CN114861699A - 一种基于改进anfis的局部放电诊断方法 - Google Patents

一种基于改进anfis的局部放电诊断方法 Download PDF

Info

Publication number
CN114861699A
CN114861699A CN202210237565.6A CN202210237565A CN114861699A CN 114861699 A CN114861699 A CN 114861699A CN 202210237565 A CN202210237565 A CN 202210237565A CN 114861699 A CN114861699 A CN 114861699A
Authority
CN
China
Prior art keywords
anfis
layer
rule
partial discharge
wavelet transform
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
CN202210237565.6A
Other languages
English (en)
Inventor
赵廷志
冯新岩
毛琨
孙佑飞
张海杰
卢志海
崔勇
王晓亮
张明兴
李承振
王文森
刘晗
史伟波
薛帅
丁晶
陈健
石璐
杜滨洋
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.)
Super High Voltage Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Original Assignee
Super High Voltage Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
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 Super High Voltage Co Of State Grid Shandong Electric Power Co, State Grid Corp of China SGCC filed Critical Super High Voltage Co Of State Grid Shandong Electric Power Co
Priority to CN202210237565.6A priority Critical patent/CN114861699A/zh
Publication of CN114861699A publication Critical patent/CN114861699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于改进ANFIS的局部放电诊断方法，涉及GIS绝缘检测技术领域，首先利用网格划分方法根据训练样本的维数和隶属函数的数目和类型初始化前后参数，推出模糊推理规则，然后利用样本数据进行训练，采用的是反向传播法和最小二乘法的混合算法，进而得到识别系统结构参数，由实验获得的样本数据，需要进行一系列的处理才能得到具体的模式识别结果，本发明提出的方法可以有效地进行分类、识别；并且ANFIS兼顾了神经网络和模糊推理逻辑的优点，是两者的结合和提高。

