一种基于振动信号主成分分析法的GIS状态识别方法技术

本发明专利技术公开了一种基于振动信号主成分分析法的GIS状态识别方法，提取正常及不同故障状态下GIS振动信号的14个特征量组成14维的复合特征向量；然后运用主成分分析法对特征向量进行压缩降维成主成分特征向量；然后通过深度置信网络两阶段的训练得到振动信号主成分特征向量与GIS状态之间的对应决策函数，使用其对待状态识别的GIS振动信号主成分特征向量进行分类，根据分类确定该GIS状态。使用主成分分析法对复合特征向量进行优化，不仅保留了复合特征向量的原始信息，而且降低了特征向量维数，提高了分类器的工作效率，有效改善了GIS状态识别的精度和速度。

A GIS State Recognition Method Based on Principal Component Analysis of Vibration Signals

【技术实现步骤摘要】
一种基于振动信号主成分分析法的GIS状态识别方法
本专利技术涉及气体绝缘金属封闭开关设备(GIS)状态识别
，具体涉及一种基于振动信号主成分分析法的GIS状态识别方法。
技术介绍
气体绝缘金属封闭开关设备(GasInsulatedSwitchgear，GIS)问世于上世纪60年代，因其占地面积小、可靠性高、安全性强、安装周期短、运巧维护工作量小等优点而飞速发展，现已在世界范围内各等级变电站中得到广泛应用。但由于其复杂的全封闭结构，GIS一旦发生故障都会有很大范围的影响且难以准去定位、快速抢修。因此为保证电网的安全稳定运行，GIS的可靠性就显得尤为重要，因此对GIS的故障状态进行有效识别已成当务之急。目前针对GIS设备运行状态监测的手段有超声波局部放电检测、特高频检测、光学分析及化学分析法等，但这些方法虽然得到了研究人员或现场工作人员的广泛认可，但都仅适用于GIS内部放电性故障检测，难以识别GIS中的机械故障。而振动信号频谱特征是表征机械特征的重要指标，由于其对GIS中机械故障的敏感性，基于振动信号的GIS状态识别已成为近期的研究热点。而现有的基于振动信号的GIS状态识别往往针对振动信号的单一特征量进行GIS的状态识别，但GIS的机械状态与特征量并不是一一对应关系，不同的机械状态可能会引发同一种特征量变化，因此根据单一特征量的GIS状态识别往往会造成误判。为了提高检测准确率，必须采集多种特征量组成复合特征向量，结合不同特征量之间的信息互补关系，对GIS状态做出较为可靠的判断，但特征量的增加会加重计算机的工作负担，降低计算速度与精度。
技术实现思路
本专利技术所要解决的技术问题是：现有的基于振动信号的GIS状态识别在不同特征量的选取上，结合不同特征量之间的信息互补关系，对GIS状态做出较为可靠的判断，但特征量的增加会加重计算机的工作负担，降低计算速度与精度的问题。因此，在进行基于振动信号的GIS状态识别时，选取合适的特征量尤为重要。本专利技术提供了解决上述问题的一种基于振动信号主成分分析法的GIS状态识别方法，保留尽可能多的GIS振动信号特征的同时又有较高的状态识别效率，可高效率、高精度地实现综合多种特征量的GIS状态判断。本专利技术通过下述技术方案实现：一种基于振动信号主成分分析法的GIS状态识别方法，所述方法包括：步骤1：通过在GIS上安装的振动加速度传感器来采集多组GIS正常及故障状态下振动信号；步骤2：对采集到的GIS振动信号进行处理，分别提取GIS振动信号时域、频域及能量特征，并构建GIS振动信号复合特征向量；步骤3：采用主成分分析法对GIS振动信号复合特征向量进行优化处理，得到GIS振动信号主成分特征向量；步骤4：构建深度置信网络模型，将多组已知状态下的GIS振动信号主成分特征向量作为深度置信网络识别模型的训练样本，通过深度置信网络模型两阶段的训练，得到GIS振动信号主成分特征向量与GIS状态之间的对应决策函数；步骤5：采集待状态识别的GIS振动信号，进行主成分特征向量的计算与分析，运用GIS振动信号主成分特征向量与GIS状态之间的对应决策函数对其进行分类识别，识别出该GIS状态。