CN116244600A - 一种gis间歇性放电模式识别模型的构建方法、系统及设备 - Google Patents
一种gis间歇性放电模式识别模型的构建方法、系统及设备 Download PDFInfo
- Publication number
- CN116244600A CN116244600A CN202310262710.0A CN202310262710A CN116244600A CN 116244600 A CN116244600 A CN 116244600A CN 202310262710 A CN202310262710 A CN 202310262710A CN 116244600 A CN116244600 A CN 116244600A
- Authority
- CN
- China
- Prior art keywords
- feature
- partial discharge
- gis
- optimal
- discharge
- 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
Classifications
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明实施例公开了一种GIS间歇性放电模式识别模型的构建方法、系统及设备,所述方法包括以下步骤:采集GIS间歇性放电过程中不同类型的局放信息;根据不同类型的局放信息提取训练集和测试集,利用所述训练集训练初始BP神经网络;从所述测试集中获取局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将其组成局放故障状态评估特征集;利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,得到GIS间歇性放电模式的识别模型。本发明结合了MRMR算法和BP神经网络算法,其总体识别率要优于单一BP神经网络总体识别率,能够准确识别间歇性放电故障。
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GIS间歇性放电模式识别模型的构建方法、系统及设备。
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使其已广泛应用在城市配电网的不同电压等级系统中,然而在其生产、运输、检修等过程中可能会使其内部发生变化而导致GIS产生缺陷,其缺陷将导致GIS发生局部放电(简称局放)现象,局放现象可能导致GIS产生绝缘故障从而造成电网停电事故。为了避免有缺陷的GIS对电网造成影响,国内外技术人员通过对检测到异常信号的GIS进行解体后检查,将具有缺陷的GIS挑选出来。国内对于GIS局放一般采取特高频检测法,通过现场采集到的局放特高频时域信号来判断GIS局放及其严重程度。
尽管国内外对局放绝缘缺陷技术检测做了大量的理论和试验研究,但近年来现有的GIS局部放电在线监测系统出现了较多的误报和漏报问题,间歇性放电是导致误报和漏报的主要原因。间歇性放电每次放电之间的时间间隔远远大于稳定放电时间间隔,导致传统的局放检测系统将间歇性放电脉冲判断为干扰信号而被忽略。
MRMR(Max-Relevance and Min-Redundancy)最小冗余最大相关性算法是为了解决通过最大化特征与目标变量的相关关系度量得到的最好的m个特征,MRMR算法保证对最大相关性的同时,彼此之间又有最小的冗余性。针对从声、光、电、磁和化学等多个角度对GIS间歇性放电进行多源检测所采集到的信号,提取出能有效表征GIS间歇性放电故障状态的特征参量,利用MRMR算法可以分析各特征量之间的冗余性,进而对局放特征量进行优选排序,最优特征所组成的局放故障状态评估特征集可以用来构建GIS间歇性放电故障诊断体系,指导现场电力设备的故障诊断和状态评估。
BP神经网络作为一种成熟的人工神经网络模型,是一种学习和存储输入-输出模式映射关系,其结构含输入层、隐含层、输出层三层结构。BP神经网络主要有两个过程,前向传播和反向误差传播,输入信号经输入层传入隐含层,隐含层的神经元有相应的激活函数,经过激活函数再输入至输出层,能够基于放电特征量进行放电模式的有效识别。运用BP神经网络不仅能评估GIS间歇性放电故障状态,还可以通过评估准确率测试优选出的局放特征集的优劣,寻找出最优的GIS间歇性放电局放特征集。
发明内容
本发明提供一种GIS间歇性放电模式识别模型的构建方法、系统及设备,结合了MRMR算法和BP神经网络算法,解决了GIS间歇性放电特征优选和模式识别的问题,能够准确识别间歇性放电缺陷类型。
本发明提出一种GIS间歇性放电模式识别模型的构建方法,包括以下步骤:
