考虑绝缘劣化的GIS局部放电特征参数提取方法

摘要

本发明所设计的考虑绝缘劣化的GIS局部放电特征参数提取方法，包括如下步骤：步骤1、采用阶段升压方式对置于SF6气体中典型GIS绝缘缺陷进行2次局部放电重复性试验；步骤2：构建由不同气体之间的浓度比值构成的特征参数集合Q；步骤3：利用mRMR算法对特征参数集合Q中的特征参数进行特征选择，得到这些特征参数的优先级排序，按排序依次选择前j个特征参数重新构建l个集合Qj；步骤4：利用反向传播神经网络构建绝缘缺陷识别模型，得到最优局部放电特征参数集合。本发明能得到用于绝缘缺陷识别的精简有效的特征参数组合和较为准确的识别效果。

说明书

技术领域

本发明涉及电工检测技术领域，具体地指一种考虑绝缘劣化的GIS(gas-insulated switchgear，气体绝缘金属封闭开关设备)局部放电特征参数提取方法。

技术背景

由于SF

目前GIS局部放电检测方法主要有：脉冲电流法、超声波法、光学检测法和特高频法。脉冲电流法，易受电磁干扰，且由于GIS多点接地结构，无法用于GIS现场检测；超声波法，现场设备振动和电晕噪音等对超声检测的准确性影响极大；光学检测法，灵敏度不高，存在检测死角，无法检测不在光电传感器检测范围内的局部放电现象；特高频法，现场放电量标定繁琐，容易受到与检测频带相同的随机窄带干扰。

发明内容

本发明的目的就是要提供一种考虑绝缘劣化的GIS局部放电特征参数提取方法，本发明能得到用于GIS绝缘缺陷识别的精简有效的特征参数组合和较为准确的识别效果。

为实现此目的，本发明所设计的考虑绝缘劣化的GIS局部放电特征参数提取方法，其特征在于，它包括如下步骤：

步骤1：采用阶段升压方式对置于SF

步骤2：在每个阶段电压结束之前，采集分析GIS中气体绝缘介质的种类及各个种类对应的浓度，利用所获取GIS中气体绝缘介质的种类及各个种类对应的浓度数据构建由不同气体之间的浓度比值构成的特征参数集合Q；

步骤3：利用mRMR(maximum relevance minimum redundancy，最大相关最小冗余)算法对特征参数集合Q中的特征参数进行特征排序，从特征参数集合Q中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的特征参数，根据寻找的结果得到这些特征参数的优先级排序，按排序依次选择前j(j＝1,2,…,l，l为特征参数集合Q中的元素个数)个特征参数重新构建l个集合Q

步骤4：利用反向传播神经网络(BPNN，Back Propagation Neural Network)构建绝缘缺陷识别模型，依次以集合Q

上述技术方案的步骤1中典型GIS绝缘缺陷为GIS在制造、运输、安装、检修和运行过程中，GIS出现的绝缘缺陷。

上述技术方案的步骤2中，各种不同气体绝缘介质A

上述技术方案的步骤3中mRMR算法根据最大统计依赖性原则来选择特征量，即从特征集合中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的m个特征，相关性D和冗余性R的定义如下：

式中，Q和|Q|分别表示特征集合及其包含的特征个数，I(x

当x和y为离散型随机变量时，上式可写为：

利用mRMR进行特征选择时，要求特征和类别之间的相关性D与特征内部的冗余性R的差值最大：

maxΦ

假设所有n个特征构成的集合为Q

利用该公式对特征参数进行优先级排序，即从集合Q中依次选出满足该公式的特征参数，选出特征参数的顺序即为其优先级排序；重新构建l个集合Q

上述技术方案的步骤4中，反向传播神经网络参数设置为：分别以特征参数集合Q

本发明采用阶段升压方式对不同绝缘缺陷施加试验电压考虑SF

本发明采用的是化学检测法，不受环境噪声和电磁干扰等影响，故障诊断准确。

附图说明

图1为起始试验电压持续时间结束前测得的气体浓度。

图2为BPNN学习流程图。

图3为4种绝缘缺陷的BPNN识别结果。

图2中，I

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

本发明所要解决的技术问题在于，提供一种考虑绝缘劣化的GIS局部放电特征参数提取方法。GIS在运行过程中，由于绝缘缺陷和加压时间不同，导致SF

所提供的提供一种考虑绝缘劣化的GIS局部放电特征参数提取方法其使用包括如下步骤：

步骤1：采用阶段升压方式对置于SF

步骤2：在每个阶段电压持续时间结束之前，采集分析GIS中气体绝缘介质的种类A

步骤3：利用mRMR算法对集合Q中的特征参数进行特征选择，得到这些特征参数的优先级排序，按排序依次选择前j个特征参数重新构建l个集合Q

步骤4：利用反向传播神经网络(BPNN，Back Propagation Neural Network)构建绝缘缺陷识别模型，依次以集合Q

进一步的，所述步骤1中典型GIS绝缘缺陷是指GIS在制造、运输、安装、检修和运行等过程中产生的绝缘缺陷。本实例中包括4种绝缘缺陷类别：高压导体上突出的异常金属(简称“突出物缺陷”)、在腔体内自由移动的金属颗粒或碎屑(简称“微粒缺陷”)、附着在绝缘子表面的各种脏污(简称“污秽缺陷”)、高压导体与盆式绝缘子之间形成的微小气隙(简称“气隙缺陷”)。

进一步的，所述步骤1中4种缺陷的起始试验电压、结束试验电压、阶段升压幅值d、阶段电压持续时间e的具体数值见下表：

进一步的，所述步骤2中气体绝缘介质的种类A

进一步的，所述步骤2中特征参数集合Q是指由不同气体之间的浓度比值构成的集合。本实例中构建的特征参数集合Q＝{C(CF

进一步的，所述步骤3中mRMR算法是指一种基于互信息的特征选择方法，它根据最大统计依赖性原则来选择特征量，即从特征集合中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的m个特征，相关性D和冗余性R的定义如下：

式中，Q和|Q|分别表示特征集合及其包含的特征个数，I(x

当x和y为离散型随机变量时，上式可写为：

利用mRMR进行特征选择时，要求特征和类别之间的相关性D与特征内部的冗余性R的差值最大：

maxΦ

假设所有n个特征构成的集合为Q

进一步的，所述步骤3中利用mRMR算法得到集合Q中特征参数的优先级排序为：C(SO

进一步的，所述步骤3中重新构建的l(l＝10)个集合Q

Q

Q

Q

Q

进一步的，对于步骤4中BPNN是指一种基于误差逆向传播算法进行网络训练的多层前馈型神经网络，其学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断减小。BPNN的学习过程是由正向传播与反向传播组成的，正向传播用于网络计算，对某一输入求出它的输出，反向传播用于逐层传递误差，修改连接权值和阈值，学习流程如图2所示。

进一步的，对于步骤4中BPNN参数设置为：分别以特征参数集合Q

进一步的，对于步骤4中得到4种绝缘缺陷的BPNN识别结果如图3所示，明显地，当集合Q

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。