CN115828984A - 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 - Google Patents
基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 Download PDFInfo
- Publication number
- CN115828984A CN115828984A CN202211673321.9A CN202211673321A CN115828984A CN 115828984 A CN115828984 A CN 115828984A CN 202211673321 A CN202211673321 A CN 202211673321A CN 115828984 A CN115828984 A CN 115828984A
- Authority
- CN
- China
- Prior art keywords
- sparrow
- intermittent discharge
- parameters
- random forest
- 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
Images
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于SSA和RF的GIS内部间歇性放电模式识别系统及方法,获取GIS内部间歇性放电信号的PRPD二维图谱并提取其特征参数;对特征参数进行降维处理,并提取贡献度设定阈值以上的主成分构成特征向量组;利用麻雀算法寻找最优参数,获得麻雀算法优化的随机森林;采用训练样本集特征向量组对随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型,并对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。本发明通过麻雀搜索算法优化了随机森林算法中的学习参数,解决了传统随机森林算法参数难以选择的问题,可以更加准确、高效地对GIS内部间歇性放电故障类型进行识别。
Description
技术领域
本发明属于电力装备故障类型识别领域,更具体来说是一种基于SSA和RF的GIS内部间歇性放电模式识别系统、方法、电子设备及介质。
背景技术
气体绝缘组合电器(GIS)由于其绝缘性能优良、占地面积小、维护工作量小、环境适应能力强等优点,不仅在高压、超高压领域被广泛应用,而且在特高压领域也被使用,与常规敞开式变电站相比,其主要部件的维修间隔不小于20年,因而多用在发电厂的升压站,替代传统的变电站开关设备,将电能输送到输电线路上,虽然GIS被普遍认为是少维护甚至是免维护的,但根据GIS几十年的运行经验,其在制造、运输、安装、检修和运行等过程中,内部不可避免地会出现一些绝缘缺陷,如导体上的金属毛刺、部件松动或接触不良、导体与支撑绝缘子剥离形成的气隙、检修后的遗留物以及腔体内的金属微粒等,这些绝缘缺陷在长期运行过程中会逐渐劣化,当达到一定程度时会导致设备内部发生局部放电。一方面,局部放电会加快对设备内部绝缘的进一步破坏,最终导致绝缘故障造成停电事故,而针对特高压GIS内部间歇性放电现象,公司组织技术专家进行设备解体与故障分析,项目牵头单位国网电力科学研究院参与了其中部分特高压站的故障分析,认为间歇性放电是导致误报和漏报的原因,为了有效保证GIS安全稳定运行,需提出GIS间歇性放电故障诊断技术,保障GIS间歇性放电故障有效诊断以及设备的安全可靠运行。
随着人工智能技术的发展,现有技术有利用机器学习算法用于识别GIS局部放电模式,其中最具代表性的如人工神经网络、支持向量机,还有集成算法的预测模型,如以bagging集成为代表的随机森林模型在油中溶解气体的预测上有着较高的精度,机器学习算法强大的非线性拟合能力而被广泛的运用在局部放电模式识别当中,但现有的模式识别方法中的学习参数需要人为确定,这就会导致需要大量时间去选取学习参数,如果选取的不恰当容易出现过拟合或局部最优解等问题。
发明内容
针对现有技术的不足,本发明提出了一种基于SSA和RF的GIS内部间歇性放电模式识别系统及方法,以解决GIS内部间歇性放电故障类型识别问题。
为实现此目的,本发明所设计的基于SSA和RF的GIS内部间歇性放电模式识别系统,包括图谱获取模块、特征参数提取模块、特征向量构建模块、随机森林模型构建模块、随机森林模型训练模块和故障诊断模块;所述图谱获取模块用于获取GIS内部间歇性放电信号的二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;所述特征参数提取模块用于提取所述故障样本标签集中各二维图谱的特征参数,将所提取的特征参数输入至故障诊断模块中,所述故障诊断模块判定GIS内部间歇性放电缺陷类型;所述特征向量构建模块对所述特征参数提取模块输出的特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;所述随机森林模型训练模块采用所述训练样本集的特征向量组对麻雀算法优化的随机森林(SSA和RF)模型进行训练,构建最优GIS间歇性放电故障诊断模型;所述故障诊断模块利用所述随机森林模型训练模块构建的最优GIS间歇性放电故障诊断模型对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。
一种基于SSA和RF的GIS内部间歇性放电模式识别方法,它包括如下步骤:
步骤1,获取GIS内部间歇性放电信号的PRPD二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;
