基于独立循环神经网络深度学习的GIS状态分析方法技术

本发明专利技术公开了一种基于独立循环神经网络深度学习的GIS状态分析方法，具体包括如下步骤：步骤1，收集样本数据；步骤2，对每一个样本数据进行归一化预处理，并输出项数据进行编号；步骤3，将经步骤2处理后的样本数据分为训练样本集、验证样本集、测试样本集；步骤4，搭建独立循环神经网络深度学习模型的整体结构；步骤5，对步骤4的模型使用步骤3的训练样本集进行训练后获得训练后模型；步骤6，对步骤5的模型使用步骤3的验证样本集进行过拟合验证，获取最优模型；步骤7，输出分析结果。本发明专利技术解决了现有GIS状态分析结果易受主观因素影响、可靠性低的问题。靠性低的问题。靠性低的问题。

【技术实现步骤摘要】
基于独立循环神经网络深度学习的GIS状态分析方法


[0001]本专利技术属于电力系统分析
，涉及一种基于独立循环神经网络深度学习的GIS状态分析方法。

技术介绍

[0002]GIS设备在我国电网中已经得到了越来越广泛的应用，然而GIS封闭性的特点使得GIS不易检修，状态估计困难。精准的GIS状态估计是设备可靠运行的前提，具有重要的研究意义和现实意义。
[0003]现有的GIS状态估计方法各有缺点：化学检测法基于对六氟化硫气体泄露的监测，但受GIS设备内部吸附剂的影响，检测精度低；电气检测法，基于超声、射频、超高频等信号检测法，多是采用时频分析方法，需要人工设置阈值，易受主观因素影响、结果可靠性低。区别于上述时频分析方法，基于数据特征的方法则不依赖于物理特征量，利用的是数据统计和数据挖掘的方法，去发现数据所表现的电力系统物理本质和运行规律，通过数据透视事物的本质和关系，为GIS状态估计提供了新的研究视角。因此，需要结合深度学习的特点与优势，对GIS状态估计方法进行研究。

技术实现思路

[0004]本专利技术的目的是提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于独立循环神经网络深度学习的GIS状态分析方法，其特征在于：具体包括如下步骤：步骤1，收集样本数据；步骤2，对步骤1中的每一个样本数据进行归一化预处理，并对输出项数据进行编号；步骤3，将经步骤2处理后的样本数据采用随机划分方式，分为训练样本集、验证样本集、测试样本集；步骤4，搭建独立循环神经网络深度学习模型的整体结构；步骤5，对步骤4的模型使用步骤3的训练样本集进行训练后获得训练后模型；步骤6，对步骤5的模型使用步骤3的验证样本集进行过拟合验证，获取最优模型；步骤7，将采集到的实际GIS近红外光谱曲线数据、气压信号数据、高频信号数据，输入到步骤6所获得的最优模型中，输出数据即为GIS设备的状态分析结果。2.根据权利要求1所述的基于独立循环神经网络深度学习的GIS状态分析方法，其特征在于：所述步骤1的样本数据中包括输入项数据和输出项数据，且输入项数据与输出项数据之间必须是一一对应的关系；输入项数据包括：近红外光谱曲线数据、气压信号数据、高频信号数据；输出项数据包括：绝缘体内部自由移动的金属颗粒和悬浮电位体、绝缘体、高压导体上存在尖刺突出、绝缘体表明的固定颗粒、导体之间的连接点接触不良、绝缘体内部表面的气隙或裂缝，依次对输出项数据进行编号为1～5，记为GIS的5种状态。3.根据权利要求2所述的基于独立循环神经网络深度学习的GIS状态分析方法，其特征在于：所述步骤2的具体过程为：对每一个样本数据中的输入项数据进行式(1)所示的归一化处理，获得预处理数据；其中，x
*
为归一化...

【专利技术属性】
技术研发人员：邓亚平，贾颢，同向前，张晓晖，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：