Description

一种基于改进ANFIS的局部放电诊断方法
技术领域
本发明涉及GIS绝缘检测技术领域，具体说是一种基于改进ANFIS的局部放电诊断方法。
背景技术
为了检测气体绝缘开关设备(GIS)绝缘状态，一个有效的方法是局部放电检测。由于不同GIS缺陷模式有不同的放电特征，局放检测方法的应用不仅需要能够采集局放脉冲，还要能够识别缺陷类型。但实际应用中各种GIS缺陷模式的放电数据特征各有不同。除了正确识别放电脉冲之外，局放检测的应用还包括各种PD信号的解读，进而有效识别缺陷的类型。
目前常见的局放识别方法包括支持向量机(SVM)、神经网络、模糊逻辑法等，其中神经网络和模糊逻辑两种方法的应用较为广泛。自适应神经模糊推理系统(ANFIS)是一种将模糊逻辑和神经网络结合的新方法，通过模糊语言、模糊逻辑进行模式识别系统的建模，通过神经网络对模型结构参数进行优化，因此ANFIS继承了两种识别方法的优点。但是目前的局放识别方法，无法针对不同的放电模式，进行有效的分类、识别。
发明内容
为解决上述问题，本发明的目的是提供一种基于改进ANFIS的局部放电诊断方法。
本发明为实现上述目的，通过以下技术方案实现：
一种基于改进ANFIS的局部放电诊断方法，首先利用网格划分方法根据训练样本的维数和隶属函数的数目和类型初始化前后参数，推出模糊推理规则，然后利用样本数据进行训练，采用的是反向传播法和最小二乘法的混合算法，进而得到识别系统结构参数，由实验获得的样本数据，需要进行一系列的处理才能得到具体的模式识别结果，具体包括以下步骤：(1)频谱滤波；(2)小波去噪；(3)提取脉冲；(4)计算统计分布；(5)提取特征参数；(6)PCA算法的特征参数降维处理；(7)训练样本用于训练ANFIS，测试样本用于验证ANFIS性能；(8)输出识别结果。
优选的，ANFIS的模式识别方法采用模糊推理逻辑构造的Sugeno模糊推理系统，通过神经网络自适应学习算法进行参数辨识；具体包括五层结构：第一层是隶属函数层，利用MF模糊输入参数，通过网络函数的形状和参数来学习自动调整；第二层为T范数层，计算每个规则的权重；第三层是归一化层，旨在对每个规则的权重进行归一处理；第四层则用来计算每个规则的权重大小和推理结果；第五层对所有规则的输出加权平均，并输出最终的测试结果。
优选的，第一层是隶属函数层，首先采用MF模糊输入参数，是模糊集的隶属函数，通过网络学习可以对该函数的形状、参数进行调整；
第二层为T范数层，与模糊规则前沿相匹配，通过T范数算子计算每个规则的权重，公式为：
Figure BDA0003542902830000021
第三层是归一化层，可以对每个规则的权重进行归一处理：
Figure BDA0003542902830000022
第四层计算每个规则的输出、权重的大小和推理的结果：
Figure BDA0003542902830000023
第五层进行所有规则的输出进行加权平均，去模糊化的推理结果，并输出最终的推理结果：
Figure BDA0003542902830000024
优选的，采取主成分分析(PCA)来对特征空间进行降维，具体过程包括以下步骤：
①将原始数据按列组成一个样本矩阵，通常对该样本矩阵进行中心化处理，得到中心化样本矩阵；
②求中心化后的样本矩阵的协方差；
③求协方差矩阵的特征值和对应的特征向量；
④将求出的特征值按从大到小的顺序排列，并将其对应的特征向量按此顺序组合成一个映射矩阵，根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；
⑤用映射矩阵对数据进行映射，完成数据降维。
优选的，根据小波变换的原理，监测信号y(t)的自相关函数为
ryy(t,τ)＝rxx(t,τ)+rnn(t,τ)
其小波变换为：
Figure BDA0003542902830000031
其中
Figure BDA0003542902830000032
为由基小波通过a,b伸缩和平移得到的小波系；由Parsevl恒等式得
Figure BDA0003542902830000033
傅立叶变换为
Figure BDA0003542902830000034
可以用y(t)的自相关函数的小波变换代替时—频功率谱，由此可得y(t)的自相关函数ryy的小波变换为
Figure BDA0003542902830000035
由于Wryy反映了信号x(t)的时—频局域化信息，用小波分析信号的局域功率谱，根据局放自相关函数rxx小波变换的模极大值随尺度增大而减小，而白噪的rnn小波变换的模极大值与尺度无关，计算不同尺度下ryy的小波变换模极大值可以找到rnn小波变换模，进而确定出rxx小波变换模极大值。
本发明相比现有技术具有以下优点：
