[发明专利]一种基于MIV和MEA-LVQ神经网络的GIS局部放电识别方法和系统

说明书

本发明涉及一种基于MIV和MEA‑LVQ神经网络的GIS局部放电识别方法和系统，方法包括将GIS局部放电测试样本输入MIV‑MEA‑LVQ网络中，得到识别结果；其中MIV‑MEA‑LVQ网络的训练过程如下：根据GIS局部放电训练样本，计算得到第一优化样本和第二优化样本，将第一优化样本和第二优化样本输入至第一LVQ网络中计算得到GIS局部放电训练样本中每个特征的MIV值；根据第一优化样本和第二优化样本，使用思维进化算法优化第一LVQ网络结构，得到第二LVQ网络结构；根据MIV值，删除GIS局部放电训练样本中的部分特征，根据剩余特征结合第二LVQ网络结构确定MIV‑MEA‑LVQ网络。与现有技术相比，本发明具有精度高、稳定性强等优点。

技术领域

本发明涉及局部放电分类识别领域，尤其是涉及一种基于MIV和MEA-LVQ神经网络的GIS局部放电识别方法和系统。

背景技术

绝缘缺陷在GIS设备的常见故障中占据很大比重，其主要表现为局部放电。与敞开式设备所具有多种局放检测手段或技术相比，GIS密封空间内绝缘缺陷的局放检测显得尤为困难。由于内部缺陷种类形式多种多样，因此，不同缺陷所引起的局放对设备的损伤程度也不尽相同。利用放电图谱对局部放电进行有效识别，并以此明确缺陷类型，可以有针对性地制定检修方案，从而保证GIS设备的安全稳定运行。传统的GIS局放识别通常是通过人工方式对图谱目测判断得出，这种方法工作量大且效率较低。

近年来，以各类神经网络为代表的自学习诊断方法被应用于设备的状态评估领域，有效提高了诊断的有效性和准确率。其中，学习向量量化(Learning VectorQuantization,LVQ)神经网络因具备实现模式识别简单精确的特点，常被用于GIS设备局放诊断及缺陷识别。然而，对初始权值敏感仍然是困扰LVQ网络在局放识别领域深入应用面临的主要问题之一。此外，LVQ网络不具备对自变量进行量筛选的能力，导致识别结果的精度和稳定性不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于MIV和MEA-LVQ神经网络的GIS局部放电识别方法和系统。

本发明的目的可以通过以下技术方案来实现：

一种基于MIV和MEA-LVQ神经网络的GIS局部放电识别方法，包括以下步骤：将GIS局部放电测试样本输入MIV-MEA-LVQ网络中，得到识别结果；

所述MIV-MEA-LVQ网络的训练过程如下：

步骤S1、根据GIS局部放电训练样本，计算得到第一优化样本和第二优化样本，将第一优化样本和第二优化样本输入至第一LVQ网络中计算得到GIS局部放电训练样本中每个特征的平均影响值(Mean Impact Value,MIV)值；

步骤S2、根据第一优化样本和第二优化样本，使用思维进化算法(MindEvolutionary Algorithm,MEA)优化第一LVQ网络结构，得到第二LVQ网络结构；

步骤S3、根据MIV值，删除GIS局部放电训练样本中的部分特征，根据剩余特征结合第二LVQ网络结构确定MIV-MEA-LVQ网络。

进一步地，所述第一优化样本和第二优化样本的获取步骤如下：

将GIS局部放电训练样本每个特征在原值的基础上加n％，得到第一优化样本；将GIS局部放电训练样本每个特征在原值的基础上减n％，得到第二优化样本。

进一步地，所述MIV值的计算步骤如下：

将第一优化样本输入至第一LVQ网络中得到每个特征的第一影响值，将第二优化样本输入至第一LVQ网络中得到每个特征的第二影响值，第一影响值和第二影响值的差值除以第一LVQ网络神经元数目即为每个特征的MIV值。

进一步地，所述步骤S2的具体优化过程如下：