CN116125235B - 基于超声信号的gis局部放电故障诊断方法 - Google Patents
基于超声信号的gis局部放电故障诊断方法 Download PDFInfo
- Publication number
- CN116125235B CN116125235B CN202310399312.3A CN202310399312A CN116125235B CN 116125235 B CN116125235 B CN 116125235B CN 202310399312 A CN202310399312 A CN 202310399312A CN 116125235 B CN116125235 B CN 116125235B
- Authority
- CN
- China
- Prior art keywords
- generalized
- transformation
- partial discharge
- time
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000001052 transient effect Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 9
- 230000004580 weight loss Effects 0.000 claims description 6
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 241000255777 Lepidoptera Species 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000009413 insulation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01R31/1209—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明属于电力设备故障分析技术领域，公开了一种基于超声信号的GIS局部放电故障诊断方法，将GIS局部放电超声信号用基于广义S变换的瞬态提取变换的时频分析方法变换成反映某一频率在不同时间上变化的瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集；通过局部线性嵌入算法对瞬时提取广义S变换时频谱数据集进行降维，得到低维特征数据集；利用改进的蝴蝶算法对LSSVM的超参进行优化，以所得的低维特征数据集为基础，构造PODSBOA‑LSSVM故障诊断模型，对未知的GIS局部放电超声信号进行诊断。本发明采用群延迟提取瞬时提取广义S变换时频谱，去除了干扰信号，增强了识别精度。
Description
技术领域
本发明涉及电力设备故障分析技术领域，具体涉及一种基于超声信号的GIS局部放电故障诊断方法。
背景技术
GIS（气体绝缘组合电器）是电力系统运行的关键环节，但受外界环境的影响以及设备长时间运行，GIS也时有故障发生。当GIS故障并导致电网突发停电，不仅会对生产生活带来巨大损失，严重者甚至会导致人员伤亡，对社会发展造成恶劣影响。由绝缘缺陷引起的GIS故障占比较高，而局部放电是绝缘劣化的重要征兆以及加速绝缘老化的重要原因。
GIS长期在高压环境下运行时，一旦内部产生局部放电，在长期高压环境下易形成绝缘故障，使绝缘性能降低，严重时会造成绝缘击穿。调查表明，大部分GIS故障是可预先发现的，因此前期对局部放电的检测尤为重要。不同的绝缘缺陷产生的局部放电（PD）信号特点不同，通过对不同局部放电（PD）信号进行识别可以判断GIS运行状态。快速准确识别GIS故障类型，有利于GIS长久运行，对实现电网稳定运行具有重要意义。
发明内容
本发明的目的在于提供一种基于超声信号的GIS局部放电故障诊断方法，采用基于广义S变换的瞬态提取变换的时频分析方法，在广义S变换的基础上根据群延时进行瞬态能量提取，利用LLE算法降维，构建改进的PODSBOA-LSSVM诊断模型对GIS局部放电超声信号进行诊断，增强了抗干扰能力，有效提升了变压器故障诊断的准确性。
为了实现上述目的，本发明采用的技术方案是：基于超声信号的GIS局部放电故障诊断方法，包括以下步骤：
S1、将GIS局部放电超声信号用基于广义S变换的瞬态提取变换的时频分析方法变换成反映某一频率在不同时间上变化的瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集；
S2、通过局部线性嵌入（LLE）算法对瞬时提取广义S变换时频谱数据集进行降维，得到低维特征数据集；
S3、利用PODSBOA（改进的蝴蝶算法）对LSSVM的超参进行优化，以所得的低维特征数据集为基础，构造PODSBOA-LSSVM故障诊断模型，对未知的GIS局部放电超声信号进行诊断，输出诊断结果。
特别地，本实施例中，步骤S1的具体过程如下：
S101：对采集到的GIS局部放电超声信号进行数据预处理和广义S变换，得到广义S变换值/>，并对广义S变换值/>求模得到广义S变换的时频谱；
S102：为了针对GIS局部放电高频、瞬时的特性，在时间轴上对GIS局部放电超声信号频率变化进行表征，根据广义S变换值，计算得到群延时：
式中：表示对广义S变换值的频率求偏导，Re为取复数的实部，f为频率，t为时间，τ为时间轴位移参数，i为虚数单位；
S103：去除群延时中混叠的时频系数，只保留在变化能量最大时刻t0的时频系数，得到瞬态提取算子/>：
其中，表示狄拉克函数，其中：
式中：表示窗函数的时间支撑范围，/>表示频率，R+表示正实数；
