一种用于GIS绝缘缺陷的模式识别方法及系统

摘要

本发明公开了一种用于GIS绝缘缺陷的模式识别方法，其包括训练步骤和识别步骤：训练步骤包括：(1)采集案例PRPS局部放电图谱数据，并进行预处理；(2)提取有效特征量，以构建特征空间；(3)构建BP神经网络分类器，将特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正隐含层的神经元的权重，以使输出层输出与各特征空间相对应的GIS绝缘缺陷的模式；识别步骤包括：(a)采集待识别GIS设备的PRPS局部放电图谱数据，并对其进行预处理；(b)提取有效特征量，以构建特征空间；(c)将特征空间输入经过训练的BP神经网络分类器，BP神经网络分类器输出模式识别结果。

说明书

技术领域

本发明涉及电力系统中的模式识别方法及系统，尤其涉及一种电力设备缺陷的模式识别方法及系统。

背景技术

实时掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。局部放电检测是目前最常用一种在线监测电力设备绝缘状态的方式，当有局部放电发生时立刻采取行动，从而防止更严重事件的发生。特高频检测法即利用局部放电会产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。对监测得到的信号进行分析处理从而判断设备存在的缺陷种类。

为了提高故障诊断区分的效率，需要将智能算法代替人工，模式识别就是用于智能诊断的工具。BP神经网络作为模式识别领域应用最广泛的算法之一，具有自学习能力，能够将不同样本进行有效区分，实现自动化。但是，目前常用的传统BP神经网络采用的是梯度下降法，其识别准确率与精确度不足以局放诊断这一较为复杂的问题时。此外，采用传统的梯度下降法的BP神经网络的识别准确率与精确度不够高，并且训练时间过长的缺陷。

发明内容

本发明的目的之一在于提供一种用于GIS绝缘缺陷的模式识别方法，该模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。该模式识别方法识别准确率与精准度高，可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。

根据上述发明目的，本发明提出一种用于GIS绝缘缺陷的模式识别方法，其包括训练步骤和识别步骤：

其中，训练步骤包括：

(1)采集GIS的案例PRPS局部放电图谱数据，并进行预处理；

(2)提取案例PRPS局部放电图谱数据中的有效特征量，以构建案例PRPS局部放电图谱数据的特征空间；

(3)构建BP神经网络分类器，将特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重，以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式；

识别步骤包括：

(a)采集待识别GIS设备的PRPS局部放电图谱数据，并对其进行预处理；

(b)提取PRPS局部放电图谱数据中的有效特征量，以构建PRPS局部放电图谱数据的特征空间；

(c)将所述特征空间输入经过训练的BP神经网络分类器，所述BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。

在本发明所述的技术方案中，不同于现有技术的是，本案所采用的BP神经网络在进行训练时，采用LM算法修正BP神经网络分类器隐含层的神经元的权重，这是因为：

BP神经网络分类器的核心理念是通过误差的反向传播校正优化各个权值阈值的大小以达到误差最小值。BP神经网络分类器通过BP学习算法对样本进行分类训练，并将训练得到的隐含层权值用来分类。BP算法分为两个阶段，正向过程(Feed Forward)和反向过程(Back Propagation)。第一个阶段为正向过程，输入层接收外界输入的信息，将其传递给隐含层，隐含层负责逐层计算得到各单元的处理结果，并将该处理结果传递给输出层，完成一次正向传播过程。第二个阶段为反向过程，当经过正向过程后输出层得到的结果与预期不相符，输出误差反向通过隐含层向输入层传播，并按照一定方式修正各层的权重值。通过不断的进行正向传播和反向传播，各层神经元的权重值进行着不断的调整和修正，直到建造的网络其全局误差趋向于极小值并满足设定的阈值要求，则BP神经网络分类器的学习训练完成。

而在本发明所述的技术方案中，改进的BP神经网络分类器根据LevenbergMarquardt算法(简称为LM算法)修正各层权重。LM算法综合了高斯牛顿算法(简称GNA)和梯度下降法两者。相比高斯牛顿算法，LM算法鲁棒性更强，这意味着在很多情况下即使最初的误差值与其最小值相差很大，它依然能顺利完成。而本案所述的BP神经网络分类器在应用LM算法时，其迭代次数少、收敛速度快、精确度高。并且，由于迭代次数少，过拟合现象也将得到有效抑制。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别方法中，有效特征量至少包括颜色特征、纹理特征和形状特征。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别方法中，预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别方法中，GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别方法，隐含层被构造为单层或多层。

相应地，本发明的另一目的在于提供一种用于GIS绝缘缺陷的模式识别系统，该模式识别系统识别准确率与精确度高，并且识别时间短。

根据上述发明目的，本发明提出一种用于GIS绝缘缺陷的模式识别系统，其包括数据采集装置和数据处理模块，其中：

数据采集装置采集GIS的案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据；

数据处理模块被构造为执行下述训练步骤和识别步骤：

其中，训练步骤包括：

(1)对GIS的案例PRPS局部放电图谱数据进行预处理；

(2)提取案例PRPS局部放电图谱数据中的有效特征量，以构建案例PRPS局部放电图谱数据的特征空间；

(3)构建BP神经网络分类器，将所述特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重，以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式；

识别步骤包括：

(a)对待识别GIS设备的PRPS局部放电图谱数据进行预处理；

(b)提取PRPS局部放电图谱数据中的有效特征量，以构建PRPS局部放电图谱数据的特征空间；

(c)将特征空间输入经过训练的BP神经网络分类器，BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别系统中，有效特征量至少包括颜色特征、纹理特征和形状特征。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别系统中，预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别系统中，GIS绝缘缺陷的模式至少包括电晕放电、悬浮放电和自由金属微粒放电。

