一种基于改进广义回归神经网络的GIS局放模式识别方法

技术领域

本发明属于气体绝缘组合电器设备(GIS)技术领域，特别涉及一种基于改进广义回归神经网络的GIS局放模式识别方法。

背景技术

随着电力事业的蓬勃发展，城市高压电网的快速发展，GIS因占地面积小、性能佳等优点，成为了特高压电网中重要的配电装置，其运行的可靠性决定了电网的稳定性。由于GIS是绝缘封闭性电器设备，其故障主要是绝缘故障，局部放电是内部绝缘故障的早期表现形式，因此通过有效的监测和数据分析GIS的实时局部放电信号，可以避免GIS发生绝缘故障带来的巨大经济损失和安全隐患。

目前国内外的GIS局放模式识别技术主要是通过传感器，采用特高频和超声波的方法来监测GIS内部是否存在局部放电现象，以及根据局部放电的具体信息绘制相关图谱，提取各类特征量，基于特征量利用分类器完成模式识别，因此如何提高模式识别的正确率成为了研究的重点。

发明内容

针对现有技术存在的不足，本发明提出一种基于改进广义回归神经网络的GIS局放模式识别方法，可以同时对多个GIS的气室进行监测，可长期对GIS的局放信息进行分析，预防GIS发生绝缘故障，保障GIS和高压电网的安全运行。

为实现上述目的，所述基于改进广义回归神经网络的GIS局放模式识别方法包括：

步骤一：对GIS的多个气室进行编号，每个气室的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机；

步骤二：将局放传感器与噪音传感器采集到的GIS局放信号，经过滤波、放大、降噪和调试之后，将信号传输到主机进行分析判断；

步骤三：将采集到的信号绘制成相应的PRPD和PRPS图谱，基于图谱信息提取GIS局放的特征量；

步骤四：根据提取的特征量，采用广义回归神经网络进行模式识别，利用GIS的局放历史故障信息进行广义回归神经网络分类器的训练，建立各个放电类型的数据库；

步骤五：将实时采集到的局放信号经过步骤二和步骤三之后，传输到主机训练好的广义回归神经网络分类器进行分析，得到GIS该气室是否存在异常局部放电，以及放电类型。

按上述方案，所述步骤二中，所采用的局放传感器为内置式和外置式的特高频传感器，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行储存和处理。

按上述方案，所述步骤三中，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱。

按上述方案，所述步骤三中，基于PRPD和PRPS图谱的信息提取GIS的局放特征量，通过主成分分析法进行降维处理，最终得到的特征量包括偏斜度S

按上述方案，所述步骤四中，广义回归神经网络的模式识别精度与平滑参数的取值有很大的关联，所以采用了基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型。

按上述方案，所述步骤四中，所采用的广义回归神经网络模型如下：

1)广义回归神经网络的输入层神经元个数等于输入向量的维数，输入m维输入变量X＝[x

2)模式层神经元传递函数为：

式中，X为网络输入变量，X

3)求和层的求和函数为

4)输出层的神经元个数等于学习样本中输出向量的维数k，神经元j的输出对应估计结果为：

按上述方案，所述步骤四中，所采用的K-Means聚类算法流程如下：

1)输入的样本集D＝{x

2)在第j次迭代中，对任意一个样本点p

3)将该样本归类到与其距离最小的形心所在的簇中，然后采用均值更新各簇的形心值：

4)重复上述步骤直到各簇的形心值不再发生变化，得到最好的聚类效果。

按上述方案，所述步骤四中，为了解决局部最优解问题，所采用的模拟退火算法如下：

模拟退火算法分为Metropolis算法和退火过程两个部分，Metropolis算法假设前一个状态x(n)，系统根据性能指标状态变为x(n+1)，相应的系统的能量由E(n)变为E(n+1)，定义系统由x(n)变为x(n+1)的概率为：

为了防止寻优速度太慢，采用了退火算法，最简单的下降方式是指数式下降：

T(n)＝λT(n),n＝1,2,3,…

按上述方案，所述步骤四中，建立的放电类型数据库一共有四种，包括金属尖端放电、绝缘子气隙放电、金属颗粒放电和悬浮电极放电。

综上所述，本发明具有如下优点：

本发明基于局放传感器、噪音传感器和智能主机的硬件结构，局放传感器可以采集到GIS的各个气室中存在的局放信息，噪音传感器可以帮助进行降噪等数据预处理，消除环境等无关影响，从而得到更为有效的局放信息；根据得到的有效局放信息绘制PRPD和PEPS图谱，通过图谱信息提取特征量，采用主成分分析法提取关键特征量用于模式识别；根据GIS绝缘故障的历史运行信息训练基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型，建立四种放电类型的数据库，提高模式识别的正确率，从而能够预防GIS绝缘事故的发生，保证GIS运行的可靠性。

附图说明

图1为本发明一种基于改进广义回归神经网络的GIS局放模式识别方法的工作流程图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明；

本发明一种基于改进广义回归神经网络的GIS局放模式识别方法，包括以下步骤：

步骤一：对GIS的多个气室进行单项编号，每个气室安装的传感器采集到的局放信号分别由副信号线连接至总信号线上将信号传到主机，定义GIS的多个气室单项编号为001，002，003，004，005，……；

步骤二：利用局放传感器和噪音传感器检测每个气室的局放信号，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行分析判断；

