一种GIS局部放电超声波信号识别方法技术

本发明专利技术公开了一种GIS局部放电超声波信号识别方法，解决了GIS局部放电超声波检测和诊断的准确性和可靠性不高的问题，包括网络学习和缺陷识别过程，具体包括以下步骤：首先对GIS局部放电超声波信号已知样本进行预处理，然后提取平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标等放电特征参数，最后建立模糊逻辑聚类神经元网络，对待识别的GIS局部放电超声波信号进行预处理，然后提取相应的特征参数，最后利用建立的模型对包括待识别样本在内的所有样本进行分类，计算待识别样本与同一类中其他已知样本的模糊贴近度，根据贴近度的大小判断其缺陷类型。本发明专利技术对于评估GIS的绝缘状况并制定合理的检修策略具有重要意义。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种GIS局部放电超声波信号识别方法，解决了GIS局部放电超声波检测和诊断的准确性和可靠性不高的问题，包括网络学习和缺陷识别过程，具体包括以下步骤：首先对GIS局部放电超声波信号已知样本进行预处理，然后提取平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标等放电特征参数，最后建立模糊逻辑聚类神经元网络，对待识别的GIS局部放电超声波信号进行预处理，然后提取相应的特征参数，最后利用建立的模型对包括待识别样本在内的所有样本进行分类，计算待识别样本与同一类中其他已知样本的模糊贴近度，根据贴近度的大小判断其缺陷类型。本专利技术对于评估GIS的绝缘状况并制定合理的检修策略具有重要意义。【专利说明】—种GIS局部放电超声波信号识别方法
本专利技术涉及电气设备绝缘检测
，特别涉及一种基于模糊逻辑聚类神经元网络的GIS局部放电超声波信号识别方法。
技术介绍
气体绝缘组合电器(GIS)具有占地面积小、可靠性高、安全性强、运行维护方便等优点，因此在电力系统中得到了广泛应用。近年来电网接连发生多起GIS故障或事故，严重影响着系统的安全稳定运行，因此研究GIS设备的局部放电故障诊断技术具有重要意义。目前局部放电超声波检测是对GIS设备进行故障诊断与绝缘状况评估的一种重要手段。局部放电会导致绝缘系统老化，引起绝缘故障，缩短设备的使用寿命。GIS设备内部发生局部放电的原因多种多样，对应的放电类型以及对设备绝缘的影响程度大小也有所不同，因此在设备运行过程中不但要对局部放电的大小进行检测，还要进一步判断绝缘缺陷的类型。现有的GIS局部放电识别方法多利用超高频局部放电信号进行识别，提取局部放电超高频信号的三维谱图、统计特征参数、分形参数、图像矩特征参数等，再利用模式识别算法进行识别，而局部放电超声波信号由于无法提取放电发生的相位信息，因此在具体识别时存在局限性。目前所采用的模式识别算法多以BP神经网络为主，但BP神经网络由于采用梯度下降法，不可避免会存在收敛速度慢、容易陷入局部极小点、难以确定隐含层节点数等问题。因此寻找有效的GIS局部放电超声波信号识别方法，实现GIS局部放电缺陷类型的准确划分，提高GIS局部放电超声波检测和诊断的准确性和可靠性是目前GIS局部放电检测中亟待解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点，提供一种GIS局部放电超声波信号识别方法，提取GIS局部放电超声波信号的时域特征参数，利用模糊逻辑聚类神经元网络对其进行识别分类，有效地提高了 GIS局部放电故障诊断的准确性和可靠性。本专利技术的目的通过以下技术方案实现:一种GIS局部放电超声波信号识别方法，包括网络学习过程和缺陷识别过程， 所述网络学习过程包括以下步骤: (1-1)输入已知的GIS局部放电超声波信号作为学习样本； (1-2)对步骤(1-1)输入的GIS局部放电超声波信号进行预处理； (1-3)对预处理后的GIS局部放电超声波信号提取以下放电特征参数:平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标； (1-4)以步骤(1-3)提取的放电特征参数进行建模，具体包括以下步骤: (1-4-1)对所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为学习样本，构成学习样本集； (1-4-2)建立模糊逻辑聚类神经元网络并选择模型参数；(1-4-3)对每个学习样本计算网络的输出，并根据学习算法调整网络参数，当满足收敛条件时，学习过程结束，得到最终的网络参数，即建立了 GIS局部放电超声波信号识别模型； 所述缺陷识别过程包括: (2-1)输入待识别的GIS局部放电超声波信号； (2-2)对步骤(2-1)输入的待识别GIS局部放电超声波信号进行预处理； (2-3)提取步骤(2-2)得到的待识别GIS局部放电超声波信号的特征参数:平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标； (2-4)对包括待识别样本在内的所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为样本集，用步骤(1-4-3)得到的GIS局部放电超声波信号识别模型对样本集进行进行计算，得到其对应的AU ，从而得到待诊断样本的分类； (2-5)根据步骤(2-4)的分类结果，计算待识别样本与同一类中其他已知样本的模糊贴进度； (2-6)对步骤(2-5)计算得到的模糊贴进度按照大小排序，贴进度越大，则缺陷类别越相似，从而确定待识别样本的缺陷类别。