电力设备局部放电多参量融合识别方法、装置、电子设备制造方法及图纸

本发明专利技术公开了一种电力设备局部放电多参量融合识别方法、装置、电子设备，所述方法包括：利用多种类型的传感器测量电力设备的局部放电数据，基于所述局部放电数据生成多个传感参量的相对能量幅值；基于所述相对能量幅值，使用卡方检验与最大相关最小冗余算法进行局部放电特征提取并使用支持向量机算法建立相应的分类模型；基于所述分类模型的软输出结果，使用Dempster

【技术实现步骤摘要】
电力设备局部放电多参量融合识别方法、装置、电子设备


[0001]本专利技术属于电力设备绝缘领域，涉及一种电力设备局部放电多参量融合识别方法、装置、电子设备。

技术介绍

[0002]气体绝缘全封闭组合电器(Gas Insulated Switchgear，GIS)通常以SF6等气体作为绝缘介质，具有电气强度高、占地面积小、维护工作量少等优点，因而得到了非常广泛的应用。然而，由于GIS设备在生产制造、运输组装、长期服役等过程中一些不可避免因素的影响，设备内部有时会存在诸如金属尖刺、绝缘部件表面异常、悬浮电位等绝缘缺陷，从而给运行设备带来不同程度的安全隐患。局部放电是绝缘缺陷在外部强电场作用下引发的物理现象，它是绝缘劣化的一种主要表现形式，也是造成绝缘劣化的重要影响因素。局部放电现象的发生和演化伴随着多种形式的微观物理和能量释放过程，如电荷转移、光辐射、电磁波辐射和声辐射等，并由此形成了多种对于局部放电现象的测量方法。目前，国内外学者已经在局部放电检测领域中开展了大量的研究工作，利用不同的测量方法在放电信号信噪分离、特征提取、故障识别等方面取得了显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备局部放电多参量融合识别方法，其特征在于，所述方法包括以下步骤：利用多种类型的传感器测量电力设备的局部放电数据，基于所述局部放电数据生成多个传感参量的相对能量幅值；基于所述相对能量幅值，使用卡方检验与最大相关最小冗余算法进行局部放电特征提取并使用支持向量机算法建立相应的分类模型；基于所述分类模型的软输出结果，使用Dempster
‑
Shafer证据理论进行决策融合。2.根据权利要求1所述的电力设备局部放电多参量融合识别方法，其特征在于，优选的，所述传感器为硅光电倍增器时，相对能量幅值P
L
为：其中A
L
为硅光电倍增器的输出电流峰值，t0为放电开始时刻，t为当前时刻。3.根据权利要求1中所述的电力设备局部放电多参量融合识别方法，其特征在于，所述传感器为特高频传感器时，相对能量幅值P
UHF
为：其中A
U
为特高频传感器输出电压的峰值，t0为放电开始时刻，t为当前时刻。4.根据权利要求1中所述的电力设备局部放电多参量融合识别方法，其特征在于，所述传感器为超声传感器时，相对能量幅值P
AE
为：其中V
i
(t)为t时刻超声传感器输出的电压幅值，t0为放电开始时刻，t为当前时刻。5.根据权利要求1中所述的电力设备局部放电多参量融合识别方法，其特征在于，所述基于所述相对能量幅值，使用卡方检验与最大相关最小冗余算法进行局部放电特征提取并使用支持向量机算法建立相应的分类模型的步骤包括：使用卡方检验与最大相关最小冗余算法基于所述相对能量幅值进行局部放电特征提取；使用纠错输出码将局部放电类型的多分类问题转化为支持向量机可处理的二分类问题：引入编码矩阵为{1,0,1}的三元纠错输出码策略以增强模型的鲁棒性，二元分类器的概率估计r
j
与第k类的后验概率p
k
的关系为：p
k
表示第k类的后验概率，N
c
表示所有的类型数量；I表示指示函数，其计算规则为：
优化r与之间的Kullback
‑
Leibler散度，为待优化的概率估计：N为二元分类器的数量，w
j
为第j个二元分类器的训练样本数量；以各个所述相对能量幅值为输入量，使用支持向量机进行分类，通过最小化以下目标函数L来实现超平面斜率w和超平面截距b的求解：α
i
为拉格朗日乘子，是自由变量；m为数据样本数量；y
i
为第i个数据的二元分类标签；x
i
为第i个数据的分类器输入向量，由各个传感器的相对能量幅值构成；引入松弛变量及惩罚因数，目标函数L更新为：C表示惩罚参数，为预先设定的值；α
i
和μ
i
均为拉格朗日乘子，是自由变量；...

【专利技术属性】
技术研发人员：任明，关浩斌，王凯，缪金，张涛，
申请(专利权)人：国网江苏省电力有限公司无锡供电分公司，
类型：发明
国别省市：