本发明基于改进ANFIS的局部放电诊断方法，提取了局部放电的统计参数，提出了基于ANFIS-PCA的GIS绝缘缺陷诊断方法，将ANFIS系统应用于局部放电的模式识别中。实际测试的结果表明，针对不同的放电模式，本发明提出的方法可以有效地进行分类、识别；并且ANFIS兼顾了神经网络和模糊推理逻辑的优点，是两者的结合和提高。
本发明基于改进ANFIS的局部放电诊断方法，研究了缺陷模型的统计参数特征；高压电晕放电主要分布在负半周；绝缘气隙和悬浮放电的放电间隙介电特性相似，放电的正负半周信号较对称，可以通过半周的偏倚和峰度等来区分；沿面放电半周较不对称。结果表明，自适应神经模糊推理系统能够有效地对实验模拟中的各种放电模式进行分类识别，总体识别率在97％以上，能有效分析通过特高频局放传感器采集的各种GIS绝缘缺陷故障。
本发明基于改进ANFIS的局部放电诊断方法，将频谱滤波、小波去噪、提取脉冲、计算统计分布、提取特征参数、PCA算法的特征参数降维处理进行综合利用，能够更加全面、高效、准确的提取局部放电特征信息。通过滤波和去噪能够有效提取出局部放电的有效信号，通过计算分布和特征参数能够全面的提取局部放电脉冲的特征信息，通过PCA算法的特征参数降维能够去掉冗余特征，提高诊断效率。将这些步骤综合起来能够更加全面的实现局部放电的诊断，目前技术大多是仅针对其中一步进行分析应用，而本专利将起综合利用，提高了整体的效果。
附图说明
图1为故障诊断系统架构图；
图2为ANFIS结构组成示意图；
图3为高压电晕放电缺陷二维统计图谱；
图4为绝缘气隙放电缺陷二维统计图谱；
图5为悬浮电极缺陷二维统计图谱；
图6为沿面放电缺陷二维统计图谱。
具体实施方式
本发明的目的是提供一种基于改进ANFIS的局部放电诊断方法，以下结合具体实施例对本发明进行论述：
实施例1
一种基于改进ANFIS的局部放电诊断方法，首先利用网格划分方法根据训练样本的维数和隶属函数的数目和类型初始化前后参数，推出模糊推理规则，然后利用样本数据进行训练，采用的是反向传播法和最小二乘法的混合算法，进而得到识别系统结构参数，由实验获得的样本数据，需要进行一系列的处理才能得到具体的模式识别结果，如图1所示，具体包括以下步骤：(1)频谱滤波；(2)小波去噪；(3)提取脉冲；(4)计算统计分布；(5)提取特征参数；(6)PCA算法的特征参数降维处理；(7)训练样本用于训练ANFIS，测试样本用于验证ANFIS性能；(8)输出识别结果。
ANFIS的模式识别方法采用模糊推理逻辑构造的Sugeno模糊推理系统，通过神经网络自适应学习算法进行参数辨识；具体包括五层结构：如图2所示，第一层是隶属函数层，利用MF模糊输入参数，通过网络函数的形状和参数来学习自动调整；第二层为T范数层，计算每个规则的权重；第三层是归一化层，旨在对每个规则的权重进行归一处理；第四层则用来计算每个规则的权重大小和推理结果；第五层对所有规则的输出加权平均，并输出最终的测试结果；具体的：
第一层是隶属函数层，首先采用MF模糊输入参数，是模糊集的隶属函数，通过网络学习可以对该函数的形状、参数进行调整；
第二层为T范数层，与模糊规则前沿相匹配，通过T范数算子计算每个规则的权重，公式为：
Figure BDA0003542902830000051
第三层是归一化层，可以对每个规则的权重进行归一处理：
Figure BDA0003542902830000061
第四层计算每个规则的输出、权重的大小和推理的结果：
Figure BDA0003542902830000062
第五层进行所有规则的输出进行加权平均，去模糊化的推理结果，并输出最终的推理结果：
Figure BDA0003542902830000063
可以采取主成分分析(PCA)来对特征空间进行降维，具体过程包括以下步骤：
①将原始数据按列组成一个样本矩阵，通常对该样本矩阵进行中心化处理，得到中心化样本矩阵；
②求中心化后的样本矩阵的协方差；
③求协方差矩阵的特征值和对应的特征向量；
④将求出的特征值按从大到小的顺序排列，并将其对应的特征向量按此顺序组合成一个映射矩阵，根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；
⑤用映射矩阵对数据进行映射，完成数据降维。
可以根据小波变换的原理，监测信号y(t)的自相关函数为
ryy(t,τ)＝rxx(t,τ)+rnn(t,τ)
其小波变换为：
Figure BDA0003542902830000064
其中
Figure BDA0003542902830000065
为由基小波通过a,b伸缩和平移得到的小波系；由Parsevl恒等式得
Figure BDA0003542902830000071
