一種gis絕緣缺陷局部放電圖譜模式識別方法
【專利摘要】一種GIS絕緣缺陷局部放電圖譜模式識別方法，通過對GIS絕緣缺陷的典型放電圖譜進行分析，根據(jù)其圖譜分析其相位、幅值特征，建立數(shù)學模型。然后，通過數(shù)學模型產(chǎn)生模擬的圖譜，驗證其是否與原始圖譜具有一致性。待驗證成功后，根據(jù)建立的模型產(chǎn)生大量的放電數(shù)據(jù)，分別作為訓練樣本和測試樣本。數(shù)據(jù)得到后，構建RBF神經(jīng)網(wǎng)絡，其中訓練時采用K-均值聚類法。將訓練樣本輸入到神經(jīng)網(wǎng)絡中進行訓練，完成后將測試數(shù)據(jù)輸入，經(jīng)過計算得到識別結果。最后，通過調(diào)整訓練誤差允許值δ，可以達到快的訓練速度及高的識別正確率。
【專利說明】—種GIS絕緣缺陷局部放電圖譜模式識別方法
【技術領域】
[0001]本發(fā)明涉及電力信息【技術領域】，特別涉及一種基于數(shù)學建模和RBF(Radial BasisFunction,徑向基函數(shù))神經(jīng)網(wǎng)絡的GIS (Gas Insulated Switchgear,氣體絕緣開關設備)絕緣缺陷局部放電圖譜模式識別方法。
【背景技術】
[0002]作為電力系統(tǒng)重要的輸變電設備，氣體絕緣開關設備(Gas InsulatedSwitchgear，簡稱GIS)在電力系統(tǒng)中得到廣泛的應用。它把變電所里除了變壓器外的各種電氣設備全部組合裝配在一個封閉的金屬外殼里面，腔體內(nèi)部通常充以SF6氣體，以實現(xiàn)導體對外殼、相間以及端口間的可靠絕緣。然而SF6氣體中一旦混入水分、雜質(zhì)、顆?；蛘咂渌蛟斐删植繄鰪娺^于集中，其絕緣性能會急劇下降。對于GIS這種電力設備，與其他設備不同，其絕緣缺陷通過局部放電的測量才能有效的檢測到。而其局部放電形式有多種，不同的放電形式對應不同的絕緣缺陷類型。因此，通過神經(jīng)網(wǎng)絡算法進行模式識別，能夠幫助判斷局部放電現(xiàn)象與絕緣缺陷之間對應關系，有助于對GIS診斷。
[0003]模式識別的核心問題是識別的技術方法，或者說是識別的數(shù)學模型。隨著現(xiàn)代科學技術的快速發(fā)展，模式識別技術的研究也在不斷深化，各種各樣的模式識別方法不斷涌現(xiàn)，如BP神經(jīng)網(wǎng)絡、模糊診斷、聚類分析等，它們各自有各自的研究特點和使用條件，也都可以應用到GIS缺陷模式識別中去，但是結構的簡單程度及識別結果的精度不能達到統(tǒng)一。因此，如何根據(jù)GIS絕緣缺陷放電圖譜的特征，使用一種新的方法來實現(xiàn)結構簡單、訓練速度快和識別正確率高的識別分類，是目前需解決的問題。
【發(fā)明內(nèi)容】
[0004]本發(fā)明針對現(xiàn)有技術存在的上述不足，提供了一種GIS絕緣缺陷局部放電圖譜模式識別方法，基于數(shù)學建模和RBF神經(jīng)網(wǎng)絡。
[0005]本發(fā)明通過以下技術方案實現(xiàn):
[0006]一種GIS絕緣缺陷局部放電圖譜模式識別方法，包括以下步驟:
[0007]S1、對原始數(shù)據(jù)進行預分析，原始數(shù)據(jù)為GIS絕緣缺陷的典型放電圖譜，分析其相位、幅值特征，用以為后續(xù)步驟提供參考依據(jù)；
[0008]S2、依據(jù)SI中的原始數(shù)據(jù)產(chǎn)生離散的數(shù)據(jù)序列，每個數(shù)據(jù)點為對應的放電相位及幅值大小；
