GIS局部放电在线监测系统及其故障模式识别方法

1.GIS局部放电监测系统的故障模式识别方法，该监测系统包括超高频传感器，用于对GIS中局部放电产生的电磁波进行接收；
信号预处理子系统，GIS中局部放电产生的电磁波经超高频传感器接收后，局放信号转换为电压信号，然后经过同轴电缆传送到信号预处理子系统进行信号调理，局放信号经过调理后产生数据文件；
数据处理子系统；所述数据处理子系统包括监测及谱图显示模块，越限报警模块，模式识别模块；
超高频传感器采集到的局部放电信号通过信号预处理子系统处理后送入数据处理子系统，实现对局部放电的监测及谱图显示，越限报警和故障模式识别的功能；
所述数据处理子系统包括：
监测及谱图显示模块，包括实时监测GIS局部放电并对局部放电的 -H-n三维谱图及一系列衍生谱图，包括最大值相位分布 平均值相位分布 放电次数相位分布 的显示；通过上述谱图提取多个统计算子，也称统计指纹，包括偏斜度Sk，突出度Ku，局部峰个数Pe，从而建立每种放电缺陷的特征指纹库；
越限报警模块，通过设置一天最多报警次数，放电量阈值，一秒内最小放电周期数，最小脉冲次数来实现报警；
模式识别模块，用于智能识别故障类型；
所述信号预处理子系统包括与至少一个超高频传感器连接的多路转换开关，与多路转换开关相连的前置放大器，与前置放大器相连的混频器，与混频器相连的频率综合器，与混频器相连的中频放大器，与中频放大器相连的低通滤波器，所述低通滤波器、频率综合器与工控机并口连接，所述低通滤波器还与检波对数放大器连接，实现普通采集卡处理并保留信号峰值与相位的目的；
其特征是，该方法的步骤包括:
(I)统计算子提取步骤，根据特征谱图提取统计算子，给出基于模糊粗糙集的神经网络算法的训练样本集；
(II)根据训练样本集，构造依次由输入层，数据简约层，模糊层，神经网络层，输出层组成的神经网络；
(III)神经网络训练步骤，将利用模糊粗糙集算法约简处理后的样本集作为输入量，输入网络得到神经网络的实际输出Opj，令P是样本数，j代表缺陷种类，1≤j≤N；N为正整数；与期望输出tpj计算出神经网络误差函数EP；对第p个样本而言神经网络误差函数EP为
1≤j≤N，N为正整数； (1)
判断误差是否满足要求，并调整网络权值和阈值直到满足要求为止；
(VI)有效模式识别步骤，根据训练好的网络对相应故障进行模式识别；
所述步骤(II)具体包括以下处理过程：
数据约简层是利用模糊粗糙集算法对由谱图求得的特征算子进行条件属性的选择及约简知识规则的提取，其步骤是：
1)将决策表转换为可辨识矩阵形式，并将矩阵中属性组合数为1的属性标记为核属性；
2)按照改进可辨识矩阵的规则将可辨识矩阵中包含核属性的元素项用0代替，不包含核属性的元素项保留原值；
3)将改进可辨识矩阵中不为0的元素项表示为合取范式的形式，即：
其中：Q为改进可辨识矩阵中不为0的元素项；
p为可辨识矩阵中不为零的元素数，p取值区间为[1,s]；
s为可辨识矩阵中条件属性组合个数；
k为每个元素上含有条件属性的个数，k取值区间为[1,m]；
m为每个条件属性组合中所含有的条件属性个数；
bpk为可辨识矩阵中每个条件属性组合中的条件属性；
4)将Q转换为析取范式的形式，并进行化简；
5)析取范式中每一项由合取范式表示的条件属性组合连同核属性变为最终的约简组合。

GIS局部放电在线监测系统及其故障模式识别方法\n技术领域\n[0001] 本发明涉及电力系统在线监测领域，特别涉及一种GIS局部放电在线监测系统及其故障模式识别方法。\n背景技术\n[0002] 气体绝缘组合电器（Gas Insulated Substation，GIS）以其结构紧凑，占地空间小，不受外界环境影响，运行可靠性高，检修周期长等突出优点在电力系统中得到广泛应用，在输变电系统中占据着越来越重要的地位。\n[0003] GIS绝缘早期故障的主要形式是局部放电，在制造、安装、运输、运行时造成的各种缺陷，都可能导致不同程度的局部放电。局部放电既是设备绝缘的劣化征兆，又是造成绝缘劣化的重要原因，对GIS设备进行局部放电的在线监测能够有效的发现其内部绝缘缺陷，尤其是潜伏性和突发性故障，因此在线监测系统的研制是极其必要的。\n[0004] 目前，国内外GIS局部放电在线监测的主要方法有电脉冲检测法、超声波检测法、光测法、化学检测法，超高频法等，其中超高频法以其较高灵敏度、强抗干扰能力、能进行局放源定位和识别绝缘缺陷类型等诸多优点得到了广泛的应用。