CN116203365B - 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
CN116203365B
CN116203365B CN202310495700.1A CN202310495700A CN116203365B CN 116203365 B CN116203365 B CN 116203365B CN 202310495700 A CN202310495700 A CN 202310495700A CN 116203365 B CN116203365 B CN 116203365B
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.)
Active
Application number
CN202310495700.1A
Other languages
English (en)
Other versions
CN116203365A (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

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：
；
式中，表示第1个采样区间第1个采样点的超声信号；/>表示第m个采样区间第1个采样点的超声信号；/>表示第1个采样区间第n个采样点的超声信号；/>表示第m个采样区间第n个采样点的超声信号；/>表示第1个采样区间第1个采样点的特高频电磁波信号；/>表示第m个采样区间第1个采样点的特高频电磁波信号；/>表示第1个采样区间第n个采样点的特高频电磁波信号；/>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，则初步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：
；
；
式中：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，/>为第/>个候选解，/>为第/>个候选解的第/>个决策变量，i=1,2,…,N；j==1,2,…,d；/>是第个候选解的第/>个决策变量的最小边界，/>是第/>个候选解的第/>个决策变量的最大边界；/>是一个/>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：
；
式中：为成员更新后的位置，/>为领导者位置，第/>个候选解/>处于初始位置，/>为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>为自适应机制；
；
式中：是由0和1组成的向量，/>和/>为[0,1]空间内均匀分布的随机向量；/>为取值[0,1]之间的随机数，/>为索引，/>表示二进制取反；满足条件/>的随机向量/>返回索引；/>为自适应因子；
；
式中：t为迭代次数，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决定，所选的随机角度介于0和360之间；
；
；
式中：为取值范围在[0,1]之间的随机数，/>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：
；
式中：为第u个小组内的小野马g的当前位置，/>为第u个小组内的小野马g更新后的位置，/>为第u个小组内另一匹野马/>的当前位置，/>为第u个小组内领导者的当前位置，/>和/>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；
；
；
；
；
式中：表示临时组w内的小野马c的位置，/>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，/>为示第v个小组内的小野马s的更新后位置，/>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：
；
式中：为第u个小组领导者更新后的位置，/>表示最优个体位置；
步骤307：领导者选拔：
；
式中：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；
；
式中，表示第1个采样区间第1个采样点的超声信号；/>表示第m个采样区间第1个采样点的超声信号；/>表示第1个采样区间第n个采样点的超声信号；/>表示第m个采样区间第n个采样点的超声信号；/>表示第1个采样区间第1个采样点的特高频电磁波信号；/>表示第m个采样区间第1个采样点的特高频电磁波信号；/>表示第1个采样区间第n个采样点的特高频电磁波信号；/>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：
；
式中：Z表示的是归一化值，z表示原始特征数据，表示原始特征数据最大值，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；
；
式中，表示第1采样区间的超声信号归一化平均值；/>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)/>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)；/>表示第m采样区间的特高频电磁波信号归一化平均值；/>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)，/>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：
；
式中，E 1 表示特征数据集，也是待检测样本，W q 表示第一、二层之间的权值，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：
；
式中，为输入特征数据集E 1对应的输出，p为输入特征数据集E 1的维数，E kq 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：
；
式中，A d 为适应度，s q 为PNN网络输出的第q个预测值，t q 为第q个实际值；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：
；
；
式中：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，/>为第/>个候选解，/>为第/>个候选解的第/>个决策变量，i=1,2,…,N；j==1,2,…,d；/>是第个候选解的第/>个决策变量的最小边界，/>是第/>个候选解的第/>个决策变量的最大边界；/>是一个/>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：
；
式中：为成员更新后的位置，/>为领导者位置，第/>个候选解/>处于初始位置，/>为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>为自适应机制。
；
式中：是由0和1组成的向量，/>和/>为[0,1]空间内均匀分布的随机向量；/>为取值[0,1]之间的随机数，/>为索引，/>表示二进制取反。满足条件/>的随机向量/>返回索引；/>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。
；
式中：t为迭代次数， 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决定，所选的随机角度介于0和360之间。
；
；
式中：为取值范围在[0,1]之间的随机数，/>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：
；
式中：为第u个小组内的小野马g的当前位置，/>为第u个小组内的小野马g更新后的位置，/>为第u个小组内另一匹野马/>的当前位置，/>为第u个小组内领导者的当前位置，/>和/>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。
；
；
；
；
式中：表示临时组w内的小野马c的位置，/>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，/>示第v个小组内的小野马s的更新后位置，/>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：
；
式中：为第u个小组领导者更新后的位置，/>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：
；
式中：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 (7)

