基于BP神经网络与DS证据理论的气体绝缘设备故障诊断方法

技术领域

本发明属于设备的绝缘状态检测技术领域，具体涉及基于BP神经网络与DS证据理论的气体绝缘设备故障诊断方法。

背景技术

电气绝缘组合电器(Gas Insulated Switchgear,GIS)是输变电系统中的关键设备，它把变电站里除电力变压器以外的各种电气设备全部组合在一个金属封闭外壳里，并充入了0.4～0.6MPa的SF

但是，目前较多“高龄”GIS设备故障频发，对GIS设备的安全性能提出了更高的要求。GIS设备的绝缘缺陷主要以局部放电的形式表现出来，时刻危及输变电网络的安全稳定运行。

而目前对GIS设备绝缘状态的检测主要依赖人工对局部放电特征的提取，导致对GIS缺陷类别识别的准确性低。

发明内容

本发明提供基于BP神经网络与DS证据理论的气体绝缘设备故障诊断方法，通过脉冲电流法和特高频法获取设置的GIS典型缺陷的数据，并将其分别输入到设置好参数的BP神经网络中，并与DS证据理论决策方法结合，经融合后输出GIS缺陷诊断决策结果。

BP神经网络与DS证据理论的气体绝缘设备故障诊断方法，包括以下步骤，

A001：收集不同缺陷类型的缺陷信号数据，对缺陷信号数据进行分析；

A002：设置BP神经网络作为识别诊断分类器，将步骤A001获得的缺陷信号数据输入BP神经网络，经识别诊断后，输出缺陷类别诊断结果；

A003：结合DS证据理论决策方法对步骤A002中缺陷类别诊断结果进一步决策分析，经融合后输出诊断决策结果。

可选地，步骤A001中，收集不同缺陷类型的缺陷信号数据，对缺陷信号数据进行分析方法为：通过局部放电信息平台采集不同缺陷类型的缺陷信号数据，缺陷信号数据包括脉冲信号、特高频信号或工况中收集的缺陷信号，对脉冲信号进行时域分析，对特高频信号数据进行时域和相位分析。

可选地，步骤A002中，设置BP神经网络作为识别诊断分类器，BP神经网络输出缺陷类别诊断结果中BP神经网络把BP神经网络包括输入层、隐藏层和输出层，输入层将脉冲信号输出给隐藏层，输入层的输入节点数为对脉冲信号进行时域分析的时域图的最大值、最小值、平均值、峰值、方差、标准差、峭值、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子。

可选地，BP神经网络的每一个神经元均设置激活函数Sigmoid函数

激活函数“刺激”计算神经元的个数获得

可选地，步骤A002中，BP神经网络中输入层将脉冲电流时域信号传输到隐藏层，

可选地，步骤A003中，结合DS证据理论决策方法对步骤A002中缺陷类别诊断结果进一步决策分析，经融合后输出诊断决策结果，具体方法为：

A0031：设置诊断框架Θ＝{A

A0032：定义并构建基本概率函数BPA，BPA函数满足m:2

A0033：采用Dempster合成规则计算各证据共同作用时的BPA，根据设定规则进行推理，获得诊断决策结果。

可选地，步骤A0032中，以TRPD和PRPD神经网络输出值的2个证据i＝1,2对四种故障类型及不确定性θ的BPA函数为：

其中，a表示可靠性系数，表征证据的可信程度，系数值域为[0，1]，a值越大说明证据越可靠，a

可选地，步骤A0033中，采用Dempster合成规则计算各证据共同作用时的BPA，公式为：

其中，B、C表示识别框架Θ的两个子集，K表示证据源1、2中所有相互支持的m函数乘积函数。

可选地，所述TRPD和PRPD神经网络为TRPD和PRPD信号数据库。

可选地，步骤A002中，BP神经网络输出缺陷类别诊断结果为设置的绝缘子气隙、金属表面污秽、悬浮电极、金属突出物中一种。

与现有技术相比，本发明的有益效果是：

1)本发明技术方案根据气体绝缘组合电器的绝缘缺陷主要是以局部放电的形式为表现，利用人工智能方法对GIS设备运行学习和分析，主要采用联合监测的手段获取更加多元化的GIS内部绝缘故障信息成为可能，使用脉冲电流法和特高频法联合监测，具有较强的抗干扰性，可以测定PD放电量和提高PD信息检测的准确性。

2)本技术方案中通过局部放电信息采集平台采集不同典型缺陷的脉冲信号和特高频信号或实际工况中收集到的缺陷信号数据，然后将其分别输入到设置好的BP神经网络中，经过分析获得缺陷类别诊断结果后，结合DS证据理论决策方法，输出诊断决策结果，诊断决策结果为对气体绝缘组合电器的各类缺陷准确识别出的结果，且本技术方案相对于传统的故障诊断方法更为可靠，并且综合识别能力更强。

附图说明

图1为局部放电数据采集平台示意图；

图2为BP神经网络原理图；

图3为BP神经网络与DS证据理论的故障诊断流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清所楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例：

如图1-3所示，基于BP神经网络与DS证据理论的气体绝缘设备故障诊断方法，包括以下步骤，A001：收集不同缺陷类型的缺陷信号数据，对缺陷信号数据进行分析；

A002：设置BP神经网络作为识别诊断分类器，将步骤A001获得的缺陷信号数据输入BP神经网络，经识别诊断后，输出缺陷类别诊断结果；

A003：结合DS证据理论决策方法对步骤A002中缺陷类别诊断结果进一步决策分析，经融合后输出诊断决策结果。

步骤A001中，收集不同缺陷类型的缺陷信号数据，对缺陷信号数据进行分析方法为：通过局部放电信息平台采集不同缺陷类型的缺陷信号数据，缺陷信号数据包括脉冲信号、特高频信号或工况中收集的缺陷信号，对脉冲信号进行时域分析，对特高频信号数据进行时域和相位分析。

在具体应用中，采用如图1所述的局部放电数据采集平台使用脉冲电流法和特高频传感器采集局部放电数据，其中局部放电数据采集平台设置的局部放电缺陷包括绝缘子气隙、金属表面污秽、悬浮电极、金属突出物四种。每种缺陷需采集300组数据，其中200组用来训练神经网络，100组用来作为神经网络的测试集和DS证据集和的评估样本。

采用阶梯电压法模拟PD的发展过程，每一个电压等级加压72小时，每隔8个小时统计一次脉冲电流信号即对应放电量信息、特高频信息和相位信息，并进行图谱分析。

设置的四种缺陷的起始局部放电电压，采集从起始局放阶段逐渐到放电较为严重阶段的电压，每种电压等级采集TRPD和PRPD的数据样本，并建立四种典型绝缘缺陷的TRPD和PRPD信号数据库。将放电信号分组分别用于神经网络的训练集和神经网络的测试集以及DS证据融合的评估样本。

步骤A002中，设置BP神经网络作为识别诊断分类器，将步骤A001获得的缺陷信号数据输入BP神经网络，经识别诊断后，输出缺陷类别诊断结果中BP神经网络把BP神经网络包括输入层、隐藏层和输出层，输入层将脉冲信号输出给隐藏层，隐藏层又称隐形层，输入层的输入节点数为对脉冲信号进行时域分析的时域图的最大值、最小值、平均值、峰值、方差、标准差、峭值、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子，共13个。

特高频时域信号输入在脉冲时域输入基础上增加了频率均值、重心频率、频率均方根和频率标准差共17个输入节点，特高频的相位信号输入节点为相位-幅值-放电次数三维图谱的相位均值μ、特高频时域信号输入在脉冲时域输入基础上增加了频率均值、重心频率、频率均方根和频率标准差共17个输入节点，特高频的相位信号输入节点为相位-幅值-放电次数三维图谱的相位均值μ、偏差σ、偏斜度Sk、陡峭度Ku、互相关系数cc、相位不对称度Φ和放电量因素Q共7个。

采用图2所示的BP神经网络作为识别诊断分类器，输出的结果为设置的缘子气隙、金属表面污秽、悬浮电极、金属突出物四种缺陷之一。

BP神经网络的每一个神经元均设置激活函数Sigmoid函数

激活函数“刺激”计算神经元的个数获得

每一个神经元都有一个激活函数，这些神经元由x

步骤A002中，BP神经网络中输入层将脉冲电流时域信号传输到隐藏层，

具体地，步骤A003中，结合DS证据理论决策方法对步骤A002中缺陷类别诊断结果进一步决策分析，经融合后输出诊断决策结果，具体方法为：

A0031：设置诊断框架Θ＝{A

A0032：定义并构建基本概率函数BPA，BPA函数满足m:2

A0033：采用Dempster合成规则计算各证据共同作用时的BPA，根据设定规则进行推理，获得诊断决策结果。

步骤A0032中，以TRPD和PRPD神经网络输出值的2个证据i＝1,2对四种故障类型及不确定性θ的BPA函数为：

其中，a表示可靠性系数，表征证据的可信程度，系数值域为[0，1]，a值越大说明证据越可靠，a

步骤A0033中，采用Dempster合成规则计算各证据共同作用时的BPA，公式为：

其中，B、C表示识别框架Θ的两个子集，K表示证据源1、2中所有相互支持的m函数乘积函数。

通过BP神经网络输出诊断结果后，再引入DS证据理论，它主要是以上、下限值和合成规则几个理论部分构成，上、下限值分别以信任函数和似然函数表示。首先确定诊断框架Θ和不确定性θ，定义并构建基本概率函数BPA，将基于时域信号和相位分析的神经网络输出值作为两个独立的证据，并将其转换为满足DS证据理论的BPA形式。采用Dempster合成规则计算各证据共同作用时的BPA，完成以上步骤后，根据设定的判断准则进行推理，以便得到复杂系统最终的决策输出。

按照本实施例所述将BP神经网络和DSDS证据理论结合对GIS的最终识别结果如下表1所示：

根据表1所示结果可知，通过提出的BP神经网络融合改进的DS证据理论决策方法对实验各类缺陷的总体识别率为96.7％，该方法能更充分的诊断结果中富含的信息，相比较传统的故障诊断方法有着更为可靠的结论，有效提高了其综合识别能力。

其中本实施例中，步骤A002中，BP神经网络输出缺陷类别诊断结果为设置的绝缘子气隙、金属表面污秽、悬浮电极、金属突出物中一种。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。