步骤(1-4-2)所述模型参数包括聚类中心向量V、网络参数W、聚类数c和学习终止条件f。步骤(1-4-3)所述对每个学习样本计算网络的输出，并根据学习算法调整网络参数，当满足收敛条件时，学习过程结束，得到最终的网络参数，从而建立GIS局部放电超声波信号识别模型，具体为: (1-4-3-1)初始化，初始化网络参数nP和一】,并且确定聚类数c和学习终止条件f，对于V可以任意选取,但对于詈必须初始化为很小的值,这是避免死点问题所必需的,设定学习代数; (1-4-3-2)对每个学习样本【权利要求】1.一种GIS局部放电超声波信号识别方法，包括网络学习过程和缺陷识别过程，其特征在于， 所述网络学习过程包括以下步骤: (1-1)输入已知的GIS局部放电超声波信号作为学习样本； (1-2)对步骤(1-1)输入的GIS局部放电超声波信号进行预处理； (1-3)对预处理后的GIS局部放电超声波信号提取以下放电特征参数:平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标； (1-4)以步骤(1-3)提取的放电特征参数进行建模，具体包括以下步骤: (1-4-1)对所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为学习样本，构成学习样本集； (1-4-2)建立模糊逻辑聚类神经元网络并选择模型参数； (1-4-3)对每个学习样本 计算网络的输出，并根据学习算法调整网络参数，当满足收敛条件时，学习过程结束，得到最终的网络参数，即建立了 GIS局部放电超声波信号识别模型； 所述缺陷识别过程包括: (2-1)输入待识别的GIS局部放电超声波信号； (2-2)对步骤(2-1)输入的待识别GIS局部放电超声波信号进行预处理； (2-3)提取步骤(2-2)得到的待识别GIS局部放电超声波信号的特征参数:平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标； (2-4)对包括待识别样本在内的所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为样本集，用步骤(1-4-3)得到的GIS局部放电超声波信号识别模型对样本集进行进行计算，得到其对应的 ，从而得到待诊断样本的分类； (2-5)根据步骤(2-4)的分类结果，计算待识别样本与同一类中其他已知样本的模糊贴进度； (2-6)对步骤(2-5)计算得到的模糊贴进度按照大小排序，贴进度越大，则缺陷类别越相似，从而确定待识别样本的缺陷类别。2.根据权利要求1所述的GIS局部放电超声波信号识别方法，其特征在于，步骤(1-4-2)所述模型参数包括聚类中心向量^网络参数I聚类数c和学习终止条件f。3.根据权利要求2所述的GIS局部放电超声波信号识别本文档来自技高网...

【技术保护点】
一种GIS局部放电超声波信号识别方法，包括网络学习过程和缺陷识别过程，其特征在于，所述网络学习过程包括以下步骤：（1?1）输入已知的GIS局部放电超声波信号作为学习样本；（1?2）对步骤（1?1）输入的GIS局部放电超声波信号进行预处理；（1?3）对预处理后的GIS局部放电超声波信号提取以下放电特征参数：平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标；（1?4）以步骤（1?3）提取的放电特征参数进行建模，具体包括以下步骤：（1?4?1）对所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为学习样本，构成学习样本集；（1?4?2）建立模糊逻辑聚类神经元网络并选择模型参数；（1?4?3）对每个学习样本计算网络的输出，并根据学习算法调整网络参数，当满足收敛条件时，学习过程结束，得到最终的网络参数，即建立了GIS局部放电超声波信号识别模型；所述缺陷识别过程包括：（2?1）输入待识别的GIS局部放电超声波信号；（2?2）对步骤（2?1）输入的待识别GIS局部放电超声波信号进行预处理；（2?3）提取步骤（2?2）得到的待识别GIS局部放电超声波信号的特征参数：平均幅值、方均根、峰值指标、峭度、波形指数、脉冲指标、裕度指标；（2?4）对包括待识别样本在内的所有样本的放电特征参数进行正规化变换，将变换后的放电特征参数作为样本集，用步骤（1?4?3）得到的GIS局部放电超声波信号识别模型对样本集进行进行计算，得到其对应的????????????????????????????????????????????????，从而得到待诊断样本的分类；（2?5）根据步骤（2?4）的分类结果，计算待识别样本与同一类中其他已知样本的模糊贴进度；（2?6）对步骤（2?5）计算得到的模糊贴进度按照大小排序，贴进度越大，则缺陷类别越相似，从而确定待识别样本的缺陷类别。692663dest_path_image002.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：闫杰，王天正，芦山，刘晓飞，
申请(专利权)人：国家电网公司，国网山西省电力公司电力科学研究院，
类型：发明
国别省市：