归类到与其距离最小的形心所在的簇中，然后采用均值更新各簇的形心值：
4)重复上述步骤直到各簇的形心值不再发生变化，得到最好的聚类效果。
按上述方案，所述步骤四中，为了解决局部最优解问题，所采用的模拟退火算法如下：
模拟退火算法分为Metropolis算法和退火过程两个部分，Metropolis算法假设前一个状态x(n)，系统根据性能指标状态变为x(n+1)，相应的系统的能量由E(n)变为E(n+1)，定义系统由x(n)变为x(n+1)的概率为：
为了防止寻优速度太慢，采用了退火算法，最简单的下降方式是指数式下降：
T(n)＝λT(n),n＝1,2,3,…
按上述方案，所述步骤四中，建立的放电类型数据库一共有四种，包括金属尖端放电、绝缘子气隙放电、金属颗粒放电和悬浮电极放电。
综上所述，本发明具有如下优点：
本发明基于局放传感器、噪音传感器和智能主机的硬件结构，局放传感器可以采集到GIS的各个气室中存在的局放信息，噪音传感器可以帮助进行降噪等数据预处理，消除环境等无关影响，从而得到更为有效的局放信息；根据得到的有效局放信息绘制PRPD和PEPS图谱，通过图谱信息提取特征量，采用主成分分析法提取关键特征量用于模式识别；根据GIS绝缘故障的历史运行信息训练基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型，建立四种放电类型的数据库，提高模式识别的正确率，从而能够预防GIS绝缘事故的发生，保证GIS运行的可靠性。
附图说明
图1为本发明一种基于改进广义回归神经网络的GIS局放模式识别方法的工作流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明；
本发明一种基于改进广义回归神经网络的GIS局放模式识别方法，包括以下步骤：
步骤一：对GIS的多个气室进行单项编号，每个气室安装的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机，定义GIS的多个气室单项编号为001，002，003，004，005，……；
步骤二：利用局放传感器和噪音传感器检测每个气室的局放信号，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行分析判断；
步骤三：根据传输得到的局放信号绘制成相应的PRPD和PRPS图谱，基于图谱信息计算选取的特征量；
步骤四：根据GIS的历史局放故障信息，完成基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络分类器的训练，建立各个放电类型的数据库；
步骤五：根据建立的放电类型数据库里的内容，与计算的结果相对比，判断是否存在局部放电，以及故障放电类型。
步骤二所述，所采用的局放传感器为内置式和外置式的特高频传感器，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行储存和处理。
步骤三所述，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱。
步骤三所述，基于图谱信息计算选取的特征量的数学表达式如下：
1)偏斜度Sk
偏斜度是描述图形偏斜程度的统计量，其值的正负分别代表图谱形状向左与向右偏移。其式如下：
式中：i是每半个周期内的数据点序数，每100个数据点为一个计数循环，是第i个数据点的相位，pi、μ和σ分别为该相位点的最大值的概率、均值和标准差。
2)陡峭度Ku
陡峭度是表示图谱平坦与否的统计量，其值正负表示图谱与正态分布的比较更加陡峭或更加平坦，其计算见下式：
式中：i是每半个周期内的数据点序数，每100个数据点为一个计数循环，是第i个数据点的相位，μ和σ分别为该相位点的均值和标准差。
3)互相关系数Cc
互相关系数表达为正负半周期间局部放电信号的相似性，其中qi +和qi -分别表示正负半周内的第i个数据相位下的平均放电量。
对于极性效应较强的局部放电特高频信号而言，表征正负半周相似程度的互相关系数以及接下来的放电量因数等特征参量具有一定的有效性。
4)放电量因素Q
放电量因素Q表示正负半周内局放放电量的差异，表达为：
式中，ni +和ni -分别表示放电量为qi +和qi -的次数，
5)局部峰值PL
局部峰值即为信号数据在放电周期内的极大值个数，表征信号幅值振荡剧烈程度。
6)放电相位
放电相位包含起始放电相位和熄灭放电相位/>是描述放电信号局部特征信息的物理量。
7)放电次数n
放电次数指的是一个采样周期内发生局部放电的次数。
8)放电持续时间tq
放电持续时间tq指的是一次局部放电开始到结束的时间。
步骤四所述，采用的分类器模型为基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型，能够提高模式识别的正确率，所采用的K-Means聚类算法流程如下：
a.输入的样本集D＝{x1,x2,…,xm}，最大迭代次数N，选择k个样本点作为初始形心Cj；
b.在第j次迭代中，对任意一个样本点pt(t＝1,2,…,N)求其到k个形心的欧氏距离：
c.将该样本归类到与其距离最小的形心所在的簇中，然后采用均值更新各簇的形心值：
d.重复上述步骤直到各簇的形心值不再发生变化，得到最好的聚类效果。
为了解决局部最优解问题，所采用的模拟退火算法如下：
Metropolis算法假设前一个状态x(n)，系统根据性能指标状态变为x(n+1)，相应的系统的能量由E(n)变为E(n+1)，定义系统由x(n)变为x(n+1)的概率为：
为了防止寻优速度太慢，采用了退火算法，最简单的下降方式是指数式下降：
T(n)＝λT(n),n＝1,2,3,…
步骤四所述，建立的放电类型数据库一共有四种，包括金属尖端放电、绝缘子气隙放电、金属颗粒放电和悬浮电极放电，具有特定的放电特性，可以初步简单判断是否存在局部放电，相应的放电特性如下：
1)金属尖端放电：一般出现在工频相位的负半周，放电频率随着导体电压增加明显増加，放电幅值大小稳定、时间间隔均匀且放电范围较宽；
2)绝缘子气隙放电：这种放电具有明显的极性效应，但其与轻微不均匀电场间隙的极性效应正好相反。其负极性击穿电压是大于正极性击穿电压的，即具有明显的负极性效应；
3)金属颗粒放电：在工频周期内随机分布，波峰波谷处局放振幅较大，放电时间间隔无规律，幅值大小各异；
