CN114414951A - 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 - Google Patents

气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 Download PDF

Info

Publication number
CN114414951A
CN114414951A CN202111448631.6A CN202111448631A CN114414951A CN 114414951 A CN114414951 A CN 114414951A CN 202111448631 A CN202111448631 A CN 202111448631A CN 114414951 A CN114414951 A CN 114414951A
Authority
CN
China
Prior art keywords
classification model
support vector
vector machine
insulated metal
enclosed switchgear
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
Application number
CN202111448631.6A
Other languages
English (en)
Inventor
李�杰
孙承海
孙艳迪
孙景文
师伟
张丕沛
汪鹏
王江伟
李秀卫
任敬国
辜超
姚金霞
徐冉
冯新岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111448631.6A priority Critical patent/CN114414951A/zh
Publication of CN114414951A publication Critical patent/CN114414951A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/1254—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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本公开提供了一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统，包括获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断；该方法基于SVMs二分类和多分类算法，实现GIS绝缘缺陷的智能识别，提高GIS局部放电检测系统的智能化水平。

Description

气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统
技术领域
本公开属于GIS绝缘缺陷故障诊断技术领域，具体涉及一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
气体绝缘金属封闭开关设备(GAS insulated SWITCHGEAR，GIS)是电力系统中非常重要的设备，将母线、断路器、隔离开关、接地开关、避雷器、电压互感器、电流互感器、连接管和过渡元件等单元密闭在一个接地的金属罐体中并充以具有良好的绝缘性能和灭弧能力的SF6气体即构成GIS设备；由于GIS在电网中应用的广泛性及其重要程度，它的运行情况与整个电网能否正常安全工作息息相关。对GIS局部放电进行在线监测则可以在掌握其绝缘情况的同时可以避免停运带来的负面影响，并且在不停运的状态下检测更能够表征GIS当前的绝缘状态，对于保证整个电力系统的安全稳定运行具有重要意义。
但是，基于目前的GIS故障诊断中，将SVMs引入到GIS故障诊断中，但是基于SVMs进行GIS故障诊断，在参数选择方面存在一定的盲目性，导致了基于SVMs的GIS绝缘故障诊断方法的精准度不足。
发明内容
为了解决上述问题，本公开提出了一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统，本公开将SVMs引入到GIS故障诊断中，采用K均值聚类算法(K-meansclustering，KMC)对故障样本进行预选取，有效地提取了支持向量个数；同时，利用混沌优化减小了SVMs参数选择的盲目性，提高了诊断模型的推广能力。实例分析表明，该方法在GIS故障诊断中具有很好的适应性。
根据一些实施例，本公开的第一方案提供了一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法，采用如下技术方案：
一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法，包括：
获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
根据一些实施例，本公开的第二方案提供了一种气体绝缘金属封闭开关设备绝缘缺陷诊断系统，采用如下技术方案：
一种气体绝缘金属封闭开关设备绝缘缺陷诊断系统，包括：
信号采集模块，被配置为获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
分类模型构建模块，被配置为根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
分类模型优化模块，被配置为基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
绝缘缺陷诊断模块，被配置为获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开本将SVMs引入到GIS故障诊断中，采用K均值聚类算法(K-meansclustering，KMC)对故障样本进行预选取，有效地提取了支持向量个数；同时，混沌优化减小了SVMs参数选择的盲目性，提高了诊断模型的推广能力。实例分析表明，该方法在GIS故障诊断中具有很好的适应性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法的流程图；
图2是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法实验布置示意图；
图3是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法的GIS局部放电仿真平台结构图；
图4(a)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中内部放电模型结构示意图；
图4(b)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中悬浮放电模型结构示意图；
图4(c)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中尖端放电模型结构示意图；
图4(d)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中沿面放电模型结构示意图；