采集GIS间歇性放电过程中不同类型的局放信息;
根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
从所述测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网络的参数进行调整,包括对初始BP神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
进一步地,所述根据不同类型的局放信息获取对应类型的局放特征包括:
采用MRMR算法对所述局放信息进行降维处理,从局放信息得到不同的变量X和Y,并确定降维处理后的各个局放信息中变量X和Y之间的互信息。
进一步地,所述局放信息包括特高频信号、超声波信号、脉冲电流信号、光学信号和化学信息。
进一步地,从所述局放特征提取初步特征参数,之后还包括:
对所述初步特征参数进行数据归一化处理,利用不同类型且进行数据归一化处理后的初步特征参数构成m个不同的特征子集。
进一步地,对于离散型的变量X和Y,所述变量X和Y之间的互信息I(X,Y)的定义为:
对于连续型的变量X和Y,所述变量X和Y之间的互信息I(X,Y)的定义为:
其中,p(x)、p(y)和p(x,y)分别为变量x的概率密度、变量y的概率密度以及变量x和y的联合概率密度。
进一步地,从所述测试集中获取互信息最大的局放特征Vx和Vy,根据局放特征Vx和Vy,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,包括以下步骤:
从所述测试集中获取互信息最大的局放特征VX和VY,组成互信息最大的局放特征VX和VY,组成互信息最大的特征子集S,从所述特征子集S中寻找满足MRMR准则的n个最优特征集。
进一步地,从所述特征子集S中寻找满足MRMR准则的n个最优特征集包括以下步骤:
根据MRMR准则从所述特征子集S初步优选满足MRMR准则的局放特征VX的第一最优子集S1,所述第一最优子集S1的表达式为:
S1={Vx}
其中,Vx表示特征子集中筛选互信息最大的局放特征VX的特征子集;
确定若所述第一最优子集S1中最优特征集的数量已达到n,则将n个最优特征集组成局放故障状态评估特征集;
若所述第一最优子集S1中最优特征集的数量没达到n,则从m个不同的特征子集中确定第一剩余特征集F1,F1的表达式为:
F1=F-S 1
其中,F为m个所述特征子集的集合,F1为从所述特征子集的集合中去掉第一最优子集S1后的第一剩余特征集;
并继续从所述第一剩余特征集F1中寻找满足MRMR准则的局放特征VY,将其和第一最优子集S1融合得到第二最优子集为S2,S2的表达式为:
S2=S1∪{Vy}
其中,Vy表示特征子集中筛选互信息最大的局放特征VY的特征子集,所述第二最优子集S2为最优子集S1和局放特征VY的交集;
在第二最优子集S2中的特征个数未达到n时,则对MRMR准则中的相关参数进行调整得到新的MRMR准则,并继续从所述第一剩余特征集F1中确定第二剩余特征集F2,从所述第二剩余特征集F2中寻找满足新的MRMR准则的局放特征,直到所述第二最优子集S2中的特征个数达到n;
所述第二剩余特征集F2的表达式为:
F2=F1-S2
F2表示在所述第一剩余特征集F1的基础上,去掉第二最优子集S2后的特征集。
进一步地,得到GIS间歇性放电模式的识别模型,之后还包括以下步骤:
获取GIS间歇性放电过程中不同类型实时的局放信息,通过所述识别模型进行识别,得到间歇性放电缺陷类型。
本发明还提供一种GIS间歇性放电模式识别模型的构建系统,包括:
局放信息模块,用于采集GIS间歇性放电过程中不同类型的局放信息;
初始BP神经网络获取模块,根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
局放故障状态评估特征集获得模块,用于从测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
识别模型获得模块,用于利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网络的参数进行调整,包括对初始BP神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
本发明还提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行所述的一种GIS间歇性放电模式识别模型的构建方法。
与现有技术相比,本发明具有如下优点:
1、本发明结合了MRMR算法和BP神经网络算法,解决了GIS间歇性放电特征优选和模式识别的问题,其总体识别率要优于单一BP神经网络总体识别率,不仅能评估GIS间歇性放电故障状态,还可以通过评估准确率测试优选出的局放特征集的优劣,寻找出最优的GIS间歇性放电局放特征集;
2、本发明针对GIS间歇性放电,利用多源检测技术所采集到的声、光、电、磁和化学等放电信号进行最优特征量选择和实现模式识别来评估GIS间歇性放电故障状态。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1、本发明的一种GIS间歇性放电模式识别模型的构建方法流程图;
图2、本发明的BP神经网络工作流程图;
图3、现有BP神经网络识别输出混淆矩阵图;
图4、本发明的基于MRMR特征优选的BP神经网络识别输出混淆矩阵图。
具体实施方式
以下结合附图1~4和具体实施例对本发明实施例作进一步的详细说明。
如图1所示,本实施例提供一种GIS间歇性放电模式识别模型的构建方法,包括以下步骤:
采集GIS间歇性放电过程中不同类型的局放信息;
根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
从所述测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网络的参数进行调整,包括对初始BP神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
本发明结合了MRMR算法和BP神经网络算法,解决了GIS间歇性放电特征优选和模式识别的问题,其总体识别率要优于单一BP神经网络总体识别率,不仅能评估GIS间歇性放电故障状态,还可以通过评估准确率测试优选出的局放特征集的优劣,寻找出最优的GIS间歇性放电局放特征集。
本实施例中,采用MRMR算法对局放信息进行降维处理,减少数据的冗余信息,从局放信息得到不同的变量X和Y,并确定降维处理后的各个局放信息中变量X和Y之间的互信息。
进一步地,本实施例中的局放信息包括特高频信号、超声波信号、脉冲电流信号、光学信号和化学信息。具体的局放信息分别为特高频的PRPD放电图谱、超声波、脉冲电流及包括方差、标准差、均方根、偏度、波形因子、峰值因子、脉冲因子等特征值的光学的时域图谱。其中,特高频的PRPD放电图谱包括偏斜度、陡峭度、相位不对称度、放电量因数等特征值,特高频的PRPD放电图谱还包括气体分解特征组分的浓度值;时域图谱中所包含的方差、标准差、均方根、偏度、波形因子、峰值因子、脉冲因子等特征值是由特高频检测法、超声波检测法、脉冲电流检测法和光学检测法所得到,特高频的PRPD放电图谱中所包含偏斜度、陡峭度、相位不对称度、放电量因数等特征值由特高频检测法所得到,浓度值信息由化学检测法所得到。
其中,超声波的时域图谱的峰值时间Tp和信号均值μt分别为变量X和Y,其他声、电、磁和化学检测法的随机变量X和Y也参照其进行选择。本发明针对GIS间歇性放电,利用多源检测技术所采集到的声、光、电、磁和化学等放电信号进行最优特征量选择和实现模式识别来评估GIS间歇性放电故障状态。
本实施例,还需要对初步特征参数进行数据归一化处理,利用不同类型且进行数据归一化处理后的初步特征参数构成m个不同的特征子集。
本实施例,通过人工来判断上述随机变量X和Y属于离散型或连续型。对于离散型的变量X和Y,变量X和Y之间的互信息I(X,Y)的定义为:
对于连续型的变量X和Y,变量X和Y之间的互信息I(X,Y)的定义为:
其中,p(x)、p(y)和p(x,y)分别为变量x的概率密度、变量y的概率密度以及变量x和y的联合概率密度,其中变量x∈X、y∈Y;I(X,Y)值越大,表明两变量相似度越高,若两个变量相互独立,则I(X,Y)等于0。
本实施例中,从所述测试集中获取互信息最大的局放特征VX和VY,组成互信息最大的局放特征VX和VY,组成互信息最大的特征子集S,从所述特征子集S中寻找满足MRMR准则的n个最优特征集。
本实施例中,从所述特征子集S中寻找满足MRMR准则的n个最优特征集,包括以下步骤:
根据MRMR准则从特征子集S初步优选满足MRMR准则的局放特征VX的第一最优子集S1,第一最优子集S1的表达式为:
S1={Vx}
其中,Vx表示特征子集中筛选互信息最大的局放特征VX的特征子集;
确定若第一最优子集S1中最优特征集的数量已达到n,则将n个最优特征集组成局放故障状态评估特征集;
若第一最优子集S1中最优特征集的数量没达到n,则从m个不同的特征子集中确定第一剩余特征集F1,F1的表达式为:
F1=F-S 1
其中,F为m个特征子集的集合,F1为从特征子集的集合中去掉第一最优子集S1后的第一剩余特征集;
并继续从第一剩余特征集F1中寻找满足MRMR准则的局放特征VY,将其和第一最优子集S1融合得到第二最优子集为S2,S2的表达式为:
S2=S1∪{Vy}
其中,Vy表示特征子集中筛选互信息最大的局放特征VY的特征子集,第二最优子集S2为最优子集S1和局放特征VY的交集;
在第二最优子集S2中的特征个数未达到n时,则对MRMR准则中的相关参数进行调整得到新的MRMR准则,并继续从第一剩余特征集F1中确定第二剩余特征集F2,从第二剩余特征集F2中寻找满足新的MRMR准则的局放特征,直到第二最优子集S2中的特征个数达到n;
第二剩余特征集F2的表达式为:
F2=F1-S2
F2表示在第一剩余特征集F1的基础上,去掉第二最优子集S2后的特征集。
本实施例中,如图2所示,对初始BP神经网的参数进行调整包括以下步骤:
将局放故障状态评估特征集输入至已训练过的初始BP神经网络;
对BP神经网络整体结构的参数初始化处理,其中,构建BP神经网络模型中传递函数用purelin,采用梯度下降训练法,神经网络层数取20;训练次数设置为1000;学习速率设置0.01,训练目标最小误差取0.00001;附加动量因子设置为0.01;最小性能梯度取0.000001;
计算BP神经网络的输入和输出值,输入层为信息的输入端,输出层为信息的输出端,隐含层的每个神经元的输入值由前一层的输出数据经过不同节点之间相对应的权重再加上隐含层节点的偏置值之和来确定;
计算输出层误差Loss,根据每一次前向传播计算出来的输出值和实际值的误差函数对偏置和权值进行求导再更新;
当输出层误差Loss达到最小值时,输出结果,实现GIS内部间歇性放电故障类型识别,当输出层误差Loss较小时,修正权值和阈值直到Loss达到最小值,最终输出结果;
当输出层误差Loss较大时,返回重新计算BP神经网络的输入和输出值,再计算输出层误差Loss,当其达到最小值,输出结果,实现GIS内部间歇性放电故障类型识别。
本实施例中,输出层的激活函数为Softmax,Softmax函数是用于多类分类问题的激活函数,Softmax函数的分母结合了原始输出值的所有因子,所获得的各种概率彼此相关,其表达式为:
式中,Si为输出层的输出值,Vi是前一层的输出,C为类别的总个数,i为类别的索引。
本实施例中,误差函数为分类交叉熵函数,其表达式为:
其中,Loss表示输出层误差;ti表示的是真实值,C为类别的总个数,i为类别的索引,yi表示的是求出的Softmax分类器的值。
本实施例还提供一种GIS间歇性放电模式识别模型的构建系统,包括:
局放信息模块,用于采集GIS间歇性放电过程中不同类型的局放信息;
初始BP神经网络获取模块,根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
局放故障状态评估特征集获得模块,用于从测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
识别模型获得模块,用于利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网络的参数进行调整,包括对初始BP神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
本发明还提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如前所述的一种GIS间歇性放电模式识别模型的构建方法。
如图3~4,本实施例在实验室内搭建GIS间歇性放电试验平台,采集绝缘子表面金属污秽、绝缘子内部气隙、悬浮电极和金属突出物四种GIS内部典型间歇性放电缺陷特高频时域数据,每种缺陷各采集100组数据,其中每一组缺陷数据70组用来做训练集,利用所述训练集训练初始BP神经网络,剩下30组用来做测试集。本实施例中,最优特征集中所选取的具体特征如下,对于所采集到的PRPD图谱信号,提取图谱中的正半周、负半周以及整个工频周期的正负偏斜度和正负陡峭度、正负半周放电次数和幅值比值和正负半周互相关系数;对于所采集到的原始TRPD信号,提取信号中的均方根、方差、绝对积分平均值、峰度、偏度、功率谱最大值、中值频率和平均功率频率。
四种不同类型的初步特征参数构成24个不同的特征子集,将所述特征子集中的各初步特征参数划分到所述训练集和测试集中,利用所述训练集训练初始BP神经网络。用BP神经网络对原始数据进行模式识别研究,用MRMR算法对原始数据特征量进行特征优选,将优选后的特征量输入至BP神经网络中进行模式识别研究。本实施例中,通过获取GIS间歇性放电过程中不同类型实时的局放信息,通过所述识别模型进行识别,得到间歇性放电缺陷类型