4)悬浮电极放电：工频周期内极性相关性强，每次放电能量和时间间隔基本一致。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为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力要求为准。
算例分析
以某油气平台的额定电压为252kv、额定电流为3150A的GIS为例进行分析，采用的传感器为内置式超高频传感器和噪音传感器，能够检测300MHz到2000MHz的局放信号，灵敏度大于14mm；在局放检测中，检测到隔离开关A处具有明显的传感器信号，因此需要对其进行分析，判断是否存在局部放电以及放电类型。
(1)数据处理及绘制图谱
根据采集到的局放信息进行滤波、放大等处理，提高数据的可靠性，然后将获取的数据传输到主机，主机采集的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱，根据图谱的放电特性初步判断存在局部放电。
(2)特征量
通过计算得到绘制的图谱的相关特征量如表1所示。
表1特征量
(3)建立放电类型数据库
根据该油气平台的GIS历史局部放电故障信息，训练基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络分类器，建立各个放电类型的数据库。
(4)放电类型
根据计算的特征量与建立的数据库进行比，最终确定存在的放电类型是金属颗粒放电。
综上，首先采集相应的局部放电信息，进行滤波等数据预处理操作，然后传输到主机进行分析；然后根据传输的信息绘制成相应的PRPD和PRPS图谱，可以根据局部放电的图谱特征来简单判断是否存在局部放电；接着是根据具体情况建立各种放电类型的数据库以及训练改进的广义回归神经网络分类器；最后计算相关的特征量，与数据库的模型进行比对得到局部放电的放电类型。
Claims (2)
1.一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于，所述基于改进广义回归神经网络的GIS局放模式识别方法包括：
步骤一：对GIS的多个气室进行编号，每个气室的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机；
步骤二：将局放传感器与噪音传感器采集到的GIS局放信号，经过滤波、放大、降噪和调试之后，将信号传输到主机进行分析判断；
步骤三：将采集到的信号绘制成相应的PRPD和PRPS图谱，基于图谱信息提取GIS局放的特征量；
步骤四：根据提取的特征量，采用广义回归神经网络进行模式识别，利用GIS的局放历史故障信息进行改进广义回归神经网络分类器的训练，建立各个放电类型的数据库；建立的放电类型数据库一共有四种，包括金属尖端放电、绝缘子气隙放电、金属颗粒放电和悬浮电极放电；
步骤五：将实时采集到的局放信号经过步骤二和步骤三之后，传输到主机训练好的广义回归神经网络分类器进行分析，得到GIS该气室是否存在异常局部放电，以及放电类型；
步骤三中，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱；基于PRPD和PRPS图谱的信息提取GIS的局放特征量，通过主成分分析法进行降维处理，最终得到的特征量包括偏斜度Sk、陡峭度Ku、互相关系数Cc、放电量因素Q、局部峰值PL、放电相位放电次数n和放电持续时间tq；
步骤四中，广义回归神经网络的模式识别精度与平滑参数的取值有很大的关联，所以采用了基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型；采用模拟退火算法解决局部最优解问题。
2.根据权利要求1所述的一种基于改进广义回归神经网络的GIS局放模式识别方法，其特征在于：步骤二中，所采用的局放传感器为内置式和外置式的特高频传感器，采集到的数据将传入主机进行储存和处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110241080.XA CN112949497B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110241080.XA CN112949497B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949497A CN112949497A (zh) | 2021-06-11 |
| CN112949497B true CN112949497B (zh) | 2024-05-31 |
Family
ID=76247584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110241080.XA Active CN112949497B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进广义回归神经网络的gis局放模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949497B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113514743B (zh) * | 2021-08-03 | 2024-01-30 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别系统构建方法 |
| CN115480134B (zh) * | 2022-09-02 | 2024-06-14 | 国网安徽省电力有限公司电力科学研究院 | 一种基于设备局部放电数据图的故障识别方法及系统 |
Citations (8)
| 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 |
| CN107180148A (zh) * | 2017-07-05 | 2017-09-19 | 中南大学 | 一种基于广义回归神经网络和响应面法的可靠度分析方法 |
| CN109145762A (zh) * | 2018-07-27 | 2019-01-04 | 西南石油大学 | 一种基于数学形态学和分形理论的电缆附件局部放电识别方法 |