图5(a)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中UHF信号中最大放电幅值统计图谱；
图5(b)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中UHF信号中放电幅值统计图谱；
图5(c)是本公开实施例一所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法中UHF信号中放电重复率统计图谱。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例提供了一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。本实施例中，该方法包括以下步骤：
步骤S1：获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
步骤S2：根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
步骤S3：基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
步骤S4：获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
具体地，在获取完典型缺陷类型对应的就不放电信号后，还包括：
将局放信号进行归一化做成灰度图，提取其图像特征参数作为训练、测试样本的数据集。
步骤S1：所述获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号，包括：
设计四种气体绝缘金属封闭开关设备GIS典型绝缘缺陷类型；
采集各种GIS典型绝缘缺陷对应的局部放电信号。
首先，采用自行设计的220kVGIS实体模型，整个设备长5m，高4.15m，实验示意图和GIS结构图分别如图2和图3所示：
其次，有GIS内部出现的局部放电设计了4种典型的放电模型：尖端放电、内部放电、悬浮放电和沿面放电，相关结构如图4所示(1,9,4,13均表示高压电极；2,3,7,12,15均表示低压电极；5,6,8,11,14均表示环氧树脂；10表示铜柱)：
其中，尖端放电模型采用针电极曲率半径为0.5mm，锥角30°，尖长15mm，上下极间距设定10mm；；对于悬浮放电模型，电极间距为10mm，地电极放直径100mm，厚5mm的环氧树脂板，板上面在边缘处设置直径10mm，高10mm的铜柱；内部放电模型，电极采用厚3mm的环氧树脂板，同时采用1mm的树脂板作为两极间绝缘，其上开有直接
Figure BDA0003384733880000074
的圆孔沿面放电模型，两个板电极之间纵向放置一个直径10mm，长10mm的环氧树脂棒。所有电极均采用细砂纸打磨光滑，尽可能消除了表面不光滑引起的放电干扰。
根据实验获取的UHF信号，得到了局部放电次数N、总放电量QT、最大放电量Qmax等统计参数，相关参数计算如下：
Figure BDA0003384733880000071
Figure BDA0003384733880000072
其中qi为t时间段内第i次UHF放电脉冲的放电幅值，根据统计参数法得到2维UHF特征参数统计图谱，如图5所示。这些统计图谱可以充分反映放电的分布特性，并且隐含放电参数之间的内在联系。根据这些统计图谱，可以提取出反映GIS局部放电状态的特征参数。
针对GIS局部放电模式识别的需求，最终选择局部放电UHF信号中最大放电幅值相位分布Qmax(Φ)、放电重复率相位分布N(Φ)及局部放电幅值分布Q三个不同二维图谱，分别提取出包括局部峰个数P、偏斜度S、放电量因数R、陡峭度K、相位中值M、相位不对称度B、互相关系数C共26个统计算子，这些统计参数从不同角度描述谱图特性，同时为了消除量纲的影响，各个参数均采用了标准化处理。各特征参数对应关系如表1所示。
表1统计参数表
Figure BDA0003384733880000073
Figure BDA0003384733880000081
注：“+”和“－”分别代表放电正负半周。
在步骤S2中，根据典型缺陷类型对应的局部放电信号训练支持向量机分类模型，得到训练好的支持向量机分类模型，包括：
根据典型缺陷类型对应的局部放电信号构建M个训练集；
使用SVM二值分类算法对M个训练集进行学习，得到M个分类器；
采用投票决策法确定训练好的支持向量机分类模型。
GIS故障诊断属于多值分类问题。多值分类(k分类，k>2)是以二值分类为基础的。设有k类训练数据，这k类数据两两组合，共可构建M＝Cm 2＝k(k-1)/2个训练集，分别使用SVM二值分类算法对这M个训练集进行学习，产生M个分类器。当决定样本x所属类别时，采用投票决策法，其主要思想是用所有的k(k-1)/2个分类器对x进行分类，在第m类和第n类之间分类时，若该分类器判断x属于m类，则m类的票数加1，否则n类的票数加1。最后将x归为得票数最多的那一类。
分类函数为
Figure BDA0003384733880000091
式中xi为样本，yi为所属类别，αi为拉格朗日系数最优解，b为分类阈值，K表示核函数；
本文采用高斯径向基核函数，表达式为(其中σ是核宽度参数)：
Figure BDA0003384733880000092
惩罚因子C和核宽度σ对SVMs分类器诊断和泛化能力有很大的影响。只有合理选择参数，才能得到满意的诊断精度。一般最佳参数可通过交叉验证或网格搜索方法实现。前者非常耗时，后者需要人为设定参数的取值范围，识别效果随机性较大。本文采用鲁棒性较好的混沌优化算法来实现SVMs最佳参数选择。
混沌运动具有遍历性、随机性、“规律性”等特点。由于混沌运动可在一定范围内不重复地经历所有状态，使其成为一种十分有效地搜索工具。
在步骤S3中，所述基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型，包括：
以故障误判率最小为目标，构建优化目标函数；
求解目标函数的惩罚因子和核宽度的解；
基于混沌优化算法迭代优化搜索；
得出目标函数的惩罚因子和核宽度的最优解；
根据目标函数的惩罚因子和核宽度的最优解，优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型。
以故障误判率E来估计SVMs分类器的性能，作为混沌优化算法的目标函数。设惩罚因子C和核宽度σ为变量z1、z2，则
minE(z1,z2)(a1≤z1≤b1,a2≤z2≤b2) (5)
其中，E为故障误判率，a1是变量z1的拉格朗日系数最优解，b1是变量z1的拉格朗日分类阈值，a2是变量z2的拉格朗日系数最优解，b2是z2的拉格朗日分类阈值；
由Logistic映射产生混沌序列：
x(n+1)＝kx(n)(1-x(n))(0≤x(n)≤1,0≤k≤4) (6)
x代表混沌函数，n代表自然数1,2,……,n；当k＝4时，系统处于完全混沌状态。
基于混沌优化算法寻找(z1,z2)最优组合的步骤如下：
(1)初始化n＝0，
Figure BDA0003384733880000101
Figure BDA0003384733880000102
