[发明专利]一种用于GIS绝缘缺陷的模式识别方法及系统

说明书

本发明公开了一种用于GIS绝缘缺陷的模式识别方法，其包括训练步骤和识别步骤：训练步骤包括：(1)采集案例PRPS局部放电图谱数据，并进行预处理；(2)提取有效特征量，以构建特征空间；(3)构建BP神经网络分类器，将特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正隐含层的神经元的权重，以使输出层输出与各特征空间相对应的GIS绝缘缺陷的模式；识别步骤包括：(a)采集待识别GIS设备的PRPS局部放电图谱数据，并对其进行预处理；(b)提取有效特征量，以构建特征空间；(c)将特征空间输入经过训练的BP神经网络分类器，BP神经网络分类器输出模式识别结果。

技术领域

本发明涉及电力系统中的模式识别方法及系统，尤其涉及一种电力设备缺陷的模式识别方法及系统。

背景技术

实时掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。局部放电检测是目前最常用一种在线监测电力设备绝缘状态的方式，当有局部放电发生时立刻采取行动，从而防止更严重事件的发生。特高频检测法即利用局部放电会产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。对监测得到的信号进行分析处理从而判断设备存在的缺陷种类。

为了提高故障诊断区分的效率，需要将智能算法代替人工，模式识别就是用于智能诊断的工具。BP神经网络作为模式识别领域应用最广泛的算法之一，具有自学习能力，能够将不同样本进行有效区分，实现自动化。但是，目前常用的传统BP神经网络采用的是梯度下降法，其识别准确率与精确度不足以局放诊断这一较为复杂的问题时。此外，采用传统的梯度下降法的BP神经网络的识别准确率与精确度不够高，并且训练时间过长的缺陷。

发明内容

本发明的目的之一在于提供一种用于GIS绝缘缺陷的模式识别方法，该模式识别方法根据特高频传感器采集得到的局部放电图谱数据通过所构建的BP神经网络对局部特高频信号进行识别并基于该结果识别出GIS绝缘缺陷的模式。该模式识别方法识别准确率与精准度高，可以更加快速地对采集到的待识别的局部放电图谱数据进行模式识别。

根据上述发明目的，本发明提出一种用于GIS绝缘缺陷的模式识别方法，其包括训练步骤和识别步骤：

其中，训练步骤包括：

(1)采集GIS的案例PRPS局部放电图谱数据，并进行预处理；

(2)提取案例PRPS局部放电图谱数据中的有效特征量，以构建案例PRPS局部放电图谱数据的特征空间；

(3)构建BP神经网络分类器，将特征空间输入BP神经网络分类器对其进行训练，在训练过程中采用LM算法修正BP神经网络分类器隐含层的神经元的权重，以使BP神经网络分类器的输出层输出与各特征空间相对应的GIS绝缘缺陷的模式；

识别步骤包括：

(a)采集待识别GIS设备的PRPS局部放电图谱数据，并对其进行预处理；

(b)提取PRPS局部放电图谱数据中的有效特征量，以构建PRPS局部放电图谱数据的特征空间；

(c)将所述特征空间输入经过训练的BP神经网络分类器，所述BP神经网络分类器输出GIS绝缘缺陷的模式识别结果。

在本发明所述的技术方案中，不同于现有技术的是，本案所采用的BP神经网络在进行训练时，采用LM算法修正BP神经网络分类器隐含层的神经元的权重，这是因为：