基於向量機和人工魚群優化的gis設備智能識別方法
2023-08-05 18:26:16
專利名稱：基於向量機和人工魚群優化的gis設備智能識別方法
技術領域：
本發明涉及電力設備內部缺陷識別方法，尤其涉及一種基於支持向量機和人工魚群優化的GIS設備內部缺陷可視化智能識別方法技術領域。
背景技術：
氣體絕緣組合電器(Gas Insulated Switchgear, GIS)在電力系統的變電站和發電廠中得到了廣泛應用，隨著電網電壓等級和容量的不斷提高，GIS設備故障率也隨之增加。GIS設備具有佔地空間小、安裝方便和可靠性高的優點，但它是全封閉組合結構設備，一旦發生故障，需較長的維修時間，造成影響和損失都很大。因此，及時、準確地掌握GIS設備的運行狀態具有十分重要的意義。GIS設備在製造、安裝、運行過程中可能會引起部件鬆脫、脫落、遺漏、變形等缺陷， GIS內部這些缺陷會引發各種形式的局部放電。局部放電不僅是GIS設備內部缺陷的先兆和主要表現形式，且是導致GIS設備絕緣劣化的原因，它的持續發展將造成停電事故，影響電力系統的安全、可靠運行並給電網造成損失。目前，針對GIS設備的局部放電檢測主要包括脈衝電流法、化學檢測法、超聲波檢測法、超高頻檢測法等，這些局部放電的檢測方法均不能十分確定是否GIS設備內部存在缺陷，也不能在不拆卸GIS設備的情況下，可視、直觀地確定和識別出GIS設備內部缺陷的性質和位置。X射線數字成像技術能實現在不拆卸設備，不停電情況下，對設備內部情況的可視化展現，該技術在醫學和工業的無損評估與檢測中有著廣泛的應用，但在電力系統方面的應用並不多見。該技術可以解決GIS設備局部放電檢測手段不能在不拆卸設備情況下，對設備內部的可視化檢測。因此，局部放電檢測法和X射線數字成像技術的聯合使用不僅能減少僅用X射線數字成像技術檢測GIS設備的工作量，同時能避免局部放電檢測手段的不足。但局部放電檢測法和X射線數字成像技術只能顯示現場採集上來的數據，並沒有數據的分析功能，更不能對設備內部缺陷進行識別。具體缺陷的判斷需要電力專家對數據進行查看和分析，不利於現場問題的快速查找，且缺陷識別完全依賴現場專家的經驗和水平，給 GIS設備內部缺陷的診定帶來很大的不確定性。支持向量機(Support Vector Machine, SVM)是基於統計學習理論的結構風險最小化原理解決了小樣本、非線性等問題，提高其泛化能力，從而能很好地處理電力設備缺陷診斷所面臨樣本不足的問題。但SVM方法中某些參數的選擇對其分類(即缺陷的識別)的準確率影響很大，因此，對SVM參數的合理選擇能獲得較好的分類效果。人工魚群智能優化算法具有良好的克服局部極值和取得全局極值的能力，其最先被應用於魯棒PID控制器參數的優化中，得到了令人滿意的結果。但到目前為止，還沒有人將該算法應用於對支持向量機參數優化確定的方面
發明內容
本發明為了解決上述問題，提高對GIS設備內部是否存在缺陷的準確性，同時智能、直觀、可視地確定和識別出GIS設備內部缺陷的性質和位置。本發明提出了如下方案基於向量機和人工魚群優化的GIS設備智能識別方法，本發明步驟為A、對GIS設備進行局部放電的檢測；B、將檢測到的局部放電數據進行圖譜特徵提取；C、利用X射線數字成像檢測系統，對局部放電區域進行可視化成像並形成X射線數字圖片；D、將利用X射線數字成像檢測系統獲得的X射線數字圖片進行特徵提取；E、利用人工魚群優化算法對SVM的規則化參數C"和核函數參數σ進行優化，確定規則化參數C"和核函數參數σ的取值；F、提取GIS缺陷範例庫的局部放電圖譜特徵和X射線數字圖片特徵訓練SVM ；G、將新檢測到的局部放電圖譜特徵和X射線數字圖片特徵輸入到SVM中進行智能缺陷識別，並確定GIS設備內部是否存在缺陷，缺陷的性質和位置。步驟A中對GIS設備進行局部放電的檢測應採用超聲波檢測法和超高頻檢測法。步驟B中將檢測到的局部放電數據進行圖譜特徵提取是指對檢測到的局部放電數據進行時域自相關分析和能譜特徵的提取；其中圖譜特徵中的時域自相關分析如下Px (r) = f00 x(t)x(t - τ)
J-CO其中，Ρχ(τ)為時域自相關分析、τ為時差、x(t)為局部放電數據中放電量Q隨時間t的信號序列；能譜表達式為Wx(ω) = 00 ρχ{τΥιωτ τ
J —CO其中，Wx(co)為能譜、ω是角頻率、Ρχ(τ)是時域自相關分析。步驟C的具體步驟為，Cl 在GIS設備局部放電位置的一側緊貼設備外側放置平板探測器、另一側在四角支架上放置高頻X射線機，且高頻X射線機的X射線發射窗口中心對準GIS設備局部放電位置，使平板探測器中心、高頻X射線機的X射線發射窗口中心和GIS設備局部放電位置在一條直線上；C2 高頻X射線機通過電纜與高頻X射線機控制箱相連；C3 將平板探測器通過X射線數字檢測數據線與X射線數字檢測筆記本電腦工作站相連；C4:根據生產現場高頻X射線機、GIS設備局部放電位置等條件，設定電壓 80-300kV、電流0. 8-3mA、透照時間60_180s，高頻X射線機的焦距在680_720mm ；C5 設定X射線數字成像系統參數後，啟動高頻X射線機控制箱的射線發射按鈕， 對GIS設備內部局部放電位置區域進行透照並獲得數字圖片；C6 將數字圖片在X射線數字檢測筆記本電腦工作站進行濾波去噪等分析處理， 得到滿意的圖像效果，以完成對比、測量的後續工作；C7 透照不同部位，重複步驟cl、c4、c5和c6。
步驟D的是指利用X射線數字成像檢測系統獲得的X射線數字圖片進行直方圖特徵提取。步驟E的步驟為El 初始化魚群。採用本發明初始化時設定的人工魚當前狀態、個體極值、魚群最優位置和相關魚群參數；
E2 利用式 計算人工魚當前狀態的食物濃度，\，_分別
表示魚群中第i條人工魚當前所處位置和魚群中所有人工魚當前位置的均值，N表示魚群的大小；E3:對魚群中每條人工魚分別計算覓食行為、聚群行為和追尾行為等三種行為的個體極值；E4:對每條人工魚三種行為的個體極值進行比較，並執行相應的最優極值的行為；E5 如果連續五次魚群最優位置沒有進行更新，則停止迭代計算；否則繼續選擇新的行為並轉向步驟3。支持向量機是一種研究有限樣本情況下基於統計學習理論的VC維理論和結構風險最小化原則基礎上的新機器學習方法，這種方法利用核函數將樣本映射到高維特徵空間並在此空間構造最優線性分類超平面，以獲得最大的推廣能力。假定(Xi，yi)i = 1,2, L, n, Xi e Rd, Yi e {-1,+1}為樣本訓練集，其中 Xi e Rd 表示d維的特徵向量，y, e {-1，+1}表示特徵向量Xi歸屬的類別，η為樣本數。在非線性情況下，利用非線性變換將樣本集原空間進行轉換，樣本空間兩分類問題表示為
權利要求
1.基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟為A、對GIS設備進行局部放電的檢測；B、將檢測到的局部放電數據進行圖譜特徵提取；C、利用X射線數字成像檢測系統，對局部放電區域進行可視化成像並形成X射線數字圖片；D、將利用X射線數字成像檢測系統獲得的X射線數字圖片進行特徵提取；E、利用人工魚群優化算法對支持向量機SVM的規則化參數C"和核函數參數ο進行優化，確定規則化參數C"和核函數參數σ的取值；F、提取GIS缺陷範例庫的局部放電圖譜特徵和X射線數字圖片特徵訓練SVM；G、將新檢測到的局部放電圖譜特徵和X射線數字圖片特徵輸入到SVM中進行智能缺陷識別，並確定GIS設備內部是否存在缺陷，缺陷的性質和位置。
2.根據權利要求1所述的基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟A中對GIS設備進行局部放電的檢測應採用超聲波檢測法和超高頻檢測法。
3.根據權利要求1所述的基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟B中將檢測到的局部放電數據進行圖譜特徵提取是指對檢測到的局部放電數據進行時域自相關分析和能譜特徵的提取；其中圖譜特徵中的時域自相關分析如下
4.根據權利要求1所述的基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟C的具體步驟為，Cl 在GIS設備局部放電位置的一側緊貼設備外側放置平板探測器、另一側在四角支架上放置高頻X射線機，且高頻X射線機的X射線發射窗口中心對準GIS設備局部放電位置，使平板探測器中心、高頻X射線機的X射線發射窗口中心和GIS設備局部放電位置在一條直線上；C2 高頻X射線機通過電纜與高頻X射線機控制箱相連；C3 將平板探測器通過X射線數字檢測數據線與X射線數字檢測筆記本電腦工作站相連；C4:根據生產現場高頻X射線機、GIS設備局部放電位置等條件，設定電壓80-300kV、電流0. 8-3mA、透照時間60-180s，高頻X射線機的焦距在680_720mm ；C5 設定X射線數字成像系統參數後，啟動高頻X射線機控制箱的射線發射按鈕，對 GIS設備內部局部放電位置區域進行透照並獲得數字圖片；C6 將數字圖片在X射線數字檢測筆記本電腦工作站進行濾波去噪等分析處理，得到滿意的圖像效果，以完成對比、測量的後續工作；C7 透照不同部位，重複步驟cl、c4、c5和c6。
5.根據權利要求1所述的基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟D的是指利用X射線數字成像檢測系統獲得的X射線數字圖片進行直方圖特徵提取。
6.根據權利要求1所述的基於向量機和人工魚群優化的GIS設備智能識別方法，其特徵在於，步驟E的步驟為El 初始化魚群。採用本發明初始化時設定的人工魚當前狀態、個體極值、魚群最優位置和相關魚群參數； E2 利用式/(1,) = ^(1 Χ-·2)計算人工魚當前狀態的食物濃度，\，_分別表示 N ,=1χ魚群中第i條人工魚當前所處位置和魚群中所有人工魚當前位置的均值，N表示魚群的大E3 對魚群中每條人工魚分別計算覓食行為、聚群行為和追尾行為等三種行為的個體極值；E4 對每條人工魚三種行為的個體極值進行比較，並執行相應的最優極值的行為； E5 如果連續五次魚群最優位置沒有進行更新，則停止迭代計算；否則繼續選擇新的行為並轉向步驟3。
全文摘要
基於向量機和人工魚群優化的GIS設備智能識別方法，本發明步驟為A、對GIS設備進行檢測；B、將檢測到的數據進行特徵提取；C、對放電區域成像並形成數字圖片；D、將數字圖片進行特徵提取；E、利用人工魚群優化算法對支持向量機SVM的規則化參數C″和核函數參數σ進行優化；F、提取GIS缺陷範例庫的特徵和X射線數字圖片特徵訓練SVM；G、將新檢測到的特徵輸入到SVM中識別，並確定GIS設備內部是否存在缺陷，缺陷的性質和位置。本發明的有益效果為，達到對GIS設備內部缺陷進行可視化智能識別的目的不僅可以降低盲目選擇SVM參數對分類結果的影響並提高GIS設備內部缺陷識別的準確性。
文檔編號G01R31/12GK102445640SQ20111029835
公開日2012年5月9日 申請日期2011年9月30日 優先權日2011年9月30日
發明者於虹, 況華, 劉榮海, 吳章勤, 張少泉, 張永剛, 殷蘭, 王達達, 王進, 譚向宇, 趙現平, 魏傑 申請人:雲南電力試驗研究院(集團)有限公司