x*＝x(0)，当前最优目标函数值E*初始化为一个较大正数；
Figure BDA0003384733880000103
是z1的最优解；
Figure BDA0003384733880000104
是z2的最优解；x*是混沌函数x的最优解；
(2)将x(n)映射到优化变量z1和z2的取值区间：
zi(n)＝ai+(bi-ai)xi(n),i＝1,2 (7)
(3)优化搜索，若E(zi(n))≤E*，则E*＝E(zi(n))，
Figure BDA0003384733880000105
Figure BDA0003384733880000106
否则继续；
(4)n＝n+1,xi(n+1)＝kxi(n)(1-xi(n))；
(5)重复步骤(2)～(4)，直到达到最大迭代次数，则
Figure BDA0003384733880000107
为当前最优解。
综上，可得到诊断方法如下：
(1)对原始样本的4种气体浓度进行归一化处理，减小数据的分散性；
(2)通过提取训练样本集中可能成为支持向量的样本作为SVMs分类器的输入特征向量，混沌优化SVMs参数，建立CSVMs分类模型；
(3)利用已建好的CSVMs分类器对测试样本进行诊断分类。
实施例二
本实施例提供了一种气体绝缘金属封闭开关设备绝缘缺陷诊断系统
信号采集模块，被配置为获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
分类模型构建模块，被配置为根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
分类模型优化模块，被配置为基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
绝缘缺陷诊断模块，被配置为获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，包括：
获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
2.如权利要求1所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，所述获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号，包括：
设计四种气体绝缘金属封闭开关设备GIS典型绝缘缺陷类型；
采集各种GIS典型绝缘缺陷对应的局部放电信号。
3.如权利要求2所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，所述获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号，还包括：
将局放信号进行归一化做成灰度图，提取其图像特征参数构建训练样本数据集以及测试样本的数据集。
4.如权利要求1所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，所述根据典型缺陷类型对应的局部放电信号训练支持向量机分类模型，得到训练好的支持向量机分类模型，包括：
根据典型缺陷类型对应的局部放电信号构建M个训练集；
使用SVM二值分类算法对M个训练集进行学习，得到M个分类器；
采用投票决策法确定训练好的支持向量机分类模型。
5.如权利要求1所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，所述基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型，包括：
以故障误判率最小为目标，构建优化目标函数；
求解目标函数的惩罚因子和核宽度的解；
基于混沌优化算法迭代优化搜索；
得出目标函数的惩罚因子和核宽度的最优解；
根据目标函数的惩罚因子和核宽度的最优解，优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型。
6.如权利要求5所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，设惩罚因子C和核宽度σ为变量z1、z2，则所述优化目标函数为：
minE(z1,z2)(a1≤z1≤b1,a2≤z2≤b2)；
其中，E为故障误判率，a1是变量z1的拉格朗日系数最优解，b1是变量z1的拉格朗日分类阈值，a2是变量z2的拉格朗日系数最优解，b2是z2的拉格朗日分类阈值。
7.如权利要求5所述的气体绝缘金属封闭开关设备绝缘缺陷诊断方法，其特征在于，所述基于混沌优化算法迭代优化搜索的步骤如下：
步骤(1)：初始化n＝0，
Figure FDA0003384733870000021
x*＝x(0)＝0.4，当前最优目标函数值E*初始化为一个较大正数；
Figure FDA0003384733870000031
是z1的最优解；
Figure FDA0003384733870000032
是z2的最优解；x*是混沌函数x的最优解；
步骤(2)：将x(n)映射到优化变量z1和z2的取值区间：
zi(n)＝ai+(bi-ai)xi(n),i＝1,2；
步骤(3)：优化搜索，若E(zi(n))≤E*，则E*＝E(zi(n))，
Figure FDA0003384733870000033
否则继续；
步骤(4)：n＝n+1,xi(n+1)＝kxi(n)(1-xi(n))；
步骤(5)：重复步骤(2)～(4)，直到达到最大迭代次数，则
Figure FDA0003384733870000034
为当前最优解。
8.一种气体绝缘金属封闭开关设备绝缘缺陷诊断系统，其特征在于，包括：
信号采集模块，被配置为获取气体绝缘金属封闭开关设备典型绝缘缺陷类型对应的局部放电信号；
分类模型构建模块，被配置为根据典型缺陷类型对应的局部放电信号作训练支持向量机分类模型，得到训练好的支持向量机分类模型；
分类模型优化模块，被配置为基于混沌优化算法优化训练好的支持向量机分类模型，得到最终的支持向量机分类模型；
绝缘缺陷诊断模块，被配置为获取气体绝缘金属封闭开关设备局部放电信号，基于最终的支持向量机分类模型进行绝缘缺陷故障诊断。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种气体绝缘金属封闭开关设备绝缘缺陷诊断方法中的步骤。
CN202111448631.6A 2021-11-30 2021-11-30 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 Pending CN114414951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111448631.6A CN114414951A (zh) 2021-11-30 2021-11-30 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111448631.6A CN114414951A (zh) 2021-11-30 2021-11-30 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统