从所述测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集。从上述步骤中输出n个最优特征组成最优集至已经训练好的BP神经网络中,利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,对初始BP神经网的参数进行调整,包括对神经网络层数、训练次数进行调整,并通过混淆矩阵输出对不同缺陷识别的预测值和真实值。
图3、图4分别为现有BP神经网络识别输出混淆矩阵图与本发明的基于MRMR特征优选的BP神经网络识别输出混淆矩阵图,其中真实标签代表所测试的数据的原始归类,预测标签代表所测试的数据的预测归类,图中的数据代表识别率,NaN代表一个“不是数字”的值。从输出混淆矩阵图中可以看出基于MRMR特征优选的BP神经网络总体识别率可达95%,BP神经网络总体识别率为85%,基于MRMR特征优选的BP神经网络总体识别率要优于单一BP神经网络总体识别率。
Claims (10)
1.一种GIS间歇性放电模式识别模型的构建方法,其特征在于,包括以下步骤:
采集GIS间歇性放电过程中不同类型的局放信息;
根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
从所述测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网的参数进行调整,包括对神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
2.根据权利要求1所述的一种GIS间歇性放电模式识别模型的构建方法,其特征在于,所述根据不同类型的局放信息获取对应类型的局放特征包括:
采用MRMR算法对所述局放信息进行降维处理,从局放信息得到不同的变量X和Y,并确定降维处理后的各个局放信息中变量X和Y之间的互信息。
3.根据权利要求1所述的一种GIS间歇性放电模式识别模型的构建方法,其特征在于,所述局放信息包括特高频信号、超声波信号、脉冲电流信号、光学信号和化学信息。
4.根据权利要求1所述的一种GIS间歇性放电模式识别方法,其特征在于,从所述局放特征提取初步特征参数,之后还包括:
对所述初步特征参数进行数据归一化处理,利用不同类型且进行数据归一化处理后的初步特征参数构成m个不同的特征子集。
6.根据权利要求1所述的一种GIS间歇性放电模式识别模型的构建方法,其特征在于,从所述测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,包括以下步骤:
从所述测试集中获取互信息最大的局放特征VX和VY,组成互信息最大的局放特征VX和VY,组成互信息最大的特征子集S,从所述特征子集S中寻找满足MRMR准则的n个最优特征集。
7.根据权利要求6所述的一种GIS间歇性放电模式识别模型的构建方法,其特征在于,从所述特征子集S中寻找满足MRMR准则的n个最优特征集包括以下步骤:
根据MRMR准则从所述特征子集S初步优选满足MRMR准则的局放特征VX的第一最优子集S1,所述第一最优子集S1的表达式为:
S1={Vx}
其中,Vx表示特征子集中筛选互信息最大的局放特征VX的特征子集;
确定若所述第一最优子集S1中最优特征集的数量已达到n,则将n个最优特征集组成局放故障状态评估特征集;
若所述第一最优子集S1中最优特征集的数量没达到n,则从m个不同的特征子集中确定第一剩余特征集F1,F1的表达式为:
F1=F-S 1
其中,F为m个所述特征子集的集合,F1为从所述特征子集的集合中去掉第一最优子集S1后的第一剩余特征集;
并继续从所述第一剩余特征集F1中寻找满足MRMR准则的局放特征Vy,将其和第一最优子集S1融合得到第二最优子集为S2,S2的表达式为:
S2=S1∪{Vy}
其中,Vy表示特征子集中筛选互信息最大的局放特征VY的特征子集,所述第二最优子集S2为最优子集S1和局放特征VY的交集;
在第二最优子集S2中的特征个数未达到n时,则对MRMR准则中的相关参数进行调整得到新的MRMR准则,并继续从所述第一剩余特征集F1中确定第二剩余特征集F2,从所述第二剩余特征集F2中寻找满足新的MRMR准则的局放特征,直到所述第二最优子集S2中的特征个数达到n;
所述第二剩余特征集F2的表达式为:
F2=F1-S2
F2表示在所述第一剩余特征集F1的基础上,去掉第二最优子集S2后的特征集。
8.根据权利要求1所述的一种GIS间歇性放电模式识别模型的构建方法,其特征在于,得到GIS间歇性放电模式的识别模型,之后还包括以下步骤:
获取GIS间歇性放电过程中不同类型实时的局放信息,通过所述识别模型进行识别,得到间歇性放电缺陷类型。
9.一种GIS间歇性放电模式识别模型的构建系统,其特征在于,包括:
局放信息模块,用于采集GIS间歇性放电过程中不同类型的局放信息;
初始BP神经网络获取模块,根据不同类型的局放信息获取对应类型的局放特征,并从所述局放特征提取初步特征参数,不同类型的初步特征参数构成m个不同的特征子集,将m个不同的特征子集中的各初步特征参数划分到训练集和测试集中,利用所述训练集训练初始BP神经网络;
局放故障状态评估特征集获得模块,用于从测试集中获取互信息最大的局放特征VX和VY,根据局放特征VX和VY,从所设定的m个不同的特征子集中寻找满足MRMR准则的n个最优特征集,将所述n个最优特征集组成局放故障状态评估特征集;
识别模型获得模块,用于利用所述局放故障状态评估特征集对训练好的初始BP神经网络进行测试,以对初始BP神经网络的参数进行调整,包括对初始BP神经网络层数、训练次数进行调整,得到GIS间歇性放电模式的识别模型。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-8任一项所述的一种GIS间歇性放电模式识别模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262710.0A CN116244600A (zh) | 2023-03-17 | 2023-03-17 | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262710.0A CN116244600A (zh) | 2023-03-17 | 2023-03-17 | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244600A true CN116244600A (zh) | 2023-06-09 |
Family
ID=86629533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310262710.0A Pending CN116244600A (zh) | 2023-03-17 | 2023-03-17 | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244600A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
-
2023
- 2023-03-17 CN CN202310262710.0A patent/CN116244600A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
CN117054104B (zh) * | 2023-08-15 | 2024-02-06 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN111626153A (zh) | 一种基于集成学习的局放故障状态识别方法 | |
CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN113609955A (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 | |
CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN116363601A (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
CN116503710A (zh) | 基于自适应卷积神经网络的gis局部放电类型识别方法 | |
CN116008747A (zh) | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 | |
CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
CN114970977A (zh) | 数字化城市空气质量监测数据的异常数据检测方法及系统 | |
CN116500386A (zh) | 一种风电场集电线路电缆局放信号采集处理方法 | |
CN113591363A (zh) | 一种基于多频超声检测的变压器油介质损耗回归预测方法 | |
CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
CN114692677A (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
CN113156278A (zh) | 一种基于cnn网络的gis局部放电定位方法 |
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 |