主权项 |
一种GIS超高频局部放电信号识别方法,包括模型训练过程和缺陷识别过程,其特征在于,所述模型训练过程包括以下步骤:(1‑1)输入四种带有类别标记的GIS超高频局部放电信号作为训练样本,其中固定粒子放电标记为(1,0,0,0),自由粒子放电标记为(0,1,0,0),浮动电极放电标记为(0,0,1,0),绝缘缺陷放电标记为(0,0,0,1);(1‑2)对步骤(1‑1)输入的GIS超高频局部放电信号进行预处理;(1‑3)对预处理后的GIS超高频局部放电信号提取以下放电特征:平均放电幅值、放电幅值标准差、放电相位分布、放电极性、放电时间间隔均值;(1‑4)以步骤(1‑3)提取的放电特征作为参数进行建模,具体包括以下步骤:(1‑4‑1)将步骤(1‑3)提取的放电特征进行类别标识,其中固定粒子放电信号标记为(1,0,0,0),自由粒子放电信号标记为(0,1,0,0),浮动电极放电信号标记为(0,0,1,0),绝缘缺陷放电信号标记为(0,0,0,1);(1‑4‑2)对进行类别标识后的放电特征进行归一化处理,将带有类别标记的所有放电特征参数作为训练样本,构成训练样本集;(1‑4‑3)选择模型参数;(1‑4‑4)先用遗传模拟退火算训练神经网络,使神经网络的权值定位于权空间最优附近,然后采用BP算法进行局部搜索,使神经网络的权值迅速地收敛到最终的优化值,最后使用BP神经网络工具对训练数据集进行训练,得到GSA‑BP模型;所述缺陷识别过程包括:(2‑1)输入待测GIS超高频局部放电信号;(2‑2)对步骤(2‑1)输入的待测GIS超高频局部放电信号进行预处理;(2‑3)提取步骤(2‑2)得到的待测GIS超高频局部放电信号的特征:平均放电幅值、放电幅值标准差、放电相位分布、放电极性、放电时间间隔均值,得到待测样本特征;(2‑4)用步骤(1‑4‑4)的得到的GSA‑BP模型对GIS超高频局部放电信号待测样本进行分类识别。 |