[0009]S3、建立GIS絕緣缺陷典型圖譜的數(shù)學模型，運用隨機函數(shù)命令模擬實際放電量大小的隨機性和控制放電幅值大小的范圍；
[0010]S4、依據(jù)建模程序產(chǎn)生模擬圖譜，驗證模擬圖譜與真實圖譜的一致性；
[0011]S5、若一致性驗證成功，運行程序，產(chǎn)生大量模擬數(shù)據(jù)，其中每個數(shù)據(jù)點的前十二位為對應相位下的幅值，后面為分類編碼；
[0012]S6、建立RBF神經(jīng)網(wǎng)絡，訓練中，隱含層中心值的確定采用K-均值聚類法；[0013]S7、將S5中得到的數(shù)據(jù)輸入到S6中建立的RBF神經(jīng)網(wǎng)絡中，其中一部分數(shù)據(jù)作為訓練樣本，另一部分數(shù)據(jù)作為測試樣本；
[0014]S8、通過訓練樣本完成RBF神經(jīng)網(wǎng)絡的訓練，然后識別另一部分數(shù)據(jù)所屬分類，即輸出每個放電點的測試數(shù)據(jù)識別結果。
[0015]較佳的，還包括:
[0016]S9、通過調(diào)整訓練誤差允許值δ，用以加快訓練速度及提高識別正確率。
[0017]較佳的，S7中的作為訓練樣本的一部分數(shù)據(jù)所占比重為四分之三，作為測試樣本的另一部分數(shù)據(jù)所占比重為四分之一。
[0018]較佳的，S3中所述的建立GIS絕緣缺陷典型圖譜的數(shù)學模型，用以產(chǎn)生大量模擬放電數(shù)據(jù)，輸入到建立的RBF神經(jīng)網(wǎng)絡實現(xiàn)模式識別
[0019]該方法其具有以下優(yōu)點:1、建立了 GIS絕緣缺陷典型放電圖譜的數(shù)學模型和RBF神經(jīng)網(wǎng)絡；2、該方法很大地提高了對GIS絕緣缺陷模式識別的識別正確率；3、該方法結構簡單、訓練速度快。
【專利附圖】
【附圖說明】
[0020]圖1所示的是本發(fā)明的流程圖；
[0021]圖2所示的是RBF神經(jīng)網(wǎng)絡的結構圖。
【具體實施方式】
[0022]以下將結合本發(fā)明的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整的描述和討論，顯然，這里所描述的僅僅是本發(fā)明的一部分實例，并不是全部的實例，基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明的保護范圍。
[0023]為了便于對本發(fā)明實施例的理解，下面將結合附圖以具體實施例為例作進一步的解釋說明，且各個實施例不構成對本發(fā)明實施例的限定。
[0024]參看圖1，基于數(shù)學建模和RBF神經(jīng)網(wǎng)絡的GIS絕緣缺陷局部放電圖譜模式識別方法按以下步驟進行:
[0025]步驟(I):原始數(shù)據(jù)的預分析，原始數(shù)據(jù)為GIS絕緣缺陷的典型放電圖譜，根據(jù)其圖譜分析其相位、幅值特征，為接下來數(shù)據(jù)建模提供參考依據(jù)；
[0026]步驟(2):建立GIS絕緣缺陷局放典型圖譜的數(shù)學模型:
[0027]首先，依據(jù)原始的典型放電圖譜數(shù)據(jù)產(chǎn)生離散的數(shù)據(jù)序列，每個數(shù)據(jù)點為對應的放電相位及幅值大小。然后，依據(jù)以上數(shù)據(jù)，建立GIS絕緣缺陷典型圖譜的數(shù)學模型，運用隨機函數(shù)命令模擬實際放電量大小的隨機性和控制放電幅值大小的范圍。最后，依據(jù)建模程序產(chǎn)生模擬圖譜，驗證模擬圖譜與真實圖譜的一致性。