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；
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：
；
式中，A d 为适应度，s q 为PNN网络输出的第q个预测值，t q 为第q个实际值；为预测值数量；
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：
；
；
式中：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，/>为第/>个候选解，/>为第/>个候选解的第/>个决策变量，i=1,2,…,N；j==1,2,…,d；/>是第/>个候选解的第/>个决策变量的最小边界，/>是第/>个候选解的第/>个决策变量的最大边界；是一个/>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：
；
式中：为成员更新后的位置，/>为领导者位置，第/>个候选解/>处于初始位置，/>为取值[-2,2]之间的随机数，用来控制成员与领导者的角度，/>为自适应机制；
；
式中：是由0和1组成的向量，/>和/>为[0,1]空间内均匀分布的随机向量；/>为取值[0,1]之间的随机数，/>为索引，/>表示二进制取反；满足条件/>的随机向量/>返回索引；/>为自适应因子；
；
式中：t为迭代次数， 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决定，所选的随机角度介于0和360之间；
；
；
式中：为取值范围在[0,1]之间的随机数，/>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：
；
式中：为第u个小组内的小野马g的当前位置，/>为第u个小组内的小野马g更新后的位置，/>为第u个小组内另一匹野马/>的当前位置，/>为第u个小组内领导者的当前位置，/>和/>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；
；
；
；
；
式中： 表示临时组w内的小野马c的位置，/>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，/>为示第v个小组内的小野马s的更新后位置，/>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：
；
式中：为第u个小组领导者更新后的位置，/>表示最优个体位置；
步骤307：领导者选拔：
；
式中：为适应的函数，出现的领导者即为最优解。
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：
；
式中，表示第1个采样区间第1个采样点的超声信号；/>表示第m个采样区间第1个采样点的超声信号；/>表示第1个采样区间第n个采样点的超声信号；/>表示第m个采样区间第n个采样点的超声信号；/>表示第1个采样区间第1个采样点的特高频电磁波信号；表示第m个采样区间第1个采样点的特高频电磁波信号；/>表示第1个采样区间第n个采样点的特高频电磁波信号；/>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，则初步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，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。
6.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：
；
式中，E 1 表示特征数据集，也是待检测样本，W q 表示第一、二层之间的权值，表示平滑因子。
7.根据权利要求6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：
；
式中，为输入特征数据集E 1对应的输出，p为输入特征数据集E 1的维数，E kq 为第k时刻的第q个训练向量，M为待分类的样本数目。
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 CN116203365A (zh) 2023-06-02
CN116203365B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN118656731A (zh) * 2024-08-06 2024-09-17 南昌工程学院 一种基于神经网络的变压器局部放电检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US5563982A (en) * 1991-01-31 1996-10-08 Ail Systems, Inc. Apparatus and method for detection of molecular vapors in an atmospheric region
JP6708046B2 (ja) * 2016-08-05 2020-06-10 株式会社デンソー 漏電判定装置
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
CN109975665B (zh) * 2019-03-22 2020-06-19 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
CN115689070B (zh) * 2023-01-03 2023-12-22 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
CN115954879B (zh) * 2023-03-13 2023-10-27 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 (1)

* Cited by examiner, † Cited by third party
Title
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;罗新;牛海清;宋廷汉;庄小亮;;南方电网技术(07);全文 *

Also Published As

Publication number Publication date
CN116203365A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN116203365B (zh) 基于野马算法优化pnn的gis设备局部放电检测方法
US11740619B2 (en) Malfunction early-warning method for production logistics delivery equipment
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
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
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
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN113792754B (zh) 一种先除异后修复的换流变dga在线监测数据处理方法
CN113987033B (zh) 主变在线监测数据群体偏差识别与校准方法
CN111414703A (zh) 一种滚动轴承剩余寿命预测方法及装置
CN108390380A (zh) 一种变压器状态参量趋势预测方法及系统
CN109711664B (zh) 一种基于大数据的输变电设备健康评估系统
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN117741514B (zh) 一种船用线缆的状态检测方法及系统
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
CN117170980B (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
CN118017502A (zh) 基于数字孪生的配电算力预测方法、系统及介质
CN116470504A (zh) 一种分布式配电网自愈控制系统
CN116541780A (zh) 输电线路舞动预警方法、装置、设备及存储介质
CN115184734A (zh) 一种电网线路故障检测方法和系统
Balouji et al. A deep learning approach to earth fault classification and source localization
Sun et al. A vulnerability spatiotemporal distribution prognosis framework for integrated energy systems within intricate data scenes according to importance-fuzzy high-utility pattern identification
CN111967593A (zh) 一种基于建模对异常数据进行处理的方法和系统
Zhao et al. Operation and Maintenance Management and Decision Analysis in Distribution Network Based on Big Data Mining
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

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