Publications (1)

Publication Number Publication Date
CN114414951A true CN114414951A (zh) 2022-04-29

Family

ID=81266509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111448631.6A Pending CN114414951A (zh) 2021-11-30 2021-11-30 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114414951A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546533A (zh) * 2022-08-31 2022-12-30 日照东方电机有限公司 一种永磁电机定子绕组绝缘处理的方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546533A (zh) * 2022-08-31 2022-12-30 日照东方电机有限公司 一种永磁电机定子绕组绝缘处理的方法及系统

Similar Documents

Publication Publication Date Title
CN110346142B (zh) 基于无监督特征对齐的变负载下滚动轴承故障诊断方法
CN109145961B (zh) 一种非结构化局部放电数据的模式识别方法及系统
US20230300159A1 (en) Network traffic anomaly detection method and apparatus, and electronic apparatus and storage medium
CN104155585A (zh) 基于gk模糊聚类的gis局部放电类型识别方法
CN103076547A (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
Xu et al. Bearing performance degradation assessment based on ensemble empirical mode decomposition and affinity propagation clustering
CN112085111B (zh) 一种负荷辨识方法和装置
CN108805174A (zh) 聚类方法及装置
CN112069930A (zh) 提升gis设备故障诊断准确率的振动信号处理方法及装置
CN114254668A (zh) 基于绝缘开关设备放电信号的故障检测方法和装置
CN110633870A (zh) 一种谐波预警方法、谐波预警装置及终端设备
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN116126947B (zh) 应用于企业管理系统的大数据分析方法及系统
CN117093894A (zh) 一种基于神经网络的局部放电建模分析方法、系统和装置
CN114414951A (zh) 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统
Gao et al. Pattern recognition of unknown partial discharge based on improved SVDD
CN116610983A (zh) 空气净化控制系统的异常分析方法及系统
Gao et al. Particle swarm optimization based RVM classifier for non-linear circuit fault diagnosis
CN116885711A (zh) 一种风电功率预测方法、装置、设备和可读存储介质
CN114818830A (zh) 一种基于图谱的放电类型识别方法、装置、设备及介质
CN113627514A (zh) 知识图谱的数据处理方法、装置、电子设备和存储介质
Le et al. A theoretical framework for multi-sphere support vector data description
US11623767B2 (en) Relational time-series classification method and system for corrosion maintenance dispatch
CN117538760B (zh) 一种铅酸蓄电池参数辨识方法及相关装置
CN114724090B (zh) 行人再识别模型的训练方法、行人再识别方法及装置

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