S104：根据瞬态提取算子从广义S变换值提取得到在时间轴表征频率变化的时频谱矩阵；
式中：表示时频谱矩阵；
S105：对时频谱矩阵进行求模，得到瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集。
特别地，本实施例中，步骤S2的具体过程如下：
S201：设瞬时提取广义S变换时频谱数据集的样本为X={x1,x2,…,xi,…,xN},xi∈RD,其中N代表样本个数，xi代表第i个样本点，i=1,2,…,N，RD代表样本点集合；计算各样本点与其他样本点的欧式距离；
S202：根据欧氏距离的大小进行升序排序，选取与样本点xi离得最近的k个近邻点，组成样本点xi的近邻点集合：Li={xi1,xi2,…, xik}，xik代表样本点xi的第k个近邻点，k<N；
S203：计算权重矩阵W；对于样本X，使用均方差来计算权重损失：
式中： 表示权重损失，/>表示样本点/>的第j个近邻点，j=1,2,…,k，/>表示样本点/>的第j个近邻点的权重；
在的限制条件下使/>取到最小值，从而解出第i个样本点的最优权重向量：/>,T表示矩阵转置，/>代表样本点/>的第k个近邻点的权重；按序排列所有样本点的权重向量得到权重矩阵：W=(w1,w2,…,wN),wN代表第N个样本点的最优权重向量；
S204：令样本低维嵌入输出为：Y=(y1,y2,…,yi,…,yN)T；保持权重矩阵W不变，再构建一个重构误差函数并使降维误差最小；误差函数如下：
式中：为降维误差，/>为/>映射在低维空间的输出向量；/>表示为/>的第个近邻点；误差函数限制条件为：/>，/>；I为单位矩阵，则误差函数表示为：
式中：为Y的Jordan标准型矩阵，tr为求矩阵的迹，即矩阵的全体特征值之和；令/>，计算出M的最小的前d个特征值，d为低维空间的维数，取第2到d+1个特征值作为低维向量输出矩阵/>，即为高维的GIS局放超声信号的瞬时提取广义S变换时频谱数据集降维后的低维特征数据集。
特别地，本实施例中，步骤S3的具体过程如下：
S301：将低维特征数据集分为训练集和测试集；
S302：改进的蝴蝶算法利用训练集对及最小二乘支持向量机的惩罚因子c和径向基内积函数参数g进行优化，得到最优参数；
S303：对具有最优参数的最小二乘支持向量机进行训练，并利用测试集进行测试；
S404：根据训练测试结果构建PODSBOA-LSSVM故障诊断模型，使用PODSBOA-LSSVM诊断模型对未知GIS局部放电超声信号进行诊断，输出诊断结果。
本实施例中，改进的蝴蝶算法的步骤如下：
步骤A1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为Nu，设置蝴蝶算法的最大迭代次数为Nmax，种群边界条件[Lb, Ub]，寻优问题维度dim；
步骤A2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成Nu*dim大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2Nu*dim；
步骤A3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；
步骤A4：种群恢复：通过精英保留策略选取Nu个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；
步骤A5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；
步骤A6：算法参数动态更新：根据当前的迭代次数按照以下公式更新感官模态、幂指数a、动态搜索切换概率P及位置更新算子w1、w2；
步骤A7：迭代寻优：若动态搜索切换概率P>rand，rand为0~1之间的随机数，对个体的位置进行全局更新；若动态搜索切换概率P<rand，对个体的位置进行局部更新；更新全局最优；
步骤A8：越界检查：检查更新后的个体是否超出边界，对超出边界的新个体的位置进行界限修正；
步骤A9：判断当前是否满足算法的迭代结束条件：不满足结束条件，算法转步骤A5步骤继续执行；反之，输出当前的最优结果，算法结束。
本发明的有益效果是：以广义S变换与瞬态提取变换为基础，提出了一种基于广义S变换的瞬态提取变换的时频分析方法，结合了广义S变换与的瞬态提取变换优点，具有更高的时频精度。基于广义S变换的瞬态提取变换相比于广义S变换，基于广义S变换的瞬态提取变换通过对广义S变换的时频谱根据群延迟进行“提取”，针对GIS局部放电超声信号的高频、瞬时的特点，去除了绝大多数模糊的能量，只保留最核心的能量，去除了干扰信号，增强了识别精度。又考虑到瞬态提取广义S变换后的数据高维问题，利用LLE算法降低特征数据集维度，保留有效信息，减少模型识别算力；运用PODSBOA算法对LSSVM的超参进行优化，构建了改进的PODSBOA-LSSVM诊断模型并GIS局部放电超声信号进行诊断，有效提升了变压器故障诊断的准确性。
附图说明
图1是基于超声信号的GIS局部放电故障诊断方法流程图。
图2为基于广义S变换的瞬态提取变换的时频分析方法流程图。
图3为GIS局部放电超声信号时域波形图。
图4为广义S变换的时频谱。
图5为瞬时提取广义S变换时频谱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
参照图1，基于超声信号的GIS局部放电故障诊断方法，包括以下步骤：
S1、将GIS局部放电超声信号用基于广义S变换的瞬态提取变换的时频分析方法变换成反映某一频率在不同时间上变化的瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集；
S2、通过局部线性嵌入（LLE）算法对瞬时提取广义S变换时频谱数据集进行降维，得到低维特征数据集，以减少后期存储、发送以及计算的工作量；
S3、利用PODSBOA对LSSVM的超参进行优化，以所得的低维特征数据集为基础，构造PODSBOA-LSSVM故障诊断模型，对未知的GIS局部放电超声信号进行诊断，输出诊断结果。
进一步地，参照图2，步骤S1的具体过程如下：
S101：对采集到的如图 3所示的GIS局部放电超声信号进行数据预处理和广义S变换，得到广义S变换值/>，并对广义S变换值/>求模得到广义S变换的时频谱/>，如图4所示。广义S变换值/>的计算公式如下：
式中：f为频率，t为时间，为时间轴位移参数，i为虚数单位，/>为第一窗函数调节因子，p为第二窗函数调节因子。
S102：为了针对GIS局部放电高频、瞬时的特性，在时间轴上对GIS局部放电超声信号频率变化进行表征，根据广义S变换值，计算得到群延时：
式中：表示对广义S变换值的频率求偏导，Re为取复数的实部。
S103：去除群延时中混叠的时频系数，只保留在变化能量最大时刻t0（即 GIS局部放电时刻）的时频系数，即只保留最核心的时频能量信息，丢弃逸散的能量信息，得到瞬态提取算子/>：
其中，表示狄拉克函数，其中：
式中：表示窗函数的时间支撑范围，/>表示频率，R+表示正实数。
S104：根据瞬态提取算子从广义S变换值提取得到在时间轴表征频率变化的时频谱矩阵。
式中：表示时频谱矩阵。
S105：对时频谱矩阵进行求模，得到如图5所示的瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集。
进一步地，步骤S2的具体过程如下：
S201：设瞬时提取广义S变换时频谱数据集的样本为X={x1,x2,…,xi,…,xN},xi∈RD,其中N代表样本个数，xi代表第i个样本点，i=1,2,…,N，RD代表样本点集合；计算各样本点与其他样本点的欧式距离，欧式距离公式为：
其中,Di为第i个样本点与与其他样本点的欧式距离。
S202：根据欧氏距离的大小进行升序排序，选取与样本点xi离得最近的k个近邻点，组成样本点xi的近邻点集合：Li={xi1,xi2,…, xik}，xik代表样本点xi的第k个近邻点，k<N。
S203：计算权重矩阵W。对于样本X，使用均方差来计算权重损失：
式中： 表示权重损失，xij表示样本点xi的第j个近邻点，j=1,2,…,k，wij表示样本点xi的第j个近邻点的权重。
为了使样本点的局部邻域的流形结构在平移、伸缩和旋转之后仍然保持不变，必须在的限制条件下使/>取到最小值，从而解出第i个样本点的最优权重向量：wi=(wi1，wi2，…，wik)T,T表示矩阵转置，wik代表样本点xi的第k个近邻点的权重。按序排列所有样本点的权重向量得到权重矩阵：W=(w1,w2,…,wN),wN代表第N个样本点的最优权重向量。
S204：令样本低维嵌入输出为：Y=(y1,y2,…,yi,…,yN)T。保持权重矩阵W不变，再构建一个重构误差函数并使降维误差最小。误差函数如下：
式中：为降维误差，/>为/>映射在低维空间的输出向量；/>表示为/>的第/>个近邻点/>。
该误差函数限制条件为：，/>；I为单位矩阵，则误差函数可表示为：
式中：为Y的Jordan标准型矩阵，tr为求矩阵的迹，即矩阵的全体特征值之和。
令，只需要计算出M的最小的前d（d为低维空间的维数)个特征值，因为M的第一个特征值非常小，几乎趋近于零，所以我们取第2到d+1个特征值，作为低维向量输出矩阵/>，即为高维的GIS局放超声信号的瞬时提取广义S变换时频谱数据集降维后的低维特征数据集。
进一步地，步骤S3的具体过程如下：
S301：将低维特征数据集分为训练集和测试集；
S302：改进的蝴蝶算法利用训练集对及最小二乘支持向量机的惩罚因子c和径向基内积函数参数g进行优化，得到最优参数；
S303：对具有最优参数的最小二乘支持向量机进行训练，并利用测试集进行测试；
S404：根据训练测试结果构建PODSBOA-LSSVM故障诊断模型，使用PODSBOA-LSSVM诊断模型对未知GIS局部放电超声信号进行诊断，输出诊断结果。
进一步优选，改进的蝴蝶算法的步骤如下：
步骤A1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为Nu，设置蝴蝶算法的最大迭代次数为Nmax，种群边界条件[Lb, Ub]，寻优问题维度dim；
步骤A2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成Nu*dim大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2Nu*dim；
步骤A3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；
步骤A4：种群恢复：通过精英保留策略选取Nu个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；
步骤A5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；
步骤A6：算法参数动态更新：根据当前的迭代次数按照以下公式更新感官模态、幂指数a、动态搜索切换概率P及位置更新算子w1、w2；
步骤A7：迭代寻优：若动态搜索切换概率P>rand，rand为0~1之间的随机数，对个体的位置进行全局更新；若动态搜索切换概率P<rand，对个体的位置进行局部更新；更新全局最优；
步骤A8：越界检查：检查更新后的个体是否超出边界，对超出边界的新个体的位置进行界限修正；
步骤A9：判断当前是否满足算法的迭代结束条件：不满足结束条件，算法转步骤A5步骤继续执行；反之，输出当前的最优结果，算法结束。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.基于超声信号的GIS局部放电故障诊断方法，其特征在于，包括以下步骤：
S1、将GIS局部放电超声信号用基于广义S变换的瞬态提取变换的时频分析方法变换成反映某一频率在不同时间上变化的瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集；
S2、通过局部线性嵌入算法对瞬时提取广义S变换时频谱数据集进行降维，得到低维特征数据集；
S3、利用改进的蝴蝶算法对LSSVM的超参进行优化，以所得的低维特征数据集为基础，构造PODSBOA-LSSVM故障诊断模型，对未知的GIS局部放电超声信号进行诊断，输出诊断结果；
步骤S1的具体过程如下：
S101：对采集到的GIS局部放电超声信号进行数据预处理和广义S变换，得到广义S变换值/>，并对广义S变换值/>求模得到广义S变换的时频谱；
S102：为了针对GIS局部放电高频、瞬时的特性，在时间轴上对GIS局部放电超声信号频率变化进行表征，根据广义S变换值，计算得到群延时：
；
式中：表示对广义S变换值的频率求偏导，Re为取复数的实部，f为频率，t为时间，/>为时间轴位移参数，i为虚数单位；
S103：去除群延时中混叠的时频系数，只保留在变化能量最大时刻t0的时频系数，得到瞬态提取算子/>：
；
其中，表示狄拉克函数，其中：
；
式中：表示窗函数的时间支撑范围，/>表示频率，R+表示正实数；
S104：根据瞬态提取算子从广义S变换值提取得到在时间轴表征频率变化的时频谱矩阵；
；
式中：表示时频谱矩阵；
S105：对时频谱矩阵进行求模，得到瞬时提取广义S变换时频谱，构建瞬时提取广义S变换时频谱数据集；
步骤S2的具体过程如下：
S201：设瞬时提取广义S变换时频谱数据集的样本为X={x 1,x 2,…,x i ,…,x N },x i ∈RD,其中N代表样本个数，x i 代表第i个样本点，i=1,2,…,N，RD代表样本点集合；计算各样本点与其他样本点的欧式距离；
S202：根据欧氏距离的大小进行升序排序，选取与样本点x i 离得最近的k个近邻点，组成样本点x i 的近邻点集合：L i ={x i1,x i2,…, x ik }，x ik 代表样本点x i 的第k个近邻点，k<N；
S203：计算权重矩阵W；对于样本X，使用均方差来计算权重损失：
；
式中：表示权重损失，x ij 表示样本点x i 的第j个近邻点，j=1,2,…,k，w ij 表示样本点x i 的第j个近邻点的权重；
在的限制条件下使/>取到最小值，从而解出第i个样本点的最优权重向量： wi=(wi1，wi2，…，wik)T,T表示矩阵转置，w ik 代表样本点x i 的第k个近邻点的权重；按序排列所有样本点的权重向量得到权重矩阵：W=(w1,w2,…,wN),w N 代表第N个样本点的最优权重向量；
S204：令样本低维嵌入输出为：Y=(y 1,y 2,…,y i ,…,y N )T；保持权重矩阵W不变，再构建一个重构误差函数并使降维误差最小；误差函数如下：
；
式中：为降维误差，/>为/>映射在低维空间的输出向量；/>表示为/>的第/>个近邻点；误差函数限制条件为：/>；I为单位矩阵，则误差函数表示为：
；
式中：为Y的Jordan标准型矩阵，tr为求矩阵的迹，即矩阵的全体特征值之和；令/>，计算出M的最小的前d个特征值，d为低维空间的维数，取第2到d+1个特征值作为低维向量输出矩阵/>，即为高维的GIS局放超声信号的瞬时提取广义S变换时频谱数据集降维后的低维特征数据集。
2.根据权利要求1所述的基于超声信号的GIS局部放电故障诊断方法，其特征在于，步骤S3的具体过程如下：
S301：将低维特征数据集分为训练集和测试集；
S302：改进的蝴蝶算法利用训练集对及最小二乘支持向量机的惩罚因子和径向基内积函数参数g进行优化，得到最优参数；
S303：对具有最优参数的最小二乘支持向量机进行训练，并利用测试集进行测试；
S404：根据训练测试结果构建PODSBOA-LSSVM故障诊断模型，使用PODSBOA-LSSVM诊断模型对未知GIS局部放电超声信号进行诊断，输出诊断结果。
3.根据权利要求1所述的基于超声信号的GIS局部放电故障诊断方法，其特征在于，改进的蝴蝶算法的步骤如下：
步骤A1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为N u ，设置蝴蝶算法的最大迭代次数为N max，种群边界条件[L b , U b ]，寻优问题维度dim；步骤A2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成Nu *dim 大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2N u *dim；
步骤A3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；
步骤A4：种群恢复：通过精英保留策略选取N u 个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；
步骤A5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；
步骤A6：算法参数动态更新：根据当前的迭代次数更新感官模态、幂指数a、动态搜索切换概率P及位置更新算子w 1 、w 2 ；
步骤A7：迭代寻优：若动态搜索切换概率P>rand，rand为0~1之间的随机数，对个体的位置进行全局更新；若动态搜索切换概率P<rand，对个体的位置进行局部更新；更新全局最优；
步骤A8：越界检查：检查更新后的个体是否超出边界，对超出边界的新个体的位置进行界限修正；
步骤A9：判断当前是否满足算法的迭代结束条件：不满足结束条件，算法转步骤A5 步骤继续执行；反之，输出当前的最优结果，算法结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310399312.3A CN116125235B (zh) | 2023-04-14 | 2023-04-14 | 基于超声信号的gis局部放电故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310399312.3A CN116125235B (zh) | 2023-04-14 | 2023-04-14 | 基于超声信号的gis局部放电故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116125235A CN116125235A (zh) | 2023-05-16 |
| CN116125235B true CN116125235B (zh) | 2023-07-18 |
Family
ID=86304893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310399312.3A Active CN116125235B (zh) | 2023-04-14 | 2023-04-14 | 基于超声信号的gis局部放电故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116125235B (zh) |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008008774A2 (en) * | 2006-07-10 | 2008-01-17 | The Board Of Trustees Of The University Of Illinois | Interferometric synthetic aperture microscopy |
| EP2482089B1 (de) * | 2010-02-24 | 2018-06-13 | Omicron electronics GmbH | Verfahren und System zur Ortung eines Fehlers auf einem Kabel |
| WO2014106034A1 (en) * | 2012-12-27 | 2014-07-03 | The Regents Of The University Of California | Method for data compression and time-bandwidth product engineering |
| FR3050277B1 (fr) * | 2016-04-14 | 2018-04-13 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme et procede de detection d'un arc electrique |
| DE102018133632A1 (de) * | 2018-12-27 | 2020-07-02 | Intel Corporation | Verfahren und sendeempfänger für selbstinterferenzminderung |
| CN112036296B (zh) * | 2020-08-28 | 2022-08-05 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112305380A (zh) * | 2020-09-01 | 2021-02-02 | 华南理工大学 | 一种基于s变换与谱峭度的局部放电白噪声抑制方法 |
| US11750274B2 (en) * | 2020-10-16 | 2023-09-05 | Deere & Company | Adaptive narrowband interference rejection for satellite navigation receiver |
| CN113376474A (zh) * | 2021-04-26 | 2021-09-10 | 国网天津市电力公司城南供电分公司 | 一种基于广义s变换的神经网络故障电弧识别系统及方法 |
| CN114036977A (zh) * | 2021-10-19 | 2022-02-11 | 浙江工业大学 | 基于二维图像编码特征的风机电能质量扰动监测方法 |
| CN114739671A (zh) * | 2022-03-16 | 2022-07-12 | 台州守敬应用科技研究院有限公司 | 一种基于改进广义s变换的轴承故障诊断方法 |
| CN114997261A (zh) * | 2022-04-15 | 2022-09-02 | 南昌工程学院 | 一种居民电力数据聚类方法及系统 |
| CN115062733B (zh) * | 2022-08-19 | 2022-11-11 | 江西派源科技有限公司 | 基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法 |
| CN115618213A (zh) * | 2022-10-12 | 2023-01-17 | 国网湖南省电力有限公司 | 充电机电压扰动分析方法及系统、设备、存储介质 |
| CN115688017A (zh) * | 2022-12-29 | 2023-02-03 | 南昌工程学院 | 基于frcmde的变压器铁芯故障声纹诊断方法及装置 |
-
2023
- 2023-04-14 CN CN202310399312.3A patent/CN116125235B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于QGA优化广义S变换的滚动轴承故障特征提取;王波;刘树林;张宏利;;振动与冲击(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116125235A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021103496A1 (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
| Pan et al. | An approach for HVCB mechanical fault diagnosis based on a deep belief network and a transfer learning strategy | |
| Wang et al. | A domain adaptive deep transfer learning method for gas-insulated switchgear partial discharge diagnosis | |
| Tang et al. | Hybrid method for power system transient stability prediction based on two‐stage computing resources | |
| CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
| CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
| CN112289329A (zh) | 一种基于gwo-kfcm的高压断路器故障诊断方法 | |
| CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
| Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
| CN113780060A (zh) | 一种基于多模态深度学习的高压开关柜态势感知方法 | |
| Wang et al. | Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder | |
| Ye et al. | A novel U-Net and capsule network for few-shot high-voltage circuit breaker mechanical fault diagnosis | |
| Wang et al. | Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network | |
| CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
| CN116125235B (zh) | 基于超声信号的gis局部放电故障诊断方法 | |
| CN116008721A (zh) | 一种配电网故障定位方法及终端 | |
| CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
| CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
| CN113326667B (zh) | 一种太阳能电池板故障诊断方法及系统 | |
| Wang et al. | A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis | |
| CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
| CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
| CN111122160A (zh) | 一种基于堆栈降噪自编码器的异常信号检测方法 | |
| CN111766513A (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
| Xiong et al. | Application of multi-kernel relevance vector machine and data pre-processing by complementary ensemble empirical mode decomposition and mutual dimensionless in fault diagnosis |
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 |