[0028]步驟(3):放電數(shù)據(jù)的產(chǎn)生:
[0029]為了得到大量的放電數(shù)據(jù)作為訓練樣本和測試樣本，運用了循環(huán)語句，又由于我們所構造的模型，用到的是隨機函數(shù)randint，便可得到大量的滿足契合條件的數(shù)據(jù)，以便輸入到后續(xù)建立的RBF神經(jīng)網(wǎng)絡實現(xiàn)模式識別。
[0030]步驟(4):建立RBF神經(jīng)網(wǎng)絡，其結構圖如圖2所示。[0031]A)選取k組數(shù)據(jù)作為聚類中心c.Ci為第i個中心(i=l，2，"％k)。同時需要保證選取的聚類中心不同。
[0032]B)計算訓練樣本與聚類中心的距離。
[0033](Iji= I I Xj-Ci I(I)
[0034](j=l, 2，...J) (J為訓練樣本的個數(shù))
[0035]C)將訓練樣本分類，當
[0036]
【權利要求】
1.一種GIS絕緣缺陷局部放電圖譜模式識別方法，其特征在于，包括以下步驟:51、對原始數(shù)據(jù)進行預分析，所述原始數(shù)據(jù)為GIS絕緣缺陷的典型放電圖譜，分析其相位、幅值特征，用以為后續(xù)步驟提供參考依據(jù)；52、依據(jù)SI中的原始數(shù)據(jù)產(chǎn)生離散的數(shù)據(jù)序列，每個數(shù)據(jù)點為對應的放電相位及幅值大??；53、建立GIS絕緣缺陷典型圖譜的數(shù)學模型，運用隨機函數(shù)命令模擬實際放電量大小的隨機性和控制放電幅值大小的范圍；54、依據(jù)建模程序產(chǎn)生模擬圖譜，驗證模擬圖譜與真實圖譜的一致性；55、若一致性驗證成功，運行程序，產(chǎn)生大量模擬數(shù)據(jù)，其中每個數(shù)據(jù)點的前十二位為對應相位下的幅值，后面為分類編碼；56、建立RBF神經(jīng)網(wǎng)絡，訓練中，隱含層中心值的確定采用K-均值聚類法；57、將S5中得到的數(shù)據(jù)輸入到S6中建立的RBF神經(jīng)網(wǎng)絡中，其中一部分數(shù)據(jù)作為訓練樣本，另一部分數(shù)據(jù)作為測試樣本；58、通過訓練樣本完成RBF神經(jīng)網(wǎng)絡的訓練，然后識別所述另一部分數(shù)據(jù)所屬分類，即輸出每個放電點的測試數(shù)據(jù)識別結果。
2.根據(jù)權利要求1所述的GIS絕緣缺陷局部放電圖譜模式識別方法，其特征在于，還包括:59、通過調(diào)整訓練誤差允許值δ，用以加快訓練速度及提高識別正確率。
3.根據(jù)權利要求1所述的GIS絕緣缺陷局部放電圖譜模式識別方法，其特征在于，S3中所述的建立GIS絕緣缺陷典型圖譜的數(shù)學模型，用以產(chǎn)生大量模擬放電數(shù)據(jù)，輸入到建立的RBF神經(jīng)網(wǎng)絡實現(xiàn)模式識別。
【文檔編號】G06K9/62GK103440497SQ201310352549
【公開日】2013年12月11日 申請日期:2013年8月13日 優(yōu)先權日:2013年8月13日
【發(fā)明者】鄭益慧, 李立學, 王昕 , 張義龍, 張楊 申請人:上海交通大學, 國家電網(wǎng)公司, 吉林省電力有限公司松原供電公司