进一步地，步骤2中提取的GIS振动信号时域特征包括GIS振动信号峰峰值、平均值、偏度和峭度；频域特征包括主成分频率、100Hz占比、50Hz奇次倍频占比；使用集合经验模态分解算法将GIS振动信号分解为多个模态分量IMF，计算各IMF能量，取在原始信号能量中占比超过90％的前7个模态分量IMF的能量作为GIS振动信号能量特征。进一步地，根据GIS振动信号提取的上述14维特征量(14维特征量为：GIS振动信号峰峰值、平均值、偏度和峭度、主成分频率、100Hz占比、50Hz奇次倍频占比、原始信号能量中占比超过90％的前7个模态分量IMF的能量，并依次按照上述顺序进行特征量的编号)构建GIS振动信号复合特征向量α＝(k1,k2，...k14)T，其中：α为GIS振动信号复合特征向量，k1为第一维特征量峰峰值，k2为第二维特征量平均值，其它依次类推，上标T为(k1,k2，...k14)的转置。进一步地，所述步骤3具体包括：步骤3.1：将所测m组GIS振动信号构成m×14的矩阵X＝(α1,α2，...αm)T＝(x1,x2，...x14)步骤3.2：根据以下表达式计算矩阵X的协方差矩阵C：式中：cov(x,y)表示两组数据的协方差；步骤3.3：计算协方差矩阵C的特征值λi(i＝1,2......14)与对应的特征向量矩阵E，将得到的特征值按降序排列，并按此顺序将特征向量矩阵E中各列重新排列，得到过渡矩阵T，取T中的每一列向量为特征因子；步骤3.4：计算各特征因子贡献率，选取其中贡献率之和超过95％的2个特征因子组成变换矩阵，各特征因子贡献率计算公式为：式中：Kr表示第r个特征因子贡献率，λr表示第r个特征因子对应的特征值，λj表示第j个特征因子对应的特征值，表示对λj从λ1到λm求和；步骤3.5：通过矩阵运算Y＝X×U得到m×2的特征矩阵Y，矩阵Y的每一列即为一组GIS振动信号的主成分特征向量。进一步地，使用集合经验模态分解算法将GIS振动信号分解为多个模态分量IMF，计算各IMF能量的计算公式为：式中：Rj表示每个模态分量IMF中能量的总和，nIMF表示第n个模态分量IMF中所包含的数据总量，表示每个GIS振动信号数据点的能量值；为了简化计算，采用每个模态分量IMF的2范数来表征其能量特征，上述计算各IMF能量的计算公式可简化为如下计算公式：式中：vn为各模态分量IMF能量。进一步地，步骤4中使用深度置信网络(DBN)对数据进行训练，其由多个无监督的受限玻尔兹曼机(RBM)和一个有监督的反向传播网络(BP)堆叠而成的深度神经网络，通过深度置信网络模型两阶段的训练分别为由低层到高层的无监督预训练以及由高层到低层的有监督微调。其中：第一阶段是采用贪婪算法无监督地训练每一个受限玻尔兹曼机RBM，当下层RBM训练完成后，将其输出作为上层RBM的输入，依次逐层训练，从而学习更高层的特征并不断更新每层的训练参数，由于贪婪算法不能使各层之间的学习参数达到最优，故需要进行第二阶段的微调；第二阶段采取有监督的方式训练最后一层BP网络，将第一阶段产生的误差反向传输至下面的每一层RBM，并根据传输结果微调各个RBM层之间的参数，使整个深度置信网络模型的参数达到最优。经过两阶段学习参数的调整，数据的输入特征就被抽象成更高阶的特征，从而得到更好的分类效果。本专利技术具有如下的优点和有益效果：1、本专利技术提取GIS振动信号峰峰值、平均值、偏度主成分频率、100Hz占比、50Hz奇次倍频占比以及原始信号能量中占比超过90％的前7个IMF分量的能量作为振动信号特征量，包含了振动信号的时域、频域及能量特征，可以较为完备的反映GIS振动信号的特性；2、本专利技术采用了深度置信网络(DBN)，通过机器学习原理对GIS振动信号进行分类，有着较高的准确率和较快的收敛速度；3、本专利技术采用主成分分析法对复合特征向量进行优化，不仅保留了复合特征向量的原始信息，而且降低了特征向量维数，提高了分类器的工作效率，有效改善了GIS状态识别的精度和速度。附图说明此处所说明的附图用来提供对本专利技术本文档来自技高网...

