国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      Gis及電纜局部放電綜合判斷方法

      文檔序號:6178737閱讀:214來源:國知局
      Gis及電纜局部放電綜合判斷方法
      【專利摘要】GIS及電纜局部放電綜合判斷方法,首先根據(jù)邏輯門數(shù)值判別方法和神經(jīng)網(wǎng)絡自動判別方法同步對數(shù)據(jù)進行分析判斷,在此基礎上綜合此兩種方法的判定結(jié)果,得出綜合判定的等級及嚴重度。以此提高局放判定的準確性。本發(fā)明與已有技術(shù)相比,具有準確性高,低誤判的優(yōu)點。
      【專利說明】GIS及電纜局部放電綜合判斷方法
      [0001]【技術(shù)領域】:
      本發(fā)明涉及GIS(Gas Isolated Switchgear,氣體絕緣開關)及電纜局部放電現(xiàn)象監(jiān)測的一種數(shù)據(jù)綜合判斷方法。
      [0002]【背景技術(shù)】:
      由于GIS及電纜在生產(chǎn)、運輸及安裝過程中難免出現(xiàn)一些缺陷或因長期運行導致的絕緣老化所引起的缺陷,在電纜長時間運行中容易發(fā)生局部放電。針對GIS及電纜局部放電(Partial Discharge,簡稱局放)現(xiàn)象的監(jiān)測,通常采用單一閾值進行數(shù)據(jù)判定,以確認局放現(xiàn)象是否存在及該局放現(xiàn)象的嚴重度。但采用單一閾值分析判斷的方法,容易導致誤判的情況發(fā)生,對電力生產(chǎn)安全產(chǎn)生損失。
      [0003]
      【發(fā)明內(nèi)容】
      :
      本發(fā)明的發(fā)明目的在于提供一種能有效的提高GIS及電纜發(fā)生局放現(xiàn)象判定的準確度的GIS及電纜局部放電綜合判斷方法。
      [0004]本發(fā)明是這樣實現(xiàn)的,包括邏輯門數(shù)值判別過程、神經(jīng)網(wǎng)絡自動判別過程、數(shù)據(jù)綜合判別過程,邏輯門數(shù)值判別過程是通過局放現(xiàn)象發(fā)生過程中獲取的物理量Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)的讀取數(shù)值,進行閾值判斷,判斷結(jié)果采用4種等級分布:當Φ,Q,N,T中任一物理量超過閾值,則為第O級;當N、Q或者Q、Φ或者Q、T超過閾值時,則為第I級;當Φ、9、Ν或者Φ、0、Τ或者N、Q、T超過閾值時,為第2級;當0,Q,N, T,4個物理量都超過閾值,則為第3級,嚴重度從第O級到第3級依次增大,第3級嚴重度最高,Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)的閾值如下:
      N:25—35 個 / 秒 Q:90-110 pC (pC,電量單位:皮庫)
      Φ:160— 200度(數(shù)據(jù)分布相差角度)
      T:25-35分鐘(持續(xù)時間);
      神經(jīng)網(wǎng)絡自動判別方法是采用模式識別中的神經(jīng)網(wǎng)絡模型架構(gòu)對讀取數(shù)值進行自動識別的過程,神經(jīng)網(wǎng)絡模型采用三層架構(gòu),即數(shù)據(jù)輸入層,中間層,輸出層,先通過學習網(wǎng)絡模型算法對大量的局放數(shù)據(jù)及噪聲數(shù)據(jù)進行學習訓練,并在此過程中不斷驗證算法及網(wǎng)絡的穩(wěn)定性,在訓練誤差收斂后,將網(wǎng)絡架構(gòu)及權(quán)值進行固化,并應用于局放數(shù)據(jù)的判別,神經(jīng)網(wǎng)絡自動判別方法對數(shù)據(jù)圖譜的判定結(jié)果是以概率形式給出,概率介于O和100%之間,當為O時,表該數(shù)據(jù)圖譜為噪聲信號,為809^100%時,為局放信號,神經(jīng)網(wǎng)絡自動判別方法的結(jié)果也分成4個等級:當輸出概率小于80%,為第O級;當輸出概率介于80%~90%時,為第I級;當輸出概率介于90%~95%時,為第2級;當輸出概率大于95%時,為第3級。嚴重度從第O級到第3級依次增大,第3級嚴重度最高,
