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