步骤2,提取所述故障样本标签集中各二维图谱的特征参数,将所提取的特征参数输入至故障诊断模块中,所述故障诊断模块判定GIS内部间歇性放电缺陷类型;
步骤3,对所述特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;
步骤4,采用所述训练样本集的特征向量组对麻雀算法优化的随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型;
步骤5,利用所述最优GIS间歇性放电故障诊断模型对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。
本发明的有益效果为:本发明利用麻雀搜索算法优化了随机森林学习参数,建立了SSA和RF模型,解决了传统随机森林算法学习参数难以确定的问题,提高了随机森林的精度和效率。
附图说明
图1为本发明系统结构图;
图2为本发明方法流程示意图;
图3为SSA寻优过程图;
其中,1-图谱获取模块、2-特征参数提取模块、3-特征向量构建模块、4-随机森林模型构建模块、5-随机森林模型训练模块和6-故障诊断模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
一种基于SSA和RF的GIS内部间歇性放电模式识别系统,如图1所示,包括图谱获取模块1、特征参数提取模块2、特征向量构建模块3、随机森林模型构建模块4、随机森林模型训练模块5和故障诊断模块6;
所述图谱获取模块1用于获取GIS内部间歇性放电信号的PRPD二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;
所述特征参数提取模块2用于提取所述故障样本标签集中各二维图谱的特征参数并进行归一化处理,将所提取的特征参数输入至故障诊断模块6中,所述故障诊断模块6判定GIS内部间歇性放电缺陷类型;
所述特征向量构建模块3采用主成分分析法对所述特征参数提取模块2输出的特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;本实施方案优选贡献度设定阈值为85%。
所述随机森林模型构建模块4用于初始化麻雀算法参数,构建初始随机森林模型,利用麻雀算法寻找最优参数,获得麻雀算法优化的随机森林;
所述随机森林模型训练模块5采用采用所述训练样本集的特征向量组对所述麻雀算法优化的随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型;
所述故障诊断模块6利用所述随机森林模型训练模块5构建的最优GIS间歇性放电故障诊断模型对测试样本集进行分类处理,并根据全部决策树的投票结果确定最优的分类结果,输出所述测试样本集的分类结果。
所述间歇性放电缺陷类型包括金属污秽、悬浮电极、绝缘子气隙缺陷和金属微粒缺陷。
上述技术方案中,所述二维图谱的特征参数包括偏斜度、陡峭度、峰值个数、互相关系数、放电量因数和相位不对称度。
上述技术方案中,所述随机森林模型构建模块4的具体实现方法为:
步骤4.1,建立初始随机森林模型,设置决策树数量和最大特征数量取值范围;
步骤4.2,初始化麻雀种群参数,设置种群规模Np、最大迭代次数Tmax、交叉验证折数V、发现者比例PD、意识到有危险麻雀的比重SD以及安全阈值ST;
步骤4.3,选择均方误差MSE作为适应度函数,计算每只麻雀适应度f,适应度f越大代表该位置越优,则全局最优位置即为适应度值最大的位置;
步骤4.4,更新发现者位置,每代发现者位置更新公式为:
式中,t是当前的迭代次数;i是第i个麻雀;itermax是最大迭代次数;是在d维的t+1迭代中第i个麻雀的位置;是在d维的t迭代中第i个麻雀的位置;α是(0,1]之间的随机数;Q是正态分布的随机数;R2是警告值;ST是安全值;L是大小为1×d且元素平均值为1的矩阵;
更新加入者位置,加入者位置更新公式为:
式中,Xp表示当前最优位置;xworst表示当前最差位置;Q是正态分布的随机数;i是第i个麻雀;n是麻雀的数量;xi,d表示d维的第i个麻雀的位置;是在d维的t+1迭代中第i个麻雀的位置;在d维的t迭代中第i个麻雀的位置;是t+1次迭代发现者的最佳位置;A是1×d且每一个元素都被赋值为1或者-1的矩阵,且A+=AT(AAT)-1;
更新警戒者位置,警戒者位置更新公式为:
式中,在d维的t+1迭代中第i个麻雀的位置;在d维的t迭代中第i个麻雀的位置;β是一个符合标准正态分布的随机数;xbest表示目前全局最优位置;表示第t次迭代的全局最佳位置;表示第t次迭代全局最差位置;fi表示当前麻雀适应度值;fg表示当前最好适应度值;fw表示当前最差适应度值;K表示[-1,1]的均匀随机数;ε表示一个较小数,防止分母为0;
4.5,根据步骤4.4计算发现者、加入者、警戒者的位置,若发现者、加入者或警戒者的新位置适应度值优于之前的发现者、加入者或警戒者位置,则更新全局最优位置;
4.6,检查是否满足最大迭代次数,如果不满足最大迭代次数则跳到4.4继续执行,如果满足最大迭代次数则输出最优参数。
本实施例还提供一种基于SSA和RF的GIS内部间歇性放电模式识别方法,如图2所示,它包括以下步骤:
步骤1,获取GIS内部间歇性放电信号的PRPD二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;
步骤2,提取所述故障样本标签集中各二维图谱的特征参数,将所提取的特征参数输入至故障诊断模块6中,所述故障诊断模块6判定GIS内部间歇性放电缺陷类型;
步骤3,对所述特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;
步骤4,初始化麻雀算法参数,构建初始随机森林模型,利用麻雀算法寻找最优参数,获得麻雀算法优化的随机森林;