      網(wǎng)絡模型算法:BP(Back Propagation)算法
      樣本學習方式:批量學習,批量的數(shù)據(jù)輸入層的輸入神經(jīng)元數(shù)量為350— 450個,中間層的神經(jīng)元個數(shù):45—55,輸出層的神經(jīng)元個數(shù):2個以上,包括概率為0-80%以及概率介于80%~100%兩個數(shù)值,神經(jīng)元激勵函數(shù):
      與批量學習的輸入神經(jīng)元數(shù)量對應的讀取數(shù)值的數(shù)量η為350— 450個,中間層的神經(jīng)元個數(shù):45— 55,輸出層的神經(jīng)元個數(shù):2個以上,包括概率為0-80%以及概率介于80%"100%的2個以上數(shù)值,
      Sigmoid 函數(shù):f (x) =1/(l+e_x)
      X為神經(jīng)元輸入 誤差函數(shù):
      N為神經(jīng)元個數(shù),\為第i個神經(jīng)元的實際結(jié)果,Zi為第i個神經(jīng)元的目標結(jié)果;
      數(shù)據(jù)綜合判別方法是綜合了邏輯門數(shù)值判斷及神經(jīng)網(wǎng)絡自動判斷的4個等級的輸出結(jié)果,當邏輯門數(shù)值判斷結(jié)果與神經(jīng)網(wǎng)絡自動判定結(jié)果為同一級時,綜合結(jié)果與兩判定結(jié)果同級,當邏輯門數(shù)值判斷結(jié)果與自動判別結(jié)果等級不一且只相差一個等級時,綜合結(jié)果采用較高等級的判定結(jié)果,當邏輯門數(shù)值判斷結(jié)果與自動判別結(jié)果等級不一且相差兩個等級時,綜合結(jié)果采用兩判定結(jié)果的中間等級,綜合結(jié)果也分成4級,及第0,1,2,3級,分別所處狀態(tài)為無報警狀態(tài),初級警報狀態(tài),中級警報狀態(tài),高級警報狀態(tài)。
      [0005]本發(fā)明與已有技術(shù)相比,由于綜合了邏輯門數(shù)值判別過程、神經(jīng)網(wǎng)絡自動判別過程,因此,具有能有效的提高GIS及電纜發(fā)生局放現(xiàn)象判定的準確度的優(yōu)點。
      [0006]【專利附圖】

      【附圖說明】:
      圖1為本發(fā)明綜合判斷過程流程圖;
      圖2為邏輯門數(shù)值判別表;
      圖3為神經(jīng)網(wǎng)絡自動判別流程示意圖;
      圖4為綜合判別表。
      [0007]【具體實施方式】:
      現(xiàn)結(jié)合附圖和實施例對本發(fā)明做進一步詳細描述:
      本發(fā)明包括邏輯門數(shù)值判別過程、神經(jīng)網(wǎng)絡自動判別過程、數(shù)據(jù)綜合判別過程,邏輯門數(shù)值判別過程是通過局放現(xiàn)象發(fā)生過程中獲取的包括物理量Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)等讀取數(shù)值,進行閾值判斷,判斷結(jié)果采用4種等級分布:當Φ,0,Ν,Τ中任一物理量超過閾值,則為第O級(Gl);當隊0或者0、0或者Q、T超過閾值時,則為第I級(G2);當cD、Q、N或者0、0、!'或者隊0、1'超過閾值時,為第2級(63);當cD,Q,N,T,4個物理量都超過閾值,則為第3級(G4),嚴重度從第O級到第3級依次增大,第3級嚴重度最高,Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)的閾值如下:
      【權(quán)利要求】