【技术保护点】
1.一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：所述方法包括：步骤1：通过在GIS上安装的振动加速度传感器来采集多组GIS正常及故障状态下振动信号；步骤2：对采集到的GIS振动信号进行处理，分别提取GIS振动信号时域、频域及能量特征，并构建GIS振动信号复合特征向量；步骤3：采用主成分分析法对GIS振动信号复合特征向量进行优化处理，得到GIS振动信号主成分特征向量；步骤4：构建深度置信网络模型，将多组已知状态下的GIS振动信号主成分特征向量作为深度置信网络模型的训练样本，通过深度置信网络模型两阶段的训练，得到GIS振动信号主成分特征向量与GIS状态之间的对应决策函数；步骤5：采集待状态识别的GIS振动信号，进行主成分特征向量的计算与分析，运用GIS振动信号主成分特征向量与GIS状态之间的对应决策函数对其进行分类识别，识别出该GIS状态。

【技术特征摘要】
1.一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：所述方法包括：步骤1：通过在GIS上安装的振动加速度传感器来采集多组GIS正常及故障状态下振动信号；步骤2：对采集到的GIS振动信号进行处理，分别提取GIS振动信号时域、频域及能量特征，并构建GIS振动信号复合特征向量；步骤3：采用主成分分析法对GIS振动信号复合特征向量进行优化处理，得到GIS振动信号主成分特征向量；步骤4：构建深度置信网络模型，将多组已知状态下的GIS振动信号主成分特征向量作为深度置信网络模型的训练样本，通过深度置信网络模型两阶段的训练，得到GIS振动信号主成分特征向量与GIS状态之间的对应决策函数；步骤5：采集待状态识别的GIS振动信号，进行主成分特征向量的计算与分析，运用GIS振动信号主成分特征向量与GIS状态之间的对应决策函数对其进行分类识别，识别出该GIS状态。2.根据权利要求1所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：步骤2中提取的GIS振动信号时域特征包括GIS振动信号峰峰值、平均值、偏度和峭度；频域特征包括主成分频率、100Hz占比、50Hz奇次倍频占比；使用集合经验模态分解算法将GIS振动信号分解为多个模态分量IMF，计算各IMF能量，取在原始信号能量中占比超过90％的前7个模态分量IMF的能量作为GIS振动信号能量特征。3.根据权利要求2所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：根据GIS振动信号提取的14维特征量构建GIS振动信号复合特征向量α＝(k1,k2，...k14)T，其中α为GIS振动信号复合特征向量，k1为第一维特征量，k2为第二维特征量，依次下去k14为第十四维特征量，上标T为(k1,k2，...k14)的转置。4.根据权利要求3所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：所述步骤3具体包括：步骤3.1：将所测m组GIS振动信号构成m×14的矩阵X＝(α1,α2，.....

【专利技术属性】
技术研发人员：赵延刚，苏旭辉，王志川，黄小龙，王泽龙，龙伟，任成君，欧智乐，张大猛，高波，赵冲，
申请(专利权)人：国网四川省电力公司南充供电公司，四川大学，
类型：发明
国别省市：四川,51