步骤5,采用所述训练样本集的特征向量组对所述麻雀算法优化的随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型;
步骤6,利用所述最优GIS间歇性放电故障诊断模型对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。
本实施例还提供一种电子设备,包括处理器,处理器用于执行程序指令以实现如上述实施例所提供的基于SSA和RF的GIS内部间歇性放电模式识别方法。
本实施例还提供一种存储介质,包括处理器,存储介质中存储有用于实现如上述实施例所提供的基于SSA和RF的GIS内部间歇性放电模式识别方法。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.一种基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于,包括:图谱获取模块(1)、特征参数提取模块(2)、特征向量构建模块(3)、随机森林模型训练模块(5)和故障诊断模块(6);
所述图谱获取模块(1)用于获取GIS内部间歇性放电信号的二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;
所述特征参数提取模块(2)用于提取所述故障样本标签集中各二维图谱的特征参数,将所提取的特征参数输入至故障诊断模块(6)中,以使所述故障诊断模块(6)根据特征参数判定GIS内部间歇性放电缺陷类型;
所述特征向量构建模块(3)对所述特征参数提取模块(2)输出的特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;
所述随机森林模型训练模块(5)采用所述训练样本集的特征向量组对麻雀算法优化的随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型;
所述故障诊断模块(6)利用所述随机森林模型训练模块(5)构建的最优GIS间歇性放电故障诊断模型对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。
2.基于权利要求1所述的基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于:还包括所述随机森林模型构建模块(4),所述随机森林模型构建模块(4)用于初始化麻雀算法参数,构建初始随机森林模型,利用麻雀算法寻找最优参数,获得麻雀算法优化的随机森林。
4.基于权利要求1所述的基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于:
所述间歇性放电缺陷类型包括金属污秽、悬浮电极、绝缘子气隙缺陷和金属微粒缺陷。
5.基于权利要求1所述的基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于:
所述二维图谱的特征参数包括偏斜度、陡峭度、峰值个数、互相关系数、放电量因数和相位不对称度。
6.基于权利要求1所述的基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于:
所述特征向量构建模块(3)进行降维处理所采用的方法为主成分分析法。
7.基于权利要求1所述的基于SSA和RF的GIS内部间歇性放电模式识别系统,其特征在于,所述随机森林模型构建模块(4)的具体实现方法为:
步骤4.1,建立初始随机森林模型,设置初始随机森林模型中决策树的数量和最大特征数量取值范围;
步骤4.2,初始随机森林模型中初始化麻雀种群参数,初始化麻雀种群参数包括种群规模Np、最大迭代次数Tmax、交叉验证折数V、发现者比例PD、意识到有危险麻雀的比重SD以及安全阈值ST;
步骤4.3,选择均方误差MSE作为适应度函数,计算每只麻雀适应度f;
步骤4.4,更新发现者位置,每代发现者位置更新公式为:
式中,t是当前的迭代次数;i是第i个麻雀;itermax是最大迭代次数;是在d维的t+1迭代中第i个麻雀的位置;是在d维的t迭代中第i个麻雀的位置;α是(0,1]之间的随机数;Q是正态分布的随机数;R2是警告值;ST是安全值;L是大小为1×d且元素平均值为1的矩阵;
更新加入者位置,加入者位置更新公式为:
式中,xworst表示当前最差位置;Q是正态分布的随机数;i是第i个麻雀;n是麻雀的数量;xi,d表示d维的第i个麻雀的位置;是在d维的t+1迭代中第i个麻雀的位置;在d维的t迭代中第i个麻雀的位置;是t+1次迭代发现者的最佳位置;A是1×d且每一个元素都被赋值为1或者-1的矩阵,且A+=AT(AAT)-1;
更新警戒者位置,警戒者位置更新公式为:
式中,在d维的t+1迭代中第i个麻雀的位置;在d维的t迭代中第i个麻雀的位置;β是一个符合标准正态分布的随机数;xbest表示目前全局最优位置;表示第t次迭代的全局最佳位置;表示第t次迭代全局最差位置;fi表示当前麻雀适应度值;fg表示当前最好适应度值;fw表示当前最差适应度值;K表示[-1,1]的均匀随机数;ε表示一个较小数,防止分母为0;
4.5,根据步骤4.4计算发现者、加入者、警戒者的位置,若发现者、加入者或警戒者的新位置适应度值优于之前的发现者、加入者或警戒者位置,则更新全局最优位置;
4.6,检查是否满足最大迭代次数,如果不满足最大迭代次数则跳到4.4继续执行,如果满足最大迭代次数则输出最优参数,将利用最优参数调整随机森林模型中的参数,得到所述麻雀算法优化后的随机森林模型。
8.一种利用权利要求1所述系统的基于SSA和RF的GIS内部间歇性放电模式识别方法,其特征在于:它包括以下步骤:
步骤1,获取GIS内部间歇性放电信号的PRPD二维图谱,生成故障样本标签集,并将故障样本标签集分为训练样本集和测试样本集;