进一步地，在本发明所述的用于GIS绝缘缺陷的模式识别系统，其特征在于，所述BP神经网络分类器包括输入层、隐含层和所述输出层，其中所述隐含层被构造为单层或多层。

本发明所述的用于GIS绝缘缺陷的模式识别方法及系统具有如下所述的优点以及有益效果：

本发明所述的模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。本发明所述的模式识别方法识别准确率与精准度高，可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。

此外，本发明所述的模式识别系统也同样具有上述的优点以及有益效果。

附图说明

图1为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的训练步骤的流程示意图。

图2为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的识别步骤的流程示意图。

图3示意性地显示了本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的LM算法流程。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的用于GIS绝缘缺陷的模式识别方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。

本实施方式中的用于GIS绝缘缺陷的模式识别系统所识别的GIS绝缘缺陷的模式包括电晕放电、悬浮放电和自由金属微粒放电，该模式识别系统包括数据采集装置和数据处理模块，其中数据采集装置采集GIS的案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据，而数据处理模块被构造为执行下述训练步骤和识别步骤。

其中，图1为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的训练步骤的流程示意图。

如图1所示，训练步骤包括：

(1)对GIS的案例PRPS局部放电图谱数据进行预处理；

(2)提取案例PRPS局部放电图谱数据中的有效特征量，以构建案例PRPS局部放电图谱数据的特征空间；

(3)构建BP神经网络分类器，将所述特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重，以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式。

图2为本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的识别步骤的流程示意图。

如图2所示，识别步骤包括：

(a)对待识别GIS设备的PRPS局部放电图谱数据进行预处理；

(b)提取PRPS局部放电图谱数据中的有效特征量，以构建PRPS局部放电图谱数据的特征空间；

(c)将特征空间输入经过训练的BP神经网络分类器，BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。

为了达到构建出局放图像的特征空间，达到精简局放图像信息量的目的，便于提高后续模式识别的速度与效率，可以在本实施方式中，从颜色特征、纹理特征、形状特征三方面进行有效特征量提取。

并且，预处理包括对案例PRPS局部放电图谱数据和待识别GIS设备的PRPS局部放电图谱数据进行归一化处理。

需要说明的是，BP神经网络分类器包括输入层、隐含层和所述输出层，其中所述隐含层被构造为单层或多层。

由于本实施方式中的BP神经网络分类器根据LM算法修正各层权重，因而，相比于现有技术，LM算法鲁棒性更强，这意味着在很多情况下即使最初的误差值与其最小值相差很大，它依然能顺利完成。当面对函数本身性能十分良好和启动参数也十分合理的启动参数时，使得本案所述的BP神经网络分类器在应用LM算法时，其迭代次数少、收敛速度快、精确度高。并且，由于迭代次数少，过拟合现象也将得到有效抑制。

图3示意性地显示了本发明所述的用于GIS绝缘缺陷的模式识别方法在一些实施方式中的LM算法流程。

如图3所示，已知函数x＝f(p)，LM算法流程如下：

首先，预设权值p

ε

预设循环计数k＝0，λ

λ为阻尼系数，下标0表示初始值；v为比例参数。

随后，计算Jacobi矩阵J

上式中，I为单位矩阵，

接着，构造增量正规方程，具体如下所示：

其中，可以通过求解增量正规方程得到步长δ

由此可以看出，在LM算法中，每次迭代是为了寻找一个合适的阻尼系数λ。当λ很小时，LM算法就变成了GNA的最优步长计算式，λ很大时，LM算法就会蜕化成梯度下降法的最优步长计算式。也就是说，LM算法融合了二者的优点，本案采用LM算法可以避免传统BP神经网络存在的缺陷，例如：由于学习速率η的值通常出于谨慎的考虑不会取得太大而导致网络所需的训练时间较长；对于多层网络，误差曲面可能存在平坦区域或含有多个不同的局部极小值，前者将导致迭代次数增加、训练时间加长，而后者将导致收敛的结果是局部极小值而不能保证是全局最小值；权值学习迭代次数过多而拟合训练过程中的噪声和训练样例中没有代表性的特征，导致过拟合。

为了验证本案的模式识别方法的准确性，通过特高频放电试验共采集获得300组GIS绝缘缺陷局部放电数据，提取其特征量。将所得样本分为训练样本和测试样本两部分，随机选择200组作为训练样本，剩余为测试样本，分别采用本案的模式识别方法以及现有技术所采用的基于BP算法的模式识别方法进行识别。

识别结果如表1和表2所示。其中，表1为现有技术所采用的基于BP算法的模式识别方法的最终识别效果。表2为本案的模式识别方法的最终识别效果。

表1.

表2.

比较表1和表2可以看出，现有技术所采用的基于BP算法的模式识别方法的平均识别正确率为92.12％，而采用本案的模式识别方法的平均识别正确率高达95.65％，较之现有技术，本案的模式识别方法的精确度更高。另外，现有技术方法所采用的基于BP算法的模式识别方法的平均训练时间为44.33s，而本案的模式识别方法的训练时间只有10ms，是前者的1/4000，大大缩短了训练时间，对于紧急问题的识别更有保障。

由此可以看出，本案的模式识别方法准确度更高、训练时间更短、性能也更加优异，更有利于对GIS绝缘缺陷的光学图像进行分类识别。

综上所述，本发明所述的模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。本发明所述的模式识别方法识别准确率与精准度高，可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。

此外，本发明所述的模式识别系统也同样具有上述的优点以及有益效果。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。