[发明专利]基于GK模糊聚类的GIS局部放电类型识别方法

说明书

技术领域

本发明涉及一种基于GK模糊聚类的GIS局部放电类型识别方法。

背景技术

气体绝缘组合电器设备(gas insulated switchgear，GIS，也称SF6全封闭组合电器)具有占地面积小、运行可靠性高、维护方便等特点，在电力系统中得到了广泛应用。然而，GIS因制造或者安装过程中残留下的缺陷而引起的故障时有发生，其内部故障类型多以绝缘性故障为主，主要包括四种类型：电晕放电、悬浮物放电、绝缘子表面缺陷放电和自由颗粒放电。当故障发生时，由缺陷畸变电场产生局部放电。因此，通过局部放电检测判断GIS的潜在性故障对掌握GIS的绝缘状况和指导其检修都具有重要的意义，而对GIS局部放电信号进行类型识别，已成为判断GIS内部缺陷类型特性行之有效的方法。

GIS局部放电信号的特征提取和模式分类是局部放电模式识别研究中的两个关键问题。目前，国内外提取放电信号特征参数的主要方法包括：统计特征、小波特征、波形特征、矩特征、组合特征和分形特征。其中，分形特征由于其区分能力和模式描述能力优越、特征参数少且能反映非常复杂的局部放电信号，而得到了日益广泛的应用。但在目前文献中，GIS局部放电信号分形特征的提取中未考虑GIS现场干扰对分形特征的影响，如果不考虑现场干扰对放电信号的影响，有可能会将干扰信号作为放电信号，由此导致分形特征提取欠精确的问题。

在局部放电模式识别方面，目前文献将具有良好自适应能力、鲁棒性能和非线性映射能力的人工神经网络作为GIS局部放电模式的分类器，然而，人工神经网络由于存在网络结构的确定、局部极小值以及欠学习和过学习等问题，可能会对识别结果的正确性带来一定的影响。

发明内容

针对上述问题，本发明提供一种基于GK模糊聚类的GIS局部放电类型识别方法，采用GK模糊聚类方法，将GIS现场干扰信号隔离，大大提高局部放电信号分形特征提取的精确性，同时，采用最小二乘支持向量机分类算法(Least Squares Support Vector Machine，LS-SVM)识别GIS局部放电类型，提高放电类型识别的正确性和快速性。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

基于GK模糊聚类的GIS局部放电类型识别方法，其特征在于，包括如下步骤：

S01：根据采集的数据构建GIS局部放电灰度图像；

S02：提取GIS局部放电灰度图像的分形特征，即盒维数和信息维数；

S03：采用GK模糊聚类算法对分形特征数据进一步处理，隔离GIS现场干扰信号；

S04：基于最小二乘支持向量机分类算法设计GIS局部放电模式识别器；

S05：识别GIS局部放电类型。

该方法基于电晕放电、悬浮物放电、绝缘子表面缺陷放电和自由颗粒放电四种缺陷不同电压等级下的局部放电样本数据，提取局部放电灰度图像的分形特性作为识别特征量，同时考虑到GIS现场干扰对局部放电信号的影响，利用GK模糊聚类算法对分形特征量进一步处理，以提取隔离干扰后的分形特征量。最后基于最小二乘支持向量机分类算法设计GIS局部放电模式识别器，能有效识别GIS局部放电类型，同时比人工神经网络方法具有识别率高、稳定性好的优点。

本发明的有益效果是：

1)该方法充分考虑GIS现场干扰信号对局部放电信号分形特征的影响，采用GK模糊聚类算法将干扰信号隔离，可大大提高GIS局部放电信号分形特征提取的精确性。

2)该方法可避免人工神经网络方法中网络结构的确定、局部极小值以及欠学习和过学习等问题，可有效提高放电类型识别的正确性。

3)该方法识别出的GIS局部放电类型可作为判断GIS内部缺陷类型的直接依据，并对掌握GIS的绝缘状况和指导其检修都具有重要的意义。

附图说明

图1是本发明基于GK模糊聚类的GIS局部放电类型识别方法的流程图；

图2是本发明未处理前的四种GIS局部放电缺陷的分形特征示意图；

图3是本发明GK模糊聚类处理后的四种GIS局部放电缺陷的分形特征示意图；

图4是本发明GIS内部人工设置四种缺陷的示意图；

图5是本发明实施例中GIS试验现场干扰信号的示意图；

图6是本发明LS-SVM参数寻优前的识别结果(σ＝9.8463；γ＝94730.521)；

图7是本发明LS-SVM参数寻优后的识别结果(σ＝13.5741528；γ＝23478.3341)。