[发明专利]基于核主元分析与神经网络的GIS局部放电模式识别方法及系统

权利要求书

1.一种基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，包括步骤：

(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号；

(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱；

(3)对三维PRPS图谱进行Gabor变换，得到变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量；

(4)采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集；

(5)构建多层BP神经网络，使用特征向量训练集对多层BP神经网络进行训练；

(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。

2.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述典型缺陷包括悬浮电位放电、金属针尖放电和金属微粒放电。

3.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(3)中，进行Gabor变换时采用高斯函数作为窗函数。

4.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用高斯函数作为核主成分分析的核函数。

5.如权利要求4所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前11个主成分作为降维后的特征向量。

6.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用多项式核函数作为核主成分分析的核函数。

7.如权利要求6所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前5个主成分作为降维后的特征向量。

8.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述多层BP神经网络具有3个隐含层。

9.如权利要求8所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述多层BP神经网络为5层结构，其还具有一个输入层和一个输出层，每一层之间的神经元之间的连接方式为全连接，层内各神经元无连接。

10.一种基于核主元分析与神经网络的GIS局部放电模式识别系统，其特征在于，包括：

特高频传感器，其采集GIS设备内部的典型缺陷的局部放电信号作为样本数据，并采集GIS设备的实测局部放电信号；

识别模块，其执行如权利要求1-9中任意一项所述的基于核主元分析与神经网络的GIS局部放电模式识别方法的步骤(2)-(6)。