      1.Gis及電纜局部放電綜合判斷方法,其特征在于包括邏輯門數(shù)值判別過程、神經(jīng)網(wǎng)絡自動判別過程、數(shù)據(jù)綜合判別過程,邏輯門數(shù)值判別過程是通過局放現(xiàn)象發(fā)生過程中獲取的物理量Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)的讀取數(shù)值,進行閾值判斷,判斷結(jié)果采用4種等級分布:當Φ,Q,N,T中任一物理量超過閾值,則為第O級;當N、Q或者Q、Φ或者Q、T超過閾值時,則為第I級;當Φ、ρ、Ν或者0、0、1'或者隊0、1'超過閾值時,為第2級;當Φ,Q,N,T,4個物理量都超過閾值,則為第3級,嚴重度從第O級到第3級依次增大,第3級嚴重度最高,Φ (相位),Q(電量),N(放電脈沖數(shù)),T(時間)的閾值如下:N:25—35 個 / 秒Q:90-110 pC (pC,電量單位:皮庫) Φ:160— 200度(數(shù)據(jù)分布相差角度) T:25-35分鐘(持續(xù)時間); 神經(jīng)網(wǎng)絡自動判別方法是采用模式識別中的神經(jīng)網(wǎng)絡模型架構(gòu)對讀取數(shù)值進行自動識別的過程,神經(jīng)網(wǎng)絡模型采用三層架構(gòu),即數(shù)據(jù)輸入層,中間層,輸出層,先通過學習網(wǎng)絡模型算法對大量的局放數(shù)據(jù)及噪聲數(shù)據(jù)進行學習訓練,并在此過程中不斷驗證算法及網(wǎng)絡的穩(wěn)定性,在訓練誤差收斂后,將網(wǎng)絡架構(gòu)及權(quán)值進行固化,并應用于局放數(shù)據(jù)的判別,神經(jīng)網(wǎng)絡自動判別方法對數(shù)據(jù)圖譜的判定結(jié)果是以概率形式給出,概率介于O和100%之間,當為O時,表該數(shù)據(jù)圖譜為噪聲信號,為809^100%時,為局放信號,神經(jīng)網(wǎng)絡自動判別方法的結(jié)果也分成4個等級:當輸出概率小于80%,為第O級;當輸出概率介于80%~90%時,為第I級;當輸出概率介于90%~95%時,為第2級;當輸出概率大于95%時,為第3級,嚴重度從第O級到第3級依次增大,第3級嚴重度最高, 網(wǎng)絡模型算法:BP (Back Propagation)算法 樣本學習方式:批量學習,批量的數(shù)據(jù)輸入層的輸入神經(jīng)元數(shù)量為350— 450個,中間層的神經(jīng)元個數(shù):45—55,輸出層的神經(jīng)元個數(shù):2個以上,包括概率為0-80%以及概率介于80%~100%兩個數(shù)值,` 神經(jīng)元激勵函數(shù): 與批量學習的輸入神經(jīng)元數(shù)量對應的讀取數(shù)值的數(shù)量η為350— 450個,中間層的神經(jīng)元個數(shù):45— 55,輸出層的神經(jīng)元個數(shù):2個以上,包括概率為0-80%以及概率介于80%"100%的2個以上數(shù)值,
      Sigmoid 函數(shù):f (x) =1/ (l+e_x) X為神經(jīng)元輸入 誤差函數(shù):
      I N2 N為神經(jīng)元個數(shù),\為第i個神經(jīng)元的實際結(jié)果,Zi為第i個神經(jīng)元的目標結(jié)果;數(shù)據(jù)綜合判別方法是綜合了邏輯門數(shù)值判斷及神經(jīng)網(wǎng)絡自動判斷的4個等級的輸出結(jié)果,當邏輯門數(shù)值判斷結(jié)果與神經(jīng)網(wǎng)絡自動判定結(jié)果為同一級時,綜合結(jié)果與兩判定結(jié)果同級,當邏輯門數(shù)值判斷結(jié)果與自動判別結(jié)果等級不一且只相差一個等級時,綜合結(jié)果采用較高等級的判定結(jié)果,當邏輯門數(shù)值判斷結(jié)果與自動判別結(jié)果等級不一且相差兩個等級時,綜合結(jié)果采用兩判定結(jié)果的中間等級,綜合結(jié)果也分成4級,及第O,1,2,3級,分別所處狀態(tài)為無報 警狀態(tài),初級警報狀態(tài),中級警報狀態(tài),高級警報狀態(tài)。
      【文檔編號】G01R31/12GK103513168SQ201310463273
      【公開日】2014年1月15日 申請日期:2013年10月8日 優(yōu)先權(quán)日:2013年10月8日
      【發(fā)明者】吳志明, 馮曉棕 申請人:廣州友智電氣技術(shù)有限公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1