CN118196479A - Gis设备局部放电类型确定方法、装置、设备及存储介质 - Google Patents

Gis设备局部放电类型确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN118196479A
CN118196479A CN202410208146.9A CN202410208146A CN118196479A CN 118196479 A CN118196479 A CN 118196479A CN 202410208146 A CN202410208146 A CN 202410208146A CN 118196479 A CN118196479 A CN 118196479A
Authority
CN
China
Prior art keywords
partial discharge
prps
image
gis
samples
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
Application number
CN202410208146.9A
Other languages
English (en)
Inventor
苑超
丁晓森
申张亮
马宏忠
陈寿龙
许洪华
陈昊
刘宝稳
胡天羽
许自强
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.)
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Hohai University HHU, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Hohai University HHU
Priority to CN202410208146.9A priority Critical patent/CN118196479A/zh
Publication of CN118196479A publication Critical patent/CN118196479A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了GIS设备局部放电类型确定方法、装置、设备及存储介质，包括：获取局部放电数据；将局部放电数据转化为脉冲序列相位分布PRPS图像；采用完全局部二值模式方法提取PRPS图像的图像特征；获取SVM识别模型的参数对对应的范围区间；在范围区间内生成多个参数对以构成参数对集合；对参数对集合执行搜索操作，直至得到每个参数对的适应度；根据适应度最大的参数对确定目标SVM识别模型；将PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；本发明实现局部放电类型的精准辨识，有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度。

Description

GIS设备局部放电类型确定方法、装置、设备及存储介质
技术领域
本发明实施例涉及电力设备状态监测技术领域，尤其涉及一种GIS设备局部放电类型确定方法、装置、设备及存储介质。
背景技术
气体绝缘开关设备(Gas Insulated Switchgear，GIS)因其具有良好的绝缘性能、可靠性高、体积小的特点，是变电站中的主要设备。但是由于工作环境较为复杂经常会出现绝缘老化引发局部放电，进而导致绝缘击穿发生故障。局部放电作为电力设备绝缘老化的重要标志和绝缘故障的前兆，对于GIS设备绝缘状态监测有着重要的工程价值。
由于GIS设备发生不同类型局部放电故障时视在放电量不同对绝缘的损害也不同，因此对于局部放电故障类型精准辨识有助于对故障的严重程度进行判断，对设备健康状态进行准确的判断。而目前电力设备局部放电类型检测主要是依靠局部放电信号的信号特征进行检测，但由于局部放电信号采集过程中存在底噪且较难去除会对故障类型的辨识造成影响，降低故障的识别精度。
发明内容
本发明实施例提供一种GIS设备局部放电类型确定方法、装置、设备及存储介质，以实现局部放电类型的精准辨识，有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度，提升GIS设备的健康状态检测水平。
第一方面，本发明实施例提供了一种GIS设备局部放电类型确定方法，包括：
获取局部放电数据；
将局部放电数据转化为脉冲序列相位分布PRPS(Phase Resolved PulseSequence)图像；
采用完全局部二值模式(Completed Local Binary Patterns,CLBP)方法提取PRPS图像的图像特征；
获取SVM识别模型的参数对对应的范围区间；
在范围区间内生成多个参数对以构成参数对集合；
对参数对集合执行搜索操作，直至得到每个参数对的适应度；
根据适应度最大的参数对确定目标SVM识别模型；
将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；
其中，所述搜索操作包括：
对所述参数对集合进行搜索，得到待选参数对；
基于适应度函数确定待选参数对的适应度。
可选的，基于适应度函数确定待选参数对的适应度，包括：
获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；
基于待选参数对生成第一SVM识别模型；
将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；
根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；
根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
可选的，所述适应度函数为：
其中，fitness为待选参数对的适应度，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
可选的，根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度，包括：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度；
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
可选的，在范围区间内生成多个参数对以构成参数对集合，包括：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
可选的，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。可选的，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
第二方面，本发明实施例提供了一种GIS设备局部放电类型确定装置，包括：
第一获取模块，用于获取局部放电数据；
转化模块，用于将局部放电数据转化为脉冲序列相位分布PRPS图像；
提取模块，用于采用完全局部二值模式方法提取PRPS图像的图像特征；
第二获取模块，用于获取SVM识别模型的参数对对应的范围区间；
生成模块，用于在范围区间内生成多个参数对以构成参数对集合；
搜索模块，用于对参数对集合执行搜索操作，直至得到每个参数对的适应度；
第一确定模块，用于根据适应度最大的参数对确定目标SVM识别模型；
第二确定模块，用于将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；
其中，所述搜索模块包括：
搜索单元，用于对所述参数对集合进行搜索，得到待选参数对；
确定单元，用于基于适应度函数确定待选参数对的适应度。
可选的，确定单元，具体用于：
获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；
基于待选参数对生成第一SVM识别模型；
将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；
根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；
根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
可选的，所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
可选的，确定单元，具体还用于：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度；
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
可选的，生成模块具体用于：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
可选的，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。
可选的，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的GIS设备局部放电类型确定方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的GIS设备局部放电类型确定方法。
本发明实施例通过获取局部放电数据；将局部放电数据转化为PRPS图像；通过CLBP算法提取PRPS图像的图像特征；将PRPS图像的图像特征输入AO-SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型，解决了现有技术中局部放电信号采集过程中存在底噪且较难去除而对故障的辨识造成影响的问题，实现了局部放电类型的精准辨识，有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度，提升GIS设备的健康状态检测水平效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例一提供的一种GIS设备局部放电类型确定方法的流程图；
图2为本发明实施例一提供的一种PRPS原始图像和CLBP提取的三种特征的示意图；
图3为本发明实施例二提供的一种基于适应度函数确定待选参数对的适应度的流程图；
图4为本发明实施例二提供的一种CLBP-AO-SVM算法流程图；
图5为本发明实施例三提供的一种GIS设备局部放电类型确定装置的结构示意图；
图6示出了可以用来实施本发明的实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例一提供的一种GIS设备局部放电类型确定方法的流程图，本实施例可适用于确定GIS设备局部放电类型的情况，该方法可以由本发明实施例中的GIS设备局部放电类型确定装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取局部放电数据。
其中，局部放电数据可以指通过特高频传感器采集局部放电数据。
本实施例中，可以预先构建GIS设备金属颗粒、尖刺、气隙、悬浮电极四种缺陷的局部放电典型模型；通过向四种缺陷局部放电模型中通入高电压，再利用特高频传感器采集获取局部放电数据。
S120，将局部放电数据转化为脉冲序列相位分布PRPS图像。
其中，脉冲序列相位分布图像可以是指局部放电的脉冲信号图像，将局部放电产生的带相位的脉冲信号按照时间先后顺序显示在三维坐标系中。
S130，采用完全局部二值模式方法提取PRPS图像的图像特征。
其中，可以通过完全局部二值模式(CLBP)对脉冲序列相位分布(PRPS)图像进行图像特征提取。图2为本发明实施例一提供的一种PRPS原始图像和CLBP提取的三种特征的示意图，如图2所示，CLBP主要由三部分组成分别是基于中心点灰度的CLBP_C算子，基于局部符号差异的CLBP_S算子，基于局部幅度差异的CLBP_M算子，三种算子的表达式为：
其中，gc表示某一点的中心像素，cI表示图像像素的平均灰度值，c是自适应阈值由整个图像中mp的均值表示。sp和mp分别是dp的符号值和幅度值。dp是一个中心像素和其他P个邻域值的局部差向量。
本实施例中，通过CLBP算法提取PRPS图像的图像特征，不仅对噪声具有较好的鲁棒性，而且计算速度快，有效避免了局部放电数据采集过程中底噪的干扰，提高了图像特征提取的效率。
S140，获取SVM识别模型的参数对对应的范围区间。
其中，AO-SVM识别模型可以理解为利用改进后的天鹰优化算法(AquilaOptimization，AO)搜索支持向量机(support vector machines,SVM)c参数和g参数的最优值，利用c参数和g参数为最优值的SVM对局部放电类型进行辨识。针对SVM识别模型的特点为，需要提前确定参数对。因此参数对可以是由c参数和g参数组成的参数对。具体的，改进后的AO算法可以是基于混沌映射函数改进后的AO算法；可以直接通过参数对获取SVM识别模型的参数对对应的范围区间。
本实施例中，利用AO-SVM模型对CLBP提取的PRPS图像的图像特征进行GIS局部放电类型辨识；由于SVM识别模型的c、g参数对于识别性能有着巨大的影响。因此，可以采用改进后的AO优化对SVM的c、g参数进行寻优，提前获取SVM识别模型的参数对以及参数对对应的范围区间，使用c、g参数为最优值的SVM进行PRPS图像对应的GIS设备局部放电类型辨识，实现局部放电类型的精准辨识，有效提升GIS设备的健康状态检测水平。
S150，在范围区间内生成多个参数对以构成参数对集合。
具体的，可以在提前获取SVM识别模型的参数对对应的范围区间内生成多个参数对以构成参数对集合，参数对集合包括至少两对参数对。
S160，对参数对集合执行搜索操作，直至得到每个参数对的适应度。
其中，搜索操作可以理解为寻优操作，确定最优的c、g参数。所述搜索操作包括：对所述参数对集合进行搜索，得到多个待选参数对，所述多个待选参数对均可以作为最优c、g参数的参数对。
具体的，对参数对集合执行搜索操作，直至得到每个参数对的适应度的方式可以为：基于AO算法对参数对集合执行搜索操作，直至得到每个参数对的适应度，或者可以为，基于改进后的AO算法对参数对集合执行搜索操作，直至得到每个参数对的适应度。
具体的，AO算法优化的寻优分可以为四个阶段，分别是扩展探索范围，缩小探索范围，扩展开发空间，缩小开发空间，具体步骤如下：
1、扩展搜索范围，当前最优值更新按照以下公式进行：
X1(t+1)是第一种搜索方式下t+1迭代的解，Xbest(t)是迭代t次获得的最优解，N为当前解的总数，XM(t)为当前所有解的平均值如下式所示，t为当前迭代次数，T为最大迭代次数；
2、缩小探索范围，在这一阶段进一步缩小解的搜索范围，解的更新公式如下：
X2(t+1)＝Xbest(t)×Levy(D)+XR(t)+(y-x)*rand
X2(t+1)是第二种上搜索方式下t+1迭代的解，XR(t)是t次迭代时在[1,N]范围内的随机解，D为解的维度，Levy(D)是莱维飞行的分布函数：
式中s是固定值为0.01，u，v是介于0和1之间的随机数，σ计算公式如下：
其中β是固定值为1.5的常量，y和x的计算方法如下：
y＝r×cos(θ)
x＝r×sin(θ)
r＝r1+U×D1
θ＝-ω×D1+θ1
r1为[1,20]之间的固定值，U是固定值为0.00565的常量，ω是固定值为0.005的常量，D1是dim与1的差值；
3、扩展开发空间，在这一过程中：
X3(t+1)＝(Xbest(t)-XM(t))×α
-rand+((Ub-Lb)×rand+Lb)×δ
X3(t+1)是第三种上搜索方式下t+1次迭代的解，Xbest(t)是t次迭代时在[1,N]范围内的随机解，D为解的维度，δ为搜索阶段的调整参数值为0.1；
4、缩小开发空间，在此步骤搜索空间进一步缩小，最终获得最优解Xbest，具体流程如下：
X4(t+1)＝QF×Xbest(t)-(G1×X(t)×rand)
-G2×Levy(D)+rand×G1
X4(t+1)是第四种上搜索方式下t+1次迭代的解，QF是平衡搜索策略的质量函数围内的随机解，G1为AO算法中的各种搜索方式，G2是[0,2]的递减数值用于表示初始解与最优解间的斜率，具体公式如下：
G1＝2×rand-1
达到循环结束条件t≥T，即达到最大迭代次数，输出最优c、g值，进而得到多个待选参数对。基于适应度函数确定多个待选参数对的适应度。由于需要对四种故障进行分类，实际工况下不同故障的样本数量可能存在差异，同时故障种类的误判会对设备健康状态产生影响，因此，可以采用加权类间误判率作为适应度函数：
其中fitness为待选参数对的适应度，M为PRPS图像样本的总数，Mj为j种故障的样本数，由于可能存在多种局部放电故障类型，j种故障的样本数可以理解为某一种局部放电故障类型的样本数。FNj为j种故障的误判样本数，可以理解为某一种局部放电故障类型的误判样本数；TPj为j故障的识别正确的样本数，可以理解为某一种局部放电故障类型的识别正确的样本数。通过适应度函数计算待选参数对的适应度。
S170，根据适应度最大的参数对确定目标SVM识别模型。
本实施例中，通过适应度函数计算多个待选参数对对应的适应度；按适应度值的大小对多个待选参数对进行排序；将适应度最大的参数对确定为目标c参数和目标g参数；根据目标c参数和目标g参数确定目标SVM识别模型。
S180，将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型。
具体的，将通过CLBP算法提取的PRPS图像的图像特征，输入目标SVM识别模型中，确定局部放电数据对应的GIS设备局部放电类型，实现了局部放电类型的精准辨识，有效降低故障的误判率，提高故障的识别精度。
本实施例中，获取局部放电数据；将局部放电数据转化为脉冲序列相位分布图像；通过完全局部二值模式算法提取脉冲序列相位分布图像的图像特征；获取SVM识别模型的参数对对应的范围区间；在范围区间内生成多个参数对以构成参数对集合；对参数对集合执行搜索操作，直至得到每个参数对的适应度；根据适应度最大的参数对确定目标SVM识别模型；将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；其中，所述搜索操作包括：对所述参数对集合进行搜索，得到待选参数对；基于适应度函数确定待选参数对的适应度；解决了现有技术中局部放电信号采集过程中存在底噪且较难去除而对故障的辨识造成影响的问题，实现了局部放电类型的精准辨识；有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度，提升GIS设备的健康状态检测水平。
实施例二
图3为本发明实施例二提供的一种基于适应度函数确定待选参数对的适应度的流程图，本实施例的技术方案在上述实施例的基础上进行了进一步的细化。如图3所示，该方法包括：
S210，获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型。
具体的，可以预先随机获取已经设定好对应的GIS设备局部放电类型PRPS图像样本，组成图像样本集合；所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型。
S220，基于待选参数对生成第一SVM识别模型。
其中，第一SVM识别模型可以指目标SVM识别模型。具体的，可以基于搜索得到的多个待选参数对生成第一SVM识别模型。
S230，将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
S240，根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量。
具体的，误判样本数量可以理解为对每种GIS设备局部放电类型识别错误的PRPS图像样本数量，识别错误可以指图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型不同；识别正确样本数量可以理解为对每种GIS设备局部放电类型识别正确的PRPS图像样本数量，识别正确可以指图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型相同。
S250，根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量。
其中，局部放电类型数量可以指局部放电有几种类型。
本实施例中，可以直接根据图像样本集合中的PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型，确定PRPS图像样本数量，局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量。
S260，根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
具体的，可以根据确定的PRPS图像样本数量、每种局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量，通过适应度函数确定待选参数对的适应度。
本实施例中，可以预先获取图像样本集合，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；之后，基于待选参数对生成第一SVM识别模型，将图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；根据图像样本集合中的PRPS图像样本实际对应的GIS设备局部放电类型和PRPS图像样本通过第一SVM识别模型得到的对应的预测GIS设备局部放电类型，确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；根据图像样本集合可以确定PRPS图像样本数量、每种局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；根据PRPS图像样本数量、每种局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量通过适应度函数确定待选参数对的适应度，可以有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度。
可选的，所述适应度函数为：
其中，fitness为待选参数对的适应度，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
本实施例中，可以通过适应度函数确定待选参数对的适应度，可以有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度。
可选的，根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度，包括：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
其中，PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重,可以是预先设定的，例如，可以将PRPS图像样本数量的权重设置为a1、局部放电类型数量的权重设置为a2、每种局部放电类型对应的PRPS图像样本数量的权重设置为a3、每种GIS设备局部放电类型对应的误判样本数量的权重设置为a4,每种GIS设备局部放电类型对应的识别正确样本数量的权重设置为a5,可以将a1、a2、a3、a4、a5设置为相等，即a1＝a2＝a3＝a4＝a5＝1；也可以是根据实际确定的，本实施例对此不做限制。
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
本实施例中，可以根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量，通过适应度函数确定待选参数对的适应度。
可选的，在范围区间内生成多个参数对以构成参数对集合，包括：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
其中，参数对对应的范围区间的上下界可以指参数对对应的范围区间内的搜索上下界，并不一定为最大值、最小值；每个参数对都有其对应的目标权重。具体的，可以先确定参数对对应的目标权重，再根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对，将生成的参数对进行集合生成参数对集合。
本实施例中，可以根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；提高了参数对的生成效率，根据生成的参数对确定参数对集合。
可选的，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。
本实施例中，可以先确定参数对对应的目标权重，再根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对。
可选的，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
示例性的，图4为本发明实施例二提供的一种CLBP-AO-SVM算法流程图，如图4所示，本实施例中通过CLBP-AO-SVM算法确定局部放电数据对应的GIS设备局部放电类型步骤如下：
1、输入PRPS图像；
2、通过CLBP算法提取PRPS图像的图像特征；
3、初始化改进后的AO算法的参数，搜索的上下界Ub、Lb，种群数M，解集空间X，当前解向量Xi(c，g)，Xi的维数dim＝2，最大迭代次数T。
4、通过适应度函数即加权类间误判率：计算当前适应度函数值。
5、根据计算得到的适应度函数值更新c、g参数。
6、判断是否达到最大迭代次数或满足预设适应度阈值，若未达到最大迭代次数或满足预设阈值则再次计算适应度值，直至达到最大迭代次数或满足预设阈值，则停止迭代，之后输出最优c参数和g参数。
7、将最优c参数和g参数输入SVM模型,得到PRPS图像对应的GIS设备局部放电类型(即故障种类)。
本实施例中通过输入PRPS图像；通过CLBP算法提取PRPS图像的图像特征；初始化改进后的AO算法的参数；通过适应度函数计算当前适应度函数值；根据计算得到的适应度函数值更新c、g参数并确定是否达到最大迭代次数，确定出最优c参数和g参数；将最优c参数和g参数输入SVM模型,得到局部放电数据对应的GIS设备局部放电类型，解决了现有技术中局部放电信号采集过程中存在底噪且较难去除而对故障的辨识造成影响的问题，实现了局部放电类型的精准辨识，有效降低故障的误判率，降低实际工程中不同故障类型样本差异对模型性能的影响，提高故障的识别精度，提升GIS设备的健康状态检测水平效果。
实施例三
图5为本发明实施例三提供的一种GIS设备局部放电类型确定装置的结构示意图。如图5所示，该装置包括：
第一获取模块310，用于获取局部放电数据；
转化模块320，用于将局部放电数据转化为脉冲序列相位分布PRPS图像；
提取模块330，用于采用完全局部二值模式方法提取PRPS图像的图像特征；
第二获取模块340，用于获取SVM识别模型的参数对对应的范围区间；
生成模块350，用于在范围区间内生成多个参数对以构成参数对集合；
搜索模块360，用于对参数对集合执行搜索操作，直至得到每个参数对的适应度；
第一确定模块370，用于根据适应度最大的参数对确定目标SVM识别模型；
第二确定模块380，用于将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；
其中，所述搜索模块360，包括：
搜索单元，用于对所述参数对集合进行搜索，得到待选参数对；
确定单元，用于基于适应度函数确定待选参数对的适应度。
可选的，确定单元，具体用于：
获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；
基于待选参数对生成第一SVM识别模型；
将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；
根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；
根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
可选的，所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
可选的，确定单元，具体还用于：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度；
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
可选的，生成模块具体用于：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
可选的，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。
可选的，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
本发明实施例所提供的GIS设备局部放电类型确定装置可执行本发明任意实施例所提供的GIS设备局部放电类型确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如GIS设备局部放电类型确定方法。
在一些实施例中，GIS设备局部放电类型确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的GIS设备局部放电类型确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行GIS设备局部放电类型确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (16)

1.一种GIS设备局部放电类型确定方法，其特征在于，包括：
获取局部放电数据；
将局部放电数据转化为脉冲序列相位分布PRPS图像；
采用完全局部二值模式方法提取PRPS图像的图像特征；
获取SVM识别模型的参数对对应的范围区间；
在范围区间内生成多个参数对以构成参数对集合；
对参数对集合执行搜索操作，直至得到每个参数对的适应度；
根据适应度最大的参数对确定目标SVM识别模型；
将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；
其中，所述搜索操作包括：
对所述参数对集合进行搜索，得到待选参数对；
基于适应度函数确定待选参数对的适应度。
2.根据权利要求1所述的方法，其特征在于，基于适应度函数确定待选参数对的适应度，包括：
获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；
基于待选参数对生成第一SVM识别模型；
将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；
根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；
根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
3.根据权利要求2所述的方法，其特征在于，所述适应度函数为：
其中，fitness为待选参数对的适应度，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
4.根据权利要求2所述的方法，其特征在于，根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度，包括：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度；
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
5.根据权利要求1所述的方法，其特征在于，在范围区间内生成多个参数对以构成参数对集合，包括：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
6.根据权利要求5所述的方法，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。
7.根据权利要求2所述的方法，其特征在于，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
8.一种GIS设备局部放电类型确定装置，其特征在于，包括：
第一获取模块，用于获取局部放电数据；
转化模块，用于将局部放电数据转化为脉冲序列相位分布PRPS图像；
提取模块，用于采用完全局部二值模式方法提取PRPS图像的图像特征；
第二获取模块，用于获取SVM识别模型的参数对对应的范围区间；
生成模块，用于在范围区间内生成多个参数对以构成参数对集合；
搜索模块，用于对参数对集合执行搜索操作，直至得到每个参数对的适应度；
第一确定模块，用于根据适应度最大的参数对确定目标SVM识别模型；
第二确定模块，用于将所述PRPS图像的图像特征输入目标SVM识别模型，得到局部放电数据对应的GIS设备局部放电类型；
其中，所述搜索模块包括：
搜索单元，用于对所述参数对集合进行搜索，得到待选参数对；
确定单元，用于基于适应度函数确定待选参数对的适应度。
9.根据权利要求8所述的装置，其特征在于，确定单元，具体用于：
获取图像样本集合，其中，所述图像样本集合包括：PRPS图像样本和PRPS图像样本对应的GIS设备局部放电类型；
基于待选参数对生成第一SVM识别模型；
将所述图像样本集合中的PRPS图像样本输入第一SVM识别模型，得到预测GIS设备局部放电类型；
根据图像样本集合中的PRPS图像样本对应的GIS设备局部放电类型和PRPS图像样本对应的预测GIS设备局部放电类型确定每种GIS设备局部放电类型对应的误判样本数量和识别正确样本数量；
根据所述图像样本集合确定PRPS图像样本数量、局部放电类型数量以及每种局部放电类型对应的PRPS图像样本数量；
根据PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度。
10.根据权利要求9所述的装置，其特征在于，所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，FNj为j种GIS设备局部放电类型对应的误判样本数量，TPj为j种GIS设备局部放电类型对应的识别正确样本数量。
11.根据权利要求9所述的装置，其特征在于，确定单元，具体还用于：
获取PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重和每种GIS设备局部放电类型对应的识别正确样本数量的权重；
根据PRPS图像样本数量的权重、局部放电类型数量的权重、每种局部放电类型对应的PRPS图像样本数量的权重、每种GIS设备局部放电类型对应的误判样本数量的权重、每种GIS设备局部放电类型对应的识别正确样本数量的权重、PRPS图像样本数量、局部放电类型数量、每种局部放电类型对应的PRPS图像样本数量、每种GIS设备局部放电类型对应的误判样本数量、每种GIS设备局部放电类型对应的识别正确样本数量以及适应度函数确定待选参数对的适应度；
所述适应度函数为：
其中，M为PRPS图像样本数量，Mj为j种GIS设备局部放电类型的对应的PRPS图像样本数量，K1为每种局部放电类型对应的PRPS图像样本数量的权重，FNj为j种GIS设备局部放电类型对应的误判样本数量，K2为每种GIS设备局部放电类型对应的误判样本数量的权重，TPj为j种GIS设备局部放电类型对应的识别正确样本数量，K3为每种GIS设备局部放电类型对应的识别正确样本数量的权重。
12.根据权利要求8所述的装置，其特征在于，生成模块具体用于：
根据参数对对应的范围区间的上下界、目标权重以及目标公式生成参数对；
根据生成的参数对确定参数对集合。
13.根据权利要求12所述的装置，所述目标公式为：
Xi+1＝Xmin+λi+1(Xmax-Xmin)；
其中，Xi+1为第i+1个参数对，Xmax为参数对对应的范围区间的上界，Xmin为参数对对应的范围区间的下界，λi+1为第i+1个参数对对应的目标权重，λi为第i个参数对对应的目标权重。
14.根据权利要求9所述的装置，其特征在于，所述PRPS图像样本包括：尖端放电故障类型对应PRPS图像样本、悬浮放电故障类型对应PRPS图像样本、沿面放电故障类型对应的PRPS图像样本、内部放电故障类型对应的PRPS图像样本以及颗粒放电故障类型对应的PRPS图像样本中的至少一种。
15.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的GIS设备局部放电类型确定方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的GIS设备局部放电类型确定方法。
CN202410208146.9A 2024-02-26 2024-02-26 Gis设备局部放电类型确定方法、装置、设备及存储介质 Pending CN118196479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410208146.9A CN118196479A (zh) 2024-02-26 2024-02-26 Gis设备局部放电类型确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410208146.9A CN118196479A (zh) 2024-02-26 2024-02-26 Gis设备局部放电类型确定方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN118196479A true CN118196479A (zh) 2024-06-14

Family

ID=91392192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410208146.9A Pending CN118196479A (zh) 2024-02-26 2024-02-26 Gis设备局部放电类型确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN118196479A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073797A (zh) * 2011-02-23 2011-05-25 江南大学 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法
CN107886066A (zh) * 2017-11-07 2018-04-06 中国矿业大学 一种基于改进hog‑sslbp的行人检测方法
CN107944349A (zh) * 2017-11-07 2018-04-20 武汉大学 基于粒子群‑支持向量机的gis局部放电类型模式识别方法
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN110009011A (zh) * 2019-03-20 2019-07-12 华南理工大学 一种基于图像处理的焊点识别方法
CN112347854A (zh) * 2020-10-12 2021-02-09 西安电子科技大学 滚动轴承故障诊断方法、系统、存储介质、设备及应用
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
CN114743089A (zh) * 2021-12-22 2022-07-12 宁波送变电建设有限公司 一种基于ssa-svm的图像识别gis故障诊断装置及方法
CN115239971A (zh) * 2022-07-13 2022-10-25 国网江苏省电力有限公司 Gis局部放电类型识别模型训练方法、识别方法及系统
CN115542099A (zh) * 2022-11-28 2022-12-30 国网山东省电力公司东营供电公司 一种在线gis局部放电检测方法和装置
CN116049637A (zh) * 2023-02-28 2023-05-02 西安理工大学 基于流动噪声信号的气液两相流流型识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073797A (zh) * 2011-02-23 2011-05-25 江南大学 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法
CN107886066A (zh) * 2017-11-07 2018-04-06 中国矿业大学 一种基于改进hog‑sslbp的行人检测方法
CN107944349A (zh) * 2017-11-07 2018-04-20 武汉大学 基于粒子群‑支持向量机的gis局部放电类型模式识别方法
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN110009011A (zh) * 2019-03-20 2019-07-12 华南理工大学 一种基于图像处理的焊点识别方法
CN112347854A (zh) * 2020-10-12 2021-02-09 西安电子科技大学 滚动轴承故障诊断方法、系统、存储介质、设备及应用
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
CN114743089A (zh) * 2021-12-22 2022-07-12 宁波送变电建设有限公司 一种基于ssa-svm的图像识别gis故障诊断装置及方法
CN115239971A (zh) * 2022-07-13 2022-10-25 国网江苏省电力有限公司 Gis局部放电类型识别模型训练方法、识别方法及系统
CN115542099A (zh) * 2022-11-28 2022-12-30 国网山东省电力公司东营供电公司 一种在线gis局部放电检测方法和装置
CN116049637A (zh) * 2023-02-28 2023-05-02 西安理工大学 基于流动噪声信号的气液两相流流型识别方法

Similar Documents

Publication Publication Date Title
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN114076841A (zh) 基于用电信息数据的窃电行为识别方法及系统
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN113688887A (zh) 图像识别模型的训练与图像识别方法、装置
CN113033346A (zh) 文本检测方法、装置和电子设备
CN114240817A (zh) 数据分析方法及装置、电子设备、存储介质
CN115905021B (zh) 一种模糊测试方法、装置、电子设备以及存储介质
CN115186772B (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN118196479A (zh) Gis设备局部放电类型确定方法、装置、设备及存储介质
CN114818830A (zh) 一种基于图谱的放电类型识别方法、装置、设备及介质
CN115631376A (zh) 对抗样本图像生成方法、训练方法及目标检测方法
CN114414951A (zh) 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统
CN114692987A (zh) 一种时序数据分析方法、装置、设备及存储介质
CN116087345B (zh) 复合绝缘子的轴向缺陷长度的计算方法、装置及介质
CN118069990A (zh) 一种局放数据扩充方法、装置、设备及介质
CN117746069B (zh) 以图搜图的模型训练方法、和以图搜图方法
CN117434403A (zh) 电器的局部放电检测方法及装置
CN118230094A (zh) 一种线路缺陷检测模型确定方法、装置、设备及介质
CN116956042A (zh) 故障类型检测模型的建立方法、装置、设备及介质
CN116468076A (zh) 一种驾驶行为分析方法、装置、电子设备及存储介质
CN116684063A (zh) 一种检测方法、装置、设备及存储介质
CN118196480A (zh) 局部放电缺陷类型识别方法、装置、设备及存储介质
CN114863207A (zh) 目标检测模型的预训练方法、装置及电子设备
CN118012657A (zh) 微服务系统的根因定位方法、装置、可读介质和电子设备
CN116720186A (zh) 一种恶意代码识别方法、装置、电子设备及存储介质

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