傅立叶变换为
Figure BDA0003542902830000072
可以用y(t)的自相关函数的小波变换代替时—频功率谱，由此可得y(t)的自相关函数ryy的小波变换为
Figure BDA0003542902830000073
由于Wryy反映了信号x(t)的时—频局域化信息，用小波分析信号的局域功率谱，根据局放自相关函数rxx小波变换的模极大值随尺度增大而减小，而白噪的rnn小波变换的模极大值与尺度无关，计算不同尺度下ryy的小波变换模极大值可以找到rnn小波变换模，进而确定出rxx小波变换模极大值。
以下为上述方法的应用过程和结果分析。
一、局放信号特征参数
利用随机方法在样本中抽取大量数据，通过提取特征值并取平均，可以得到20个特征参数的典型值大小。计算同一特征参数在不同放电模型下的标准差，结果如表1所示。另外，在实际计算中我们发现，如果有效PD数据未检测出提取脉冲的数目，则一些参数的计算结果将毫无意义，如SK、Ku、cc等。因此，为了便于计算和讨论，对无法有效提取的信号样本的相关特征参数重置为零。
可以得到二维统计图谱，包括最大放电量-相位分布、平均放电量-相位分布、正负半周的放电次数-放电量分布图谱、放电次数-相位分布等。四种典型缺陷模型包括高压电晕放电、绝缘气隙放电、悬浮电极放电以及沿面放电，高压电晕放电缺陷二维统计图谱分别如图3所示，绝缘气隙放电缺陷二维统计图谱分别如图4所示，悬浮电极缺陷二维统计图谱分别如图5所示，沿面放电缺陷二维统计图谱分别如图6所示，四种绝缘缺陷模型局放特征参数的典型值结果如表1所示。
表1四种绝缘缺陷模型局放特征参数的典型值
Figure BDA0003542902830000081
由表1的结果可以看出：
(1)大部分高压电晕放电的局放脉冲发生在负半周，进而造成在一个半周内相位分布的特征参数始终为0，ASM绝对值始终为1，这也说明了放电在正负半周的分布是不对称的，与其他放电模型明显不同。
(2)绝缘空气间隙放电的ASM绝对值最小，几乎为0；cc最大，几乎为1。因此，正负半周分布的对称性最强，相关性最强。由于绝缘气隙两端的介电特性是相似的，所以两端承受正向或反向电压放电的特性更加一致。
(3)悬浮电极放电相位分布的Asm绝对值也较小，为0.24、0.13及-0.07，由于悬浮金属块位于高压端和接地屏蔽之间，而与两者均不相连，所以其正负半周的放电特性也比较对称，可通过Ku+、Ku、Sk+、Sk-等与绝缘气隙模型区分。
(4)沿面放电平均放电量的Asm为0.75，最大放电量的Asm为0.77，放电次数相位分布的Asm为-0.33。其特点是正半周放电幅值大，放电频率小，负半周放电幅值小，放电频率多，不对称性更明显。
二、识别结果分析
由特高频局放传感器采集到的每个样本数据是连续收集40个工频周期采集到的，每个缺陷模型收集100个样本。每组样本数据均提取上述的20个特征，并用PCA进行参数优化。从数据样本中随机抽取50组用作训练样本，以训练放电模式识别系统；剩下的50组用作测试样本，以验证识别系统的性能。
根据特征参数的选取，采用栅格分割法构造ANFIS系统的参数化模型。第一层模糊过程的模糊隶属度给出了两个高斯隶属函数。第四层计算加权隶属度和输入变量的线性和。经过PCA处理后取前4个主元参数作为ANFIS的系统输入。训练过程的迭代次数取200次。
为了方便实现，用代数表示放电模式的结果，即高压电晕、绝缘空气间隙，悬浮放电以及沿面放电用1到4表示。对特征参数和相应的代码训练ANFIS。训练结束后，用测试样本进行检验。由于测试结果可能存在小数，因此结果被舍入规整到1～4值代码，得到数据的模式识别结果，当推理结果超出设定的取值代码范围，则辨识结果为“未知”放电类型。测试样本的识别结果如表2所示。
表2缺陷模式识别结果
Figure BDA0003542902830000091
Figure BDA0003542902830000101
从表2结果可以看出，高压电晕、绝缘气隙和悬浮放电的识别率高达98％以上，沿面放电的识别率可达92％，总体识别精度为97％。根据测试样本的分析结果，可以看出基于ANFIS的缺陷模式识别系统能够有效实现几种主要放电类型的区分。
本技术将频谱滤波、小波去噪、提取脉冲、计算统计分布、提取特征参数、PCA算法的特征参数降维处理进行综合利用，能够更加全面、高效、准确的提取局部放电特征信息。通过滤波和去噪能够有效提取出局部放电的有效信号，通过计算分布和特征参数能够全面的提取局部放电脉冲的特征信息，通过PCA算法的特征参数降维能够去掉冗余特征，提高诊断效率。将这些步骤综合起来能够更加全面的实现局部放电的诊断，目前技术大多是仅针对其中一步进行分析应用，而本专利将起综合利用，提高了整体的效果。