步骤2,提取所述故障样本标签集中各二维图谱的特征参数,将所提取的特征参数输入至故障诊断模块(6)中,所述故障诊断模块(6)判定GIS内部间歇性放电缺陷类型;
步骤3,所述特征参数进行降维处理,并从降维处理后的各特征参数选择贡献度设定阈值以上的特征参数作为特征向量组;
步骤4,初始化麻雀算法参数,构建初始随机森林模型,利用麻雀算法寻找最优参数,获得麻雀算法优化的随机森林;
步骤5,采用所述训练样本集的特征向量组对所述麻雀算法优化的随机森林模型进行训练,构建最优GIS间歇性放电故障诊断模型;
步骤6,利用所述最优GIS间歇性放电故障诊断模型对对所述测试样本集进行分类处理,输出所述测试样本集的分类结果。
9.一种电子设备,其特征在于,包括处理器,所述处理器用于执行程序指令以实现如权利要求8所述基于SSA和RF的GIS内部间歇性放电模式识别方法。
10.一种存储介质,其特征在于,所述存储介质中存储有用于实现如权利要求8所述基于SSA和RF的GIS内部间歇性放电模式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673321.9A CN115828984A (zh) | 2022-12-26 | 2022-12-26 | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673321.9A CN115828984A (zh) | 2022-12-26 | 2022-12-26 | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115828984A true CN115828984A (zh) | 2023-03-21 |
Family
ID=85518216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211673321.9A Pending CN115828984A (zh) | 2022-12-26 | 2022-12-26 | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828984A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634991A (zh) * | 2023-11-09 | 2024-03-01 | 北京云泽卓越科技发展有限公司 | 一种行业产业链模型生成方法及系统 |
-
2022
- 2022-12-26 CN CN202211673321.9A patent/CN115828984A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634991A (zh) * | 2023-11-09 | 2024-03-01 | 北京云泽卓越科技发展有限公司 | 一种行业产业链模型生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An automatic detection method of bird’s nest on transmission line tower based on faster_RCNN | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN115828984A (zh) | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 | |
CN108919067A (zh) | 一种用于gis局部放电模式的识别方法 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN115905959B (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN113344406A (zh) | 一种配网台区智能融合终端电能质量监测可靠性评估方法 | |
CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
CN115954910B (zh) | 一种基于能量优化的分布式储能控制方法及系统 | |
CN111814834A (zh) | 一种高压电缆局部放电模式识别方法、计算机设备和存储介质 | |
CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
CN116070140A (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
CN113988205B (zh) | 一种电除尘工况的判定方法及系统 | |
CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
CN114113868A (zh) | 一种变压器故障诊断方法 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
Zhang et al. | GIS Fault Diagnosis Method Based on The Identification of SF 6 Gas Decomposition Product Fault Characteristics | |
CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
CN117708685B (zh) | 一种开关柜潜伏性局放缺陷识别方法及系统 |
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 |