| CN109459669A (zh) * | 2019-01-09 | 2019-03-12 | 国网上海市电力公司 | 10kV配电网单相接地故障区段定位方法 |
| CN109596951A (zh) * | 2018-12-12 | 2019-04-09 | 全球能源互联网研究院有限公司 | 一种局部放电源定位方法及系统 |
| JP2019124678A (ja) * | 2018-01-18 | 2019-07-25 | 株式会社日立製作所 | 作業端末、漏油検出装置、及び、漏油検出方法 |
| CN111239560A (zh) * | 2020-02-06 | 2020-06-05 | 云南电网有限责任公司电力科学研究院 | 基于多传感器的局部放电定位方法 |
| CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
-
2021
- 2021-03-04 CN CN202110241080.XA patent/CN112949497B/zh active Active
Patent Citations (8)
| 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 |
| CN107180148A (zh) * | 2017-07-05 | 2017-09-19 | 中南大学 | 一种基于广义回归神经网络和响应面法的可靠度分析方法 |
| JP2019124678A (ja) * | 2018-01-18 | 2019-07-25 | 株式会社日立製作所 | 作業端末、漏油検出装置、及び、漏油検出方法 |
| CN109145762A (zh) * | 2018-07-27 | 2019-01-04 | 西南石油大学 | 一种基于数学形态学和分形理论的电缆附件局部放电识别方法 |
| CN109596951A (zh) * | 2018-12-12 | 2019-04-09 | 全球能源互联网研究院有限公司 | 一种局部放电源定位方法及系统 |
| CN109459669A (zh) * | 2019-01-09 | 2019-03-12 | 国网上海市电力公司 | 10kV配电网单相接地故障区段定位方法 |
| CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
| CN111239560A (zh) * | 2020-02-06 | 2020-06-05 | 云南电网有限责任公司电力科学研究院 | 基于多传感器的局部放电定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 组合电器局部放电模式识别与放电量的高频信号校准研究;吴建蓉;《中国优秀硕士学位论文全文数据库》(第12期);C042-163 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949497A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103323749B (zh) | 多分类器信息融合的局部放电诊断方法 | |
| CN112949497B (zh) | 一种基于改进广义回归神经网络的gis局放模式识别方法 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| CN104198898A (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
| CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
| CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
| CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
| CN107167716A (zh) | 一种局部放电缺陷类型识别方法及装置 | |
| CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
| CN102221654A (zh) | 静电除尘器运行效率的监测与评估系统 | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
| CN112180221A (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
| CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
| EP4001936A1 (en) | Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain | |
| CN104865508A (zh) | 基于数据分组量化的局部放电识别方法 | |
| CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
| Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
| CN112198472B (zh) | 一种局部放电智能传感器在线远程校验方法及系统 | |
| Fan et al. | Research on partial discharge identification of power transformer based on chaotic characteristics extracted by GP algorithm | |
| CN114935708A (zh) | 一种线路放电异常的识别方法 | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| CN114065824A (zh) | 一种对局部放电信号类型快速识别的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |