CN116203365A - 基于野马算法优化pnn的gis设备局部放电检测方法 - Google Patents

基于野马算法优化pnn的gis设备局部放电检测方法 Download PDF

Info

Publication number
CN116203365A
CN116203365A CN202310495700.1A CN202310495700A CN116203365A CN 116203365 A CN116203365 A CN 116203365A CN 202310495700 A CN202310495700 A CN 202310495700A CN 116203365 A CN116203365 A CN 116203365A
Authority
CN
China
Prior art keywords
data set
partial discharge
pnn
wild
value
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.)
Granted
Application number
CN202310495700.1A
Other languages
English (en)
Other versions
CN116203365B (zh
Inventor
康兵
高永民
许志浩
丁贵立
王宗耀
张兴旺
肖辉
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202310495700.1A priority Critical patent/CN116203365B/zh
Publication of CN116203365A publication Critical patent/CN116203365A/zh
Application granted granted Critical
Publication of CN116203365B publication Critical patent/CN116203365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/1209—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
    • 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]
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明属于电力设备在线检测领域，公开了一种基于野马算法优化PNN的GIS设备局部放电检测方法，收集超声信号和特高频电磁波信号组成原始数据集；对原始数据集进行归一化处理得到归一化数据集，然后将归一化数据集中的正常点数据用平均值替换生成特征数据集；搭建PNN网络，并使用野马算法优化PNN网络，使PNN网络的平滑因子达到最优值；将特征数据集送入野马算法优化后的PNN网络中进行局部放电在线检测。本发明可实现在检测到故障时便对故障的类型进行分析，提高局部放电检测效率，对野马算法进行优化，提高了判别准确率和效率。

Description

基于野马算法优化PNN的GIS设备局部放电检测方法
技术领域
本发明属于电力设备局部放电在线检测技术领域，具体涉及一种基于改良野马算法优化PNN的GIS设备局部放电检测方法。
背景技术
虽然GIS（气体绝缘金属密封组合开关）设备的故障率极低，但是由于其的重要性，在发生故障时所造成的影响也是严重的，因此对其进行故障在线检测是亟需解决的难题。由于制造时的缺陷、运输损伤、安装工艺不到位、运维检修的不足等问题常常会导致GIS设备内部出现一些肉眼难以发现的损伤，由于这些损伤的存在会导致GIS设备的绝缘件在长期的使用中逐渐劣化从而发生局部放电，局部放电的存在又会加剧绝缘件的劣化，如此恶性循环最终导致设备发生绝缘故障。
目前已有众多的专家学者针对GIS设备的局部放电做出了分析研究，发现GIS设备中的常见局部放电类型为：悬浮电位放电、尖端电晕放电、空穴放电以及金属颗粒放电。虽然已经研究出了局部放电的常见类型的放电规律，但是一方面由于运维人员的技术参差不齐，不能完全掌握对于采集到的信号进行分析、处理、判断的技术；另一方面，目前常用的采集信号较为单一，常常使用的是单一的超声采集信号或者是超高频采集信号进行局部放电研判，最终导致判别效果不佳，出现漏判、误判等情况。因此亟需一种精确的局部放电分析判别方式来支撑电力系统的安全、稳定、高效的运行。
发明内容
针对目前GIS设备的局部放电检测存在的缺陷，已经有很多专家学者提出了GIS设备局部放电的识别和检测方法，但是并不能准确的识别到并分类出各种类型的局部放电。为了解决实际工程中存在的问题，本发明提出一种基于改良野马算法优化PNN（概率神经网络）的GIS设备局部放电检测方法，本发明通过对超声采集模块采集到的超声信号以及特高频模块采集到的信号进行数据预处理以后提取特征值；将提取到的特征值送入到PNN模型中实现局部放电类型及局部放电严重等级的在线判别。
当设备发生局部放电时，由于存在局部放电，会存在一些超声信号，这种信号会以声波振动的形式在设备中传播，安装在设备内的超声波探头会实时收集这些超声波的振动信号送入到集成处理模块中进行处理；同时，局部放电发生时，会伴随有特高频电磁波（一般为500MHz~2000MHz）的产生，通过使用特高频电磁波信号采集器能够收集到局部放电时的特高频电磁波信号，同样的，将收集到的信号送入到集成处理模块中进行处理。集成处理模块中可以将各个收集模块收集到的信号进行特征提取。超声模块收集到的声音振动信号中会包含一些其他的音频信号，对于局部放电的检测存在一定的干扰；同理，特高频法采集到的电磁波信号也会受到其他信号的干扰，故本发明采用两种信号进行特征提取后联合的方式进行局部放电的在线检测。在信号采集过程中，由于进行的是实时采集，这将消耗巨大的存储空间，并且使用原始的数据进行检测会导致消耗大量的计算量，因此对其进行特征的提取，只保留特征信号。原理为：当发生局部放电时，无论是超声信号还是特高频电磁波信号均会发生强烈波动，而在正常时刻的时候，信号的波动范围实际是固定在一个大致的区间的，因此本发明的特征提取主要对信号中的突增和骤降进行，若是没有发生突增或者骤降则将其判定为正常时刻，而这一些正常时刻的波动曲线值将会使用平均值代替，从而减少计算量。经过特征提取以后的数据只会保留异常时刻的数据进行局部放电的检测。在本发明中，选取了PNN模型进行局部放电的检测，PNN模型经过训练以后能够准确识别出各种类型的局部放电。特别的，为了解决PNN网络的平滑因子
Figure SMS_1
难以确定的难题，本发明采用改良野马算法进行平滑因子的选定，最后将选取的平滑因子输入到PNN网络中实现局部放电的在线检测。
本发明通过以下技术方案来实现。一种基于野马算法优化PNN的GIS设备局部放电检测方法，包括以下步骤：
步骤1：收集超声信号和特高频电磁波信号组成原始数据集；
步骤2：对原始数据集进行归一化处理得到归一化数据集，然后将归一化数据集中的正常点数据用平均值替换生成特征数据集；
步骤3：搭建PNN网络，并使用野马算法优化PNN网络，使PNN网络的平滑因子达到最优值；
步骤4：将特征数据集送入野马算法优化后的PNN网络中进行局部放电在线检测。
进一步优选，步骤1所述原始数据集表示如下：
Figure SMS_2
，
式中，
Figure SMS_4
表示第1个采样区间第1个采样点的超声信号；/>
Figure SMS_6
表示第m个采样区间第1个采样点的超声信号；/>
Figure SMS_8
表示第1个采样区间第n个采样点的超声信号；/>
Figure SMS_5
表示第m个采样区间第n个采样点的超声信号；/>
Figure SMS_7
表示第1个采样区间第1个采样点的特高频电磁波信号；/>
Figure SMS_9
表示第m个采样区间第1个采样点的特高频电磁波信号；/>
Figure SMS_10
表示第1个采样区间第n个采样点的特高频电磁波信号；/>
Figure SMS_3
表示第m个采样区间第n个采样点的特高频电磁波信号。
进一步优选，步骤2包括如下过程：
步骤2.1：对原始数据集进行数据预处理；
步骤2.2：对预处理完成的原始数据集进行归一化处理，得到归一化数据集；
步骤2.3：将归一化数据集中的正常点数据用平均归一化值替换：将每个采样点的超声信号或者特高频电磁波信号的归一化值与所在采样区间的超声信号或者特高频电磁波信号的平均归一化值进行作差，将差值的绝对值与异常阈值进行比较，当差值的绝对值大于等于异常阈值时，保留归一化值；若差值小于异常阈值，则将该采样点的归一化值使用平均归一化值进行替换，替换之后形成特征数据集；
步骤2.4：对于特征数据集，若没出现突增和骤降点，则判定未出现局部放电情况。
进一步优选，所述PNN网络包括输入层、模式层、求和层、输出层；所述输入层使用特征数据集作为PNN网络输入层的输入数据集；所述模式层计算特征数据集和训练集之间的关系；所述求和层将是否发生局部放电的概率进行累加；所述输出层输出每个神经元对应的GIS是否发生局部放电的结论。
进一步优选，使用野马算法优化PNN网络时，选用均方根误差函数计算适应度，达到适应度时判断平滑因子达到最优值。
进一步优选，所述野马算法进行了改良，改良后的野马算法优化PNN网络的过程如下：
步骤301：创建初始种群：
Figure SMS_11
，
Figure SMS_12
，
式中：N为搜索空间中候选解的总数，即为野马的总数，d为决策变量总数，
Figure SMS_13
为第i个候选解，/>
Figure SMS_14
为第i个候选解的第j个决策变量，i=1,2,…,N；j==1,2,…,d；/>
Figure SMS_15
是第i个候选解的第j个决策变量的最小边界，/>
Figure SMS_16
是第i个候选解的第j个决策变量的最大边界；
Figure SMS_17
是一个/>
Figure SMS_18
均匀分布的随机数；
将初始种群分为几个小组，分组数为G=[N×PS]，其中PS 是种马在种群中的百分比，将其视为野马算法的控制参数，根据种群的数量，得到G个领导者，剩下的N-G个成员平均分配，在初始时随机选取各组的领导者，在后续阶段，根据成员之间的适应度选择领导者；
步骤302：放牧行为：
种群成员在以领导者为圆心进行中心搜索，其表达式为：
Figure SMS_19
，
式中：
Figure SMS_20
为成员更新后的位置，/>
Figure SMS_21
为领导者位置，第i个候选解/>
Figure SMS_22
处于初始位置，R为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>
Figure SMS_23
为自适应机制；
Figure SMS_24
，
式中：P是由0和1组成的向量，R1和R3为[0,1]空间内均匀分布的随机向量；R2为取值[0,1]之间的随机数，
Figure SMS_25
为索引，/>
Figure SMS_26
表示二进制取反；满足条件/>
Figure SMS_27
的随机向量R1返回索引；/>
Figure SMS_28
为自适应因子；
Figure SMS_29
，/>
式中：t为迭代次数，
Figure SMS_30
为最大迭代次数；
步骤303：引入扰动因子F对领导者进行扰动，领导者在一个圆内扰动，扰动方向由随机角度
Figure SMS_31
决定，所选的随机角度介于0和360之间；
Figure SMS_32
，
Figure SMS_33
，
式中：r为取值范围在[0,1]之间的随机数，
Figure SMS_34
为领导者扰动后的位置；
步骤304：增加小野马的自主搜索行为：
Figure SMS_35
，
式中：
Figure SMS_36
为第u个小组内的小野马g的当前位置，/>
Figure SMS_37
为第u个小组内的小野马g更新后的位置，/>
Figure SMS_38
为第u个小组内另一匹野马/>
Figure SMS_39
的当前位置，/>
Figure SMS_40
为第u个小组内领导者的当前位置，/>
Figure SMS_41
和/>
Figure SMS_42
为[0,1]范围内均匀分布的随机数；
步骤305：野马交配：离开第u个小组的野马和离开v组的野马分别加入了一个临时组，进入青春期后进行交叉；交叉后对野马父代位置进行更新；
Figure SMS_43
，
式中：
Figure SMS_44
表示临时组w内的小野马c的位置，/>
Figure SMS_45
表示第v个小组内的小野马s的当前位置，Crossver为交叉函数， Mean为平均值函数，/>
Figure SMS_46
为示第v个小组内的小野马s的更新后位置，a为范围在 [0,1]之间的随机数；
步骤306：团队领导：领导者的位置更新公式为：
Figure SMS_47
，
式中：
Figure SMS_48
为第u个小组领导者更新后的位置，/>
Figure SMS_49
表示最优个体位置；
步骤307：领导者选拔：
Figure SMS_50
，
式中：
Figure SMS_51
为适应的函数，出现的领导者即为最优解。
进一步优选，步骤4的具体过程为：将使用改良野马算法优化后的PNN网络的平滑因子
Figure SMS_52
放入到PNN网络中进行GIS局部放电信号的在线检测，采用已经收集到的局部放电时的超声信号和特高频电磁波信号训练PNN网络，经过训练后PNN网络根据特征数据集判断是否发生局部放电，并确定局部放电的具体类型。
本发明的有益效果：本发明采用超声信号联合电磁信号进行特征提取以后运用改良野马算法优化PNN网络实现对GIS局部放电信号的在线检测，相较于已有的方案，本发明采用两种信号联合的方式，减少了偶然情况引起的误判，另外本发明采用对野马算法进行改良后优化PNN网络的方案，能够极大的提升检测的准确性；并且此举能够解决PNN网络中的平滑因子难以选取的问题。
附图说明
图1是基于野马算法优化PNN的GIS设备局部放电检测方法流程图。
图2为改良前和改良后的野马算法的最优适应度收敛曲线。
具体实施方式
下面结合附图和实施例进一步阐明本发明。
参照图1，一种基于野马算法优化PNN的GIS设备局部放电检测方法，包括步骤1-步骤4共四个步骤。
步骤1：收集超声信号和特高频电磁波信号组成原始数据集；收集超声波传感器采集到的超声信号以及特高频传感器采集到的特高频电磁波信号；超声信号和特高频电磁波信号组成原始数据集E；
Figure SMS_53
，
式中，
Figure SMS_56
表示第1个采样区间第1个采样点的超声信号；/>
Figure SMS_58
表示第m个采样区间第1个采样点的超声信号；/>
Figure SMS_60
表示第1个采样区间第n个采样点的超声信号；/>
Figure SMS_55
表示第m个采样区间第n个采样点的超声信号；/>
Figure SMS_57
表示第1个采样区间第1个采样点的特高频电磁波信号；/>
Figure SMS_59
表示第m个采样区间第1个采样点的特高频电磁波信号；/>
Figure SMS_61
表示第1个采样区间第n个采样点的特高频电磁波信号；/>
Figure SMS_54
表示第m个采样区间第n个采样点的特高频电磁波信号。
步骤2：对原始数据集进行归一化处理得到归一化数据集，然后将归一化数据集中的正常点数据用平均值替换生成特征数据集；步骤2的主要目标是对原始的数据集进行特征提取，以达到减少计算量的目的：
步骤2.1：对原始数据集进行数据预处理，包括：缺失值的填补、重复值的删除等；
步骤2.2：对预处理完成的原始数据集进行归一化处理，将原始数据集的取值范围归一到[0,1]之间，得到归一化数据集。归一化方式选择的是最大最小值方式：
Figure SMS_62
，
式中：Z表示的是归一化值，z表示原始特征数据，
Figure SMS_63
表示原始特征数据最大值，
Figure SMS_64
表示原始特征数据最小值；
步骤2.3：为了在提取异常值的同时能够保证原始数据的变化趋势，将归一化数据集中的正常点数据用平均归一化值替换。将每个采样点的超声信号或者特高频电磁波信号的归一化值与所在采样区间的超声信号或者特高频电磁波信号的平均归一化值进行作差，将差值的绝对值与异常阈值进行比较，当差值的绝对值大于等于异常阈值时，保留归一化值；若差值小于异常阈值，则将该采样点的归一化值使用平均归一化值进行替换，替换之后形成特征数据集，此特征数据集中，异常点的数据被保留下来，正常点的数据被平均归一化值代替，例如，特征数据集E1中的
Figure SMS_65
第一个采样区间的超声信号没有出现异常信号则将其采用本区间的归一化平均值代替，而第m个采样区间出现异常值则将原本的采样数据归一化值进行保留；
Figure SMS_66
，
式中，
Figure SMS_67
表示第1采样区间的超声信号归一化平均值；/>
Figure SMS_68
表示第m采样区间第1个采样点的超声信号归一化值(为异常值)/>
Figure SMS_69
表示第m采样区间第n个采样点的超声信号归一化值(为异常值)；/>
Figure SMS_70
表示第m采样区间的特高频电磁波信号归一化平均值；
Figure SMS_71
表示第1采样区间第1个采样点的特高频电磁波信号归一化值(为异常值)，/>
Figure SMS_72
表示第m采样区间第n个采样点的特高频电磁波信号归一化值(为异常值)；
步骤2.4：对于特征数据集，若没出现突增和骤降点（全部为归一化平均值），可以初步判定未出现局部放电情况。
步骤3：搭建PNN网络，并使用野马算法优化PNN网络，使PNN网络的平滑因子达到最优值；
PNN网络包括输入层、模式层、求和层、输出层；所述输入层使用特征数据集作为PNN网络输入层的输入数据集；所述模式层计算特征数据集和训练集之间的关系，表示为：
Figure SMS_73
，
式中，E1表示特征数据集，也是待检测样本，Wq表示第一、二层之间的权值，
Figure SMS_74
表示平滑因子；
所述求和层将是否发生局部放电的概率进行累加；所述输出层输出每个神经元对应的GIS是否发生局部放电的结论，表示为：
Figure SMS_75
，
式中，
Figure SMS_76
为输入特征数据集E1对应的输出，p为入特征数据集E1的维数，Ekq为第k时刻的第q个训练向量，M为待分类的样本数目。
使用野马算法优化PNN网络时，选用均方根误差函数计算适应度，达到适应度时判断平滑因子达到最优值。适应度计算方式如下：
Figure SMS_77
，/>
式中，Ad为适应度，sq为PNN网络输出的第q个预测值，tq为第q个实际值；Q为预测值数量。
步骤4：将特征数据集送入野马算法优化后的PNN网络中进行局部放电在线检测。将使用改良野马算法优化后的PNN网络的平滑因子
Figure SMS_78
放入到PNN网络中进行GIS局部放电信号的在线检测，采用已经收集到的局部放电时的超声信号和特高频电磁波信号训练PNN网络，经过训练后PNN网络根据特征数据集判断是否发生局部放电，特别是局部放电发生时造成的超声信号和特高频电磁波信号的变化均有其内在规律因此从超声信号和特高频电磁波信号的特征判断GIS是否发生局部放电，如果根据发生局部放电时超声信号和特高频电磁波信号的幅值、周期确定出局部放电的具体类型。
本实施例中，野马算法进行了改良，改良后的野马算法优化PNN网络的过程如下：
步骤301：创建初始种群
Figure SMS_79
，
Figure SMS_80
，
式中：N为搜索空间中候选解的总数，即为野马的总数，d为决策变量总数，
Figure SMS_81
为第i个候选解，/>
Figure SMS_82
为第i个候选解的第j个决策变量，i=1,2,…,N；j==1,2,…,d；/>
Figure SMS_83
是第i个候选解的第j个决策变量的最小边界，/>
Figure SMS_84
是第i个候选解的第j个决策变量的最大边界；
Figure SMS_85
是一个/>
Figure SMS_86
均匀分布的随机数。
将初始种群分为几个小组，分组数为G=[N×PS]，其中PS 是种马在种群中的百分比，将其视为野马算法的控制参数，根据种群的数量，可以得到G个领导者，剩下的N-G个成员平均分配，在初始时随机选取各组的领导者，在后续阶段，根据成员之间的适应度选择领导者。
步骤302：放牧行为
小野马通常大部分时间都在吃草，认为领导者的位置为放牧区的中心，种群成员在以领导者为圆心进行中心搜索，其表达式为：
Figure SMS_87
，
式中：
Figure SMS_88
为成员更新后的位置，/>
Figure SMS_89
为领导者位置，第i个候选解/>
Figure SMS_90
处于初始位置，R为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>
Figure SMS_91
为自适应机制。
Figure SMS_92
，/>
式中：P是由0和1组成的向量，
Figure SMS_94
和/>
Figure SMS_96
为[0,1]空间内均匀分布的随机向量；/>
Figure SMS_98
为取值[0,1]之间的随机数，/>
Figure SMS_95
为索引，/>
Figure SMS_97
表示二进制取反。满足条件/>
Figure SMS_99
的随机向量/>
Figure SMS_100
返回索引；/>
Figure SMS_93
为自适应因子。
为了更好平衡算法全局搜索和局部挖掘能力，防止野马算法在迭代中后期陷入搜索停滞的状态，将野马算法进行改良。具体为：将线性衰减的自适应因子改为随机衰减的自适应因子。
Figure SMS_101
，
式中：t为迭代次数，
Figure SMS_102
为最大迭代次数。
步骤303：引入扰动因子F对算法进一步改良，引入扰动因子，对领导者进行扰动，领导者在一个圆内扰动，扰动方向由随机角度
Figure SMS_103
决定，所选的随机角度介于0和360之间。
Figure SMS_104
，
Figure SMS_105
，
式中：r为取值范围在[0,1]之间的随机数，
Figure SMS_106
为领导者扰动后的位置。
步骤304：进一步改良加强野马算法的搜素能力，增加小野马的自主搜索行为：
Figure SMS_107
，
式中：
Figure SMS_108
为第u个小组内的小野马g的当前位置，/>
Figure SMS_109
为第u个小组内的小野马g更新后的位置，/>
Figure SMS_110
为第u个小组内另一匹野马/>
Figure SMS_111
的当前位置，/>
Figure SMS_112
为第u个小组内领导者的当前位置，/>
Figure SMS_113
和/>
Figure SMS_114
为[0,1]范围内均匀分布的随机数。
步骤305：野马交配
交配行为由分配入临时组且来自不同族群的青春期野马交叉产生，假设离开第u个小组的野马和离开v组的野马分别加入了一个临时组，这两只野马是雄性和雌性，由于这两只野马没有家庭关系，因此进入青春期后进行交叉。交叉后对野马父代位置进行更新，增强算法的多样性。
Figure SMS_115
，
式中：
Figure SMS_116
表示临时组w内的小野马c的位置，/>
Figure SMS_117
表示第v个小组内的小野马s的当前位置，Crossver为交叉函数， Mean为平均值函数，/>
Figure SMS_118
为示第v个小组内的小野马s的更新后位置，/>
Figure SMS_119
为范围在 [0,1]之间的随机数。
步骤306：团队领导
领导者带领种群前往合适的栖息地，对于有主之地将进行争夺，失败则会前往别的栖息地，领导者的位置更新公式为：
Figure SMS_120
，
式中：
Figure SMS_121
为第u个小组领导者更新后的位置，/>
Figure SMS_122
表示最优个体位置。
步骤307：领导者选拔
在种群的各项行为中，如果出现了优于领导者适应度的成员，两者将交换身份，表达式为：
Figure SMS_123
，
式中：
Figure SMS_124
为适应的函数，出现的领导者即为最优解。
改良前和改良后的野马算法的最优适应度收敛曲线如图2所示，说明改良后 可以加快寻优效率。
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 (10)

1.一种基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，包括以下步骤：
步骤1：收集超声信号和特高频电磁波信号组成原始数据集；
步骤2：对原始数据集进行归一化处理得到归一化数据集，然后将归一化数据集中的正常点数据用平均值替换生成特征数据集；
步骤3：搭建PNN网络，并使用野马算法优化PNN网络，使PNN网络的平滑因子达到最优值；
步骤4：将特征数据集送入野马算法优化后的PNN网络中进行局部放电在线检测。
2.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤1所述原始数据集表示如下：
Figure QLYQS_1
，
式中，
Figure QLYQS_4
表示第1个采样区间第1个采样点的超声信号；/>
Figure QLYQS_5
表示第m个采样区间第1个采样点的超声信号；/>
Figure QLYQS_7
表示第1个采样区间第n个采样点的超声信号；/>
Figure QLYQS_3
表示第m个采样区间第n个采样点的超声信号；/>
Figure QLYQS_6
表示第1个采样区间第1个采样点的特高频电磁波信号；
Figure QLYQS_8
表示第m个采样区间第1个采样点的特高频电磁波信号； />
Figure QLYQS_9
表示第1个采样区间第n个采样点的特高频电磁波信号；/>
Figure QLYQS_2
表示第m个采样区间第n个采样点的特高频电磁波信号。
3.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤2包括如下过程：
步骤2.1：对原始数据集进行数据预处理；
步骤2.2：对预处理完成的原始数据集进行归一化处理，得到归一化数据集；
步骤2.3：将归一化数据集中的正常点数据用平均归一化值替换：将每个采样点的超声信号或者特高频电磁波信号的归一化值与所在采样区间的超声信号或者特高频电磁波信号的平均归一化值进行作差，将差值的绝对值与异常阈值进行比较，当差值的绝对值大于等于异常阈值时，保留归一化值；若差值小于异常阈值，则将该采样点的归一化值使用平均归一化值进行替换，替换之后形成特征数据集；
步骤2.4：对于特征数据集，若没出现突增和骤降点，则判定未出现局部放电情况。
4.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述PNN网络包括输入层、模式层、求和层、输出层；所述输入层使用特征数据集作为PNN网络输入层的输入数据集；所述模式层计算特征数据集和训练集之间的关系；所述求和层将是否发生局部放电的概率进行累加；所述输出层输出每个神经元对应的GIS是否发生局部放电的结论。
5.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，使用野马算法优化PNN网络时，选用均方根误差函数计算适应度，达到适应度时判断平滑因子达到最优值。
6.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述野马算法进行了改良，改良后的野马算法优化PNN网络的过程如下：
步骤301：创建初始种群：
Figure QLYQS_10
，
Figure QLYQS_11
，
式中：
Figure QLYQS_14
为搜索空间中候选解的总数，即为野马的总数，d为决策变量总数，/>
Figure QLYQS_17
为第/>
Figure QLYQS_21
个候选解，/>
Figure QLYQS_13
为第/>
Figure QLYQS_16
个候选解的第/>
Figure QLYQS_20
个决策变量，i=1,2,…,N；j==1,2,…,d；/>
Figure QLYQS_24
是第/>
Figure QLYQS_12
个候选解的第/>
Figure QLYQS_19
个决策变量的最小边界，/>
Figure QLYQS_23
是第/>
Figure QLYQS_25
个候选解的第/>
Figure QLYQS_15
个决策变量的最大边界；
Figure QLYQS_18
是一个/>
Figure QLYQS_22
均匀分布的随机数；
将初始种群分为几个小组，分组数为G=[N×PS]，其中PS 是种马在种群中的百分比，将其视为野马算法的控制参数，根据种群的数量，得到G个领导者，剩下的N-G个成员平均分配，在初始时随机选取各组的领导者，在后续阶段，根据成员之间的适应度选择领导者；
步骤302：放牧行为：
种群成员在以领导者为圆心进行中心搜索，其表达式为：
Figure QLYQS_26
，
式中：
Figure QLYQS_27
为成员更新后的位置，/>
Figure QLYQS_28
为领导者位置，第/>
Figure QLYQS_29
个候选解/>
Figure QLYQS_30
处于初始位置，/>
Figure QLYQS_31
为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>
Figure QLYQS_32
为自适应机制；
Figure QLYQS_33
，
式中：
Figure QLYQS_36
是由0和1组成的向量，/>
Figure QLYQS_38
和/>
Figure QLYQS_41
为[0,1]空间内均匀分布的随机向量；/>
Figure QLYQS_35
为取值[0,1]之间的随机数，/>
Figure QLYQS_37
为索引，/>
Figure QLYQS_40
表示二进制取反；满足条件/>
Figure QLYQS_42
的随机向量/>
Figure QLYQS_34
返回索引；/>
Figure QLYQS_39
为自适应因子；
Figure QLYQS_43
，
式中：t为迭代次数，
Figure QLYQS_44
为最大迭代次数；
步骤303：引入扰动因子F对领导者进行扰动，领导者在一个圆内扰动，扰动方向由随机角度
Figure QLYQS_45
决定，所选的随机角度介于0和360之间；
Figure QLYQS_46
，/>
Figure QLYQS_47
，
式中：
Figure QLYQS_48
为取值范围在[0,1]之间的随机数，/>
Figure QLYQS_49
为领导者扰动后的位置；
步骤304：增加小野马的自主搜索行为：
Figure QLYQS_50
，
式中：
Figure QLYQS_51
为第u个小组内的小野马g的当前位置，/>
Figure QLYQS_52
为第u个小组内的小野马g更新后的位置，/>
Figure QLYQS_53
为第u个小组内另一匹野马/>
Figure QLYQS_54
的当前位置，/>
Figure QLYQS_55
为第u个小组内领导者的当前位置，/>
Figure QLYQS_56
和/>
Figure QLYQS_57
为[0,1]范围内均匀分布的随机数；
步骤305：野马交配：离开第u个小组的野马和离开v组的野马分别加入了一个临时组，进入青春期后进行交叉；交叉后对野马父代位置进行更新；
Figure QLYQS_58
，
Figure QLYQS_59
，
Figure QLYQS_60
，
Figure QLYQS_61
，
式中：
Figure QLYQS_62
表示临时组w内的小野马c的位置，/>
Figure QLYQS_63
表示第v个小组内的小野马s的当前位置，Crossver为交叉函数， Mean为平均值函数，/>
Figure QLYQS_64
为示第v个小组内的小野马s的更新后位置，/>
Figure QLYQS_65
为范围在 [0,1]之间的随机数；
步骤306：团队领导：领导者的位置更新公式为：
Figure QLYQS_66
，
式中：
Figure QLYQS_67
为第u个小组领导者更新后的位置，/>
Figure QLYQS_68
表示最优个体位置；
步骤307：领导者选拔：
Figure QLYQS_69
，
式中：
Figure QLYQS_70
为适应的函数，出现的领导者即为最优解。
7.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤4的具体过程为：将使用改良野马算法优化后的PNN网络的平滑因子
Figure QLYQS_71
放入到PNN网络中进行GIS局部放电信号的在线检测，采用已经收集到的局部放电时的超声信号和特高频电磁波信号训练PNN网络，经过训练后PNN网络根据特征数据集判断是否发生局部放电，并确定局部放电的具体类型。
8.根据权利要求4所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述模式层计算特征数据集和训练集之间的关系，表示为：
Figure QLYQS_72
，
式中，E1表示特征数据集，也是待检测样本，Wq表示第一、二层之间的权值，
Figure QLYQS_73
表示平滑因子。
9.根据权利要求8所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述输出层输出每个神经元对应的GIS是否发生局部放电的结论，表示为：
Figure QLYQS_74
，
式中，
Figure QLYQS_75
为输入特征数据集E1对应的输出，p为入特征数据集E1的维数，Ekq为第k时刻的第q个训练向量，M为待分类的样本数目。
10.根据权利要求5所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，适应度计算方式如下：
Figure QLYQS_76
，
式中，Ad为适应度，sq为PNN网络输出的第q个预测值，tq为第q个实际值；Q为预测值数量。
CN202310495700.1A 2023-05-05 2023-05-05 基于野马算法优化pnn的gis设备局部放电检测方法 Active CN116203365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310495700.1A CN116203365B (zh) 2023-05-05 2023-05-05 基于野马算法优化pnn的gis设备局部放电检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310495700.1A CN116203365B (zh) 2023-05-05 2023-05-05 基于野马算法优化pnn的gis设备局部放电检测方法

Publications (2)

Publication Number Publication Date
CN116203365A true CN116203365A (zh) 2023-06-02
CN116203365B CN116203365B (zh) 2023-07-18

Family

ID=86508109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310495700.1A Active CN116203365B (zh) 2023-05-05 2023-05-05 基于野马算法优化pnn的gis设备局部放电检测方法

Country Status (1)

Country Link
CN (1) CN116203365B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612837A (zh) * 2023-07-20 2023-08-18 北京建筑大学 基于野马算法优化bp网络的生物炭制备的优化方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563982A (en) * 1991-01-31 1996-10-08 Ail Systems, Inc. Apparatus and method for detection of molecular vapors in an atmospheric region
US5613039A (en) * 1991-01-31 1997-03-18 Ail Systems, Inc. Apparatus and method for motion detection and tracking of objects in a region for collision avoidance utilizing a real-time adaptive probabilistic neural network
US20180038904A1 (en) * 2016-08-05 2018-02-08 Denso Corporation Determining device for determining electrical leakage at specified period
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN114091334A (zh) * 2021-11-18 2022-02-25 国网山东省电力公司电力科学研究院 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法
CN114492543A (zh) * 2022-04-12 2022-05-13 国网山东省电力公司东营供电公司 一种基于时频域特征的局部放电分类识别方法
CN115079052A (zh) * 2022-07-21 2022-09-20 兰州陇能电力科技有限公司 一种变压器故障诊断方法和系统
CN115659665A (zh) * 2022-11-01 2023-01-31 南昌大学 一种基于野马优化算法的电压暂降源信号降噪与识别的方法
CN115689070A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN115954879A (zh) * 2023-03-13 2023-04-11 南昌工程学院 基于ao算法优化pnn的配电网线变关系精准辨识方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563982A (en) * 1991-01-31 1996-10-08 Ail Systems, Inc. Apparatus and method for detection of molecular vapors in an atmospheric region
US5613039A (en) * 1991-01-31 1997-03-18 Ail Systems, Inc. Apparatus and method for motion detection and tracking of objects in a region for collision avoidance utilizing a real-time adaptive probabilistic neural network
US20180038904A1 (en) * 2016-08-05 2018-02-08 Denso Corporation Determining device for determining electrical leakage at specified period
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN114091334A (zh) * 2021-11-18 2022-02-25 国网山东省电力公司电力科学研究院 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法
CN114492543A (zh) * 2022-04-12 2022-05-13 国网山东省电力公司东营供电公司 一种基于时频域特征的局部放电分类识别方法
CN115079052A (zh) * 2022-07-21 2022-09-20 兰州陇能电力科技有限公司 一种变压器故障诊断方法和系统
CN115659665A (zh) * 2022-11-01 2023-01-31 南昌大学 一种基于野马优化算法的电压暂降源信号降噪与识别的方法
CN115689070A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN115954879A (zh) * 2023-03-13 2023-04-11 南昌工程学院 基于ao算法优化pnn的配电网线变关系精准辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林伟;王昕;郑益慧;李立学;: "基于概率神经网络的局部放电信号特征提取与识别研究", 电气自动化, no. 03 *
罗新;牛海清;宋廷汉;庄小亮;: "基于S变换和概率神经网络的局部放电特征提取及放电识别方法", 南方电网技术, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612837A (zh) * 2023-07-20 2023-08-18 北京建筑大学 基于野马算法优化bp网络的生物炭制备的优化方法
CN116612837B (zh) * 2023-07-20 2023-10-20 北京建筑大学 基于野马算法优化bp网络的生物炭制备的优化方法

Also Published As

Publication number Publication date
CN116203365B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
US11740619B2 (en) Malfunction early-warning method for production logistics delivery equipment
CN110147321B (zh) 一种基于软件网络的缺陷高风险模块的识别方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN105759201B (zh) 基于异常样本识别的高压断路器自诊断方法
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN111414703B (zh) 一种滚动轴承剩余寿命预测方法及装置
CN116203365B (zh) 基于野马算法优化pnn的gis设备局部放电检测方法
CN113987033B (zh) 主变在线监测数据群体偏差识别与校准方法
Shi et al. Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction
CN117421684B (zh) 基于数据挖掘和神经网络的异常数据监测与分析方法
CN115618261A (zh) 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法
CN112363896A (zh) 日志异常检测系统
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN108390380A (zh) 一种变压器状态参量趋势预测方法及系统
JP2020123094A (ja) 音生成装置、データ生成装置、異常度算出装置、指標値算出装置、およびプログラム
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN114374541A (zh) 一种基于强化学习的异常网络流量检测器生成方法
CN116668083A (zh) 一种网络流量异常检测方法及系统
CN117368651B (zh) 一种配电网故障综合分析系统及方法
CN110166422A (zh) 域名行为识别方法、装置、可读存储介质和计算机设备
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN111060755A (zh) 一种电磁干扰诊断方法和装置
CN115184734A (zh) 一种电网线路故障检测方法和系统
CN115309948A (zh) 一种基于运动轨迹自动识别的渔船作业方法

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