步骤三：根据传输得到的局放信号绘制成相应的PRPD和PRPS图谱，基于图谱信息计算选取的特征量；

步骤四：根据GIS的历史局放故障信息，完成基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络分类器的训练，建立各个放电类型的数据库；

步骤五：根据建立的放电类型数据库里的内容，与计算的结果相对比，判断是否存在局部放电，以及故障放电类型。

步骤二所述，所采用的局放传感器为内置式和外置式的特高频传感器，将采集到的局放信号进行滤波、放大、降噪和调试之后，得到的有效局放信号传输到主机进行储存和处理。

步骤三所述，主机采集信息的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱。

步骤三所述，基于图谱信息计算选取的特征量的数学表达式如下：

1)偏斜度S

偏斜度是描述图形偏斜程度的统计量，其值的正负分别代表图谱形状向左与向右偏移。其式如下：

式中：i是每半个周期内的数据点序数，每100个数据点为一个计数循环，

2)陡峭度K

陡峭度是表示图谱平坦与否的统计量，其值正负表示图谱与正态分布的比较更加陡峭或更加平坦，其计算见下式：

式中：i是每半个周期内的数据点序数，每100个数据点为一个计数循环，

3)互相关系数C

互相关系数表达为正负半周期间局部放电信号的相似性，其中q

对于极性效应较强的局部放电特高频信号而言，表征正负半周相似程度的互相关系数以及接下来的放电量因数等特征参量具有一定的有效性。

4)放电量因素Q

放电量因素Q表示正负半周内局放放电量的差异，表达为：

式中，n

5)局部峰值P

局部峰值即为信号数据在放电周期内的极大值个数，表征信号幅值振荡剧烈程度。

6)放电相位

放电相位包含起始放电相位

7)放电次数n

放电次数指的是一个采样周期内发生局部放电的次数。

8)放电持续时间t

放电持续时间t

步骤四所述，采用的分类器模型为基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络模型，能够提高模式识别的正确率，所采用的K-Means聚类算法流程如下：

a.输入的样本集D＝{x

b.在第j次迭代中，对任意一个样本点p

c.将该样本归类到与其距离最小的形心所在的簇中，然后采用均值更新各簇的形心值：

d.重复上述步骤直到各簇的形心值不再发生变化，得到最好的聚类效果。

为了解决局部最优解问题，所采用的模拟退火算法如下：

Metropolis算法假设前一个状态x(n)，系统根据性能指标状态变为x(n+1)，相应的系统的能量由E(n)变为E(n+1)，定义系统由x(n)变为x(n+1)的概率为：

为了防止寻优速度太慢，采用了退火算法，最简单的下降方式是指数式下降：

T(n)＝λT(n),n＝1,2,3,…

步骤四所述，建立的放电类型数据库一共有四种，包括金属尖端放电、绝缘子气隙放电、金属颗粒放电和悬浮电极放电，具有特定的放电特性，可以初步简单判断是否存在局部放电，相应的放电特性如下：

1)金属尖端放电：一般出现在工频相位的负半周，放电频率随着导体电压增加明显増加，放电幅值大小稳定、时间间隔均匀且放电范围较宽；

2)绝缘子气隙放电：这种放电具有明显的极性效应，但其与轻微不均匀电场间隙的极性效应正好相反。其负极性击穿电压是大于正极性击穿电压的，即具有明显的负极性效应；

3)金属颗粒放电：在工频周期内随机分布，波峰波谷处局放振幅较大，放电时间间隔无规律，幅值大小各异；

4)悬浮电极放电：工频周期内极性相关性强，每次放电能量和时间间隔基本一致。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权力要求为准。

算例分析

以某油气平台的额定电压为252kv、额定电流为3150A的GIS为例进行分析，采用的传感器为内置式超高频传感器和噪音传感器，能够检测300MHz到2000MHz的局放信号，灵敏度大于14mm；在局放检测中，检测到隔离开关A处具有明显的传感器信号，因此需要对其进行分析，判断是否存在局部放电以及放电类型。

(1)数据处理及绘制图谱

根据采集到的局放信息进行滤波、放大等处理，提高数据的可靠性，然后将获取的数据传输到主机，主机采集的频率为每秒9000个数据点，将每秒数据划分为45等分，即每周期200个数据点的信号数据，并将50个周期共10000个数据经过不同的方式绘制成PRPD和PRPS图谱，根据图谱的放电特性初步判断存在局部放电。

(2)特征量

通过计算得到绘制的图谱的相关特征量如表1所示。

表1特征量

(3)建立放电类型数据库

根据该油气平台的GIS历史局部放电故障信息，训练基于K-Means聚类算法以及模拟退火算法改进的广义回归神经网络分类器，建立各个放电类型的数据库。

(4)放电类型

根据计算的特征量与建立的数据库进行比，最终确定存在的放电类型是金属颗粒放电。

综上，首先采集相应的局部放电信息，进行滤波等数据预处理操作，然后传输到主机进行分析；然后根据传输的信息绘制成相应的PRPD和PRPS图谱，可以根据局部放电的图谱特征来简单判断是否存在局部放电；接着是根据具体情况建立各种放电类型的数据库以及训练改进的广义回归神经网络分类器；最后计算相关的特征量，与数据库的模型进行比对得到局部放电的放电类型。