Claims (5)

1.一种基于改进ANFIS的局部放电诊断方法，其特征在于：首先利用网格划分方法根据训练样本的维数和隶属函数的数目和类型初始化前后参数，推出模糊推理规则，然后利用样本数据进行训练，采用的是反向传播法和最小二乘法的混合算法，进而得到识别系统结构参数，由实验获得的样本数据，需要进行一系列的处理才能得到具体的模式识别结果，具体包括以下步骤：
(1)频谱滤波；(2)小波去噪；(3)提取脉冲；(4)计算统计分布；(5)提取特征参数；(6)采用主成分分析算法的特征参数降维处理；(7)训练样本用于训练ANFIS，测试样本用于验证ANFIS性能；(8)输出识别结果。
2.根据权利要求1所述的一种基于改进ANFIS的局部放电诊断方法，其特征在于：ANFIS的模式识别方法采用模糊推理逻辑构造的Sugeno模糊推理系统，通过神经网络自适应学习算法进行参数辨识；具体包括五层结构：第一层是隶属函数层，利用MF模糊输入参数，通过网络函数的形状和参数来学习自动调整；第二层为T范数层，计算每个规则的权重；第三层是归一化层，旨在对每个规则的权重进行归一处理；第四层则用来计算每个规则的权重大小和推理结果；第五层对所有规则的输出加权平均，并输出最终的测试结果。
3.根据权利要求2所述的一种基于改进ANFIS的局部放电诊断方法，其特征在于：所述隶属函数层，首先采用MF模糊输入参数，是模糊集的隶属函数，通过网络学习可以对该函数的形状、参数进行调整；
所述T范数层，与模糊规则前沿相匹配，通过T范数算子计算每个规则的权重，公式为：
Figure FDA0003542902820000011
所述归一化层，对每个规则的权重进行归一处理：
Figure FDA0003542902820000021
用来计算每个规则的权重大小和推理结果时采用的公式为：
Figure FDA0003542902820000022
对所有规则的输出加权平均，并输出最终的测试结果采用的公式为：
Figure FDA0003542902820000023
4.根据权利要求1所述的一种基于改进ANFIS的局部放电诊断方法，其特征在于：采用主成分分析算法的特征参数降维处理，具体包括以下步骤：
①将原始数据按列组成一个样本矩阵，通常对该样本矩阵进行中心化处理，得到中心化样本矩阵；
②求中心化后的样本矩阵的协方差；
③求协方差矩阵的特征值和对应的特征向量；
④将求出的特征值按从大到小的顺序排列，并将其对应的特征向量按此顺序组合成一个映射矩阵，根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；
⑤用映射矩阵对数据进行映射，完成数据降维。
5.根据权利要求1所述的一种基于改进ANFIS的局部放电诊断方法，其特征在于：步骤(2)中小波去噪包括以下步骤：
根据小波变换的原理，监测信号y(t)的自相关函数为
ryy(t,τ)＝rxx(t,τ)+rnn(t,τ)
其小波变换为：
Figure FDA0003542902820000031
其中
Figure FDA0003542902820000032
为由基小波通过a,b伸缩和平移得到的小波系；由Parsevl恒等式得
Figure FDA0003542902820000033
傅立叶变换为
Figure FDA0003542902820000034
可以用y(t)的自相关函数的小波变换代替时—频功率谱，由此可得y(t)的自相关函数ryy的小波变换为
Figure FDA0003542902820000035
由于Wryy反映了信号x(t)的时—频局域化信息，用小波分析信号的局域功率谱，根据局放自相关函数rxx小波变换的模极大值随尺度增大而减小，而白噪的rnn小波变换的模极大值与尺度无关，计算不同尺度下ryy的小波变换模极大值可以找到rnn小波变换模，进而确定出rxx小波变换模极大值。
CN202210237565.6A 2022-03-11 2022-03-11 一种基于改进anfis的局部放电诊断方法 Pending CN114861699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237565.6A CN114861699A (zh) 2022-03-11 2022-03-11 一种基于改进anfis的局部放电诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237565.6A CN114861699A (zh) 2022-03-11 2022-03-11 一种基于改进anfis的局部放电诊断方法

Publications (1)

Publication Number Publication Date
CN114861699A true CN114861699A (zh) 2022-08-05

Family

ID=82627295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237565.6A Pending CN114861699A (zh) 2022-03-11 2022-03-11 一种基于改进anfis的局部放电诊断方法

Country Status (1)

Country Link
CN (1) CN114861699A (zh)

Similar Documents

Publication Publication Date Title
CN109685138B (zh) 一种xlpe电力电缆局部放电类型识别方法
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN109948597B (zh) 一种高压断路器机械故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
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
CN109085468A (zh) 一种电缆局部放电绝缘缺陷的识别方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
Zaro et al. Power quality detection and classification using S-transform and rule-based decision tree
CN106326918A (zh) 一种变压器局部放电超高频信号多尺度能量特征线性识别方法
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
CN108919067A (zh) 一种用于gis局部放电模式的识别方法
CN110702966B (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN116559650A (zh) 一种基于多维熵距的自动转换开关故障识别方法
Kumar et al. Classification of power quality events using support vector machine and S-Transform
Zhu et al. Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework
CN114021424A (zh) 一种基于pca-cnn-lvq的电压暂降源识别方法
Du et al. Feature extraction and pattern recognition algorithm of power cable partial discharge signal
CN112636328B (zh) 一种中压配电网设备负荷状态辨识方法
CN117454081A (zh) 一种机械振动信号的去噪处理方法及装置
CN114065824B (zh) 一种对局部放电信号类型快速识别的方法
CN114861699A (zh) 一种基于改进anfis的局部放电诊断方法

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