但目前国内现有的局部放电超高频在线监测系统大多没有模式识别功能，有模式识别功能的识别率也比较低，增加了最终故障诊断的不确定性。\n发明内容\n[0005] 本发明要解决的技术问题就是为了克服上述技术的不足，提供一种GIS局部放电在线监测系统及其故障模式识别方法,它具有准确识别故障类型，实现局部放电超高频在线监测的功能的优点。\n[0006] 本发明是通过以下技术方案实现的：\n[0007] 一种GIS局部放电监测系统，该监测系统包括\n[0008] 超高频传感器，用于对GIS中局部放电产生的电磁波进行接收；\n[0009] 信号预处理子系统，GIS中局部放电产生的电磁波经超高频传感器接收后，局放信号转换为电压信号，然后经过同轴电缆传送到信号预处理子系统进行信号调理，局放信号经过调理后产生数据文件；\n[0010] 数据处理子系统；所述数据处理子系统包括监测及谱图显示模块，越限报警模块，模式识别模块；超高频传感器采集到的局部放电信号通过信号预处理子系统处理后送入数据处理子系统，实现对局部放电的监测及谱图显示，越限报警和故障模式识别的功能。\n[0011] 所述数据处理子系统包括：\n[0012] 监测及谱图显示模块，包括实时监测GIS局部放电并对局部放电的 -H-n三维谱图及一系列衍生谱图，包括最大值相位分布 平均值相位分布 放电次数相\n位分布 的显示；通过上述谱图提取多个统计算子，也称统计指纹，包括偏斜度Sk，突出度Ku，局部峰个数pe，从而建立每种放电缺陷的特征指纹库；\n[0013] 越限报警模块，通过设置一天最多报警次数，放电量阈值，一秒内最小放电周期数，最小脉冲次数来实现报警；\n[0014] 模式识别模块，用于智能识别故障类型。\n[0015] 所述信号预处理子系统包括与至少一个超高频传感器连接的多路转换开关，与多路开关相连的前置放大器，与前置放大器相连的混频器，与混频器相连的频率综合器，与混频器相连的中频放大器，与中频放大器相连的低通滤波器，所述低通滤波器、频率综合器与工控机并口连接，所述低通滤波器还与检波对数放大器连接，实现普通采集卡处理并保留信号峰值与相位的目的。\n[0016] 一种GIS局部放电监测系统的故障模式识别方法，\n[0017] 利用模式识别模块采用基于模糊粗糙集的神经网络算法，所述基于模糊粗糙集的神经网络算法是指利用粗糙集理论提取出对模式识别决策结果影响最大的属性，约简掉对决策结果影响较小的属性，利用模糊逻辑提高边缘属性在模式识别中的权重值．将粗糙集算法、模糊逻辑、神经网络的人工智能算法相结合的一种基于模糊粗糙集神经网络的模式识别分类方法,该方法的步骤包括:\n[0018] （I）统计算子提取步骤，根据特征谱图提取统计算子，给出对该基于模糊粗糙集的神经网络算法的训练样本集；\n[0019] （II）根据训练样本集，构造依次由输入层，数据简约层，模糊层，神经网络层，输出层组成的神经网络；\n[0020] （III）神经网络训练步骤，将利用模糊粗糙集算法约简处理后的样本集作为输入量，输入网络得到神经网络的实际输出Opj，令P是样本数，j代表缺陷种类，1≤j≤N；N为正整数；与期望输出tpj计算出神经网络误差函数EP；对第p个样本而言神经网络误差函数EP为\n[0021] 1≤j≤N，N为正整数；（1）\n[0022] 判断误差是否满足要求，并调整网络权值和阈值直到满足要求为止；\n[0023] （VI）有效模式识别步骤，根据训练好的网络对相应故障进行模式识别。\n[0024] 所述步骤（II）具体包括以下处理过程：\n[0025] 数据约简层是利用模糊粗糙集算法对由谱图求得的特征算子进行条件属性的选择及约简知识规则的提取，其步骤是：\n[0026] 1）将决策表转换为可辨识矩阵形式，并将矩阵中属性组合数为1的属性标记为核属性；\n[0027] 2）按照改进可辨识矩阵的规则将可辨识矩阵中包含核属性的元素项用0代替，不包含核属性的元素项保留原值；\n[0028] 3）将改进可辨识矩阵中不为0的元素项表示为合取范式的形式，即：\n[0029] Q=∧{∨bpk,p＝1,2,...s;k＝1,2,...m}\n[0030] 其中：Q为改进可辨识矩阵中不为0的元素项；\n[0031] p为可辨识矩阵中不为零的元素数；p取值区间为[1,s]；\n[0032] s为可辨识矩阵中条件属性组合个数；\n[0033] K为每个元素上含有条件属性的个数，K取值区间为[1,m]；\n[0034] m为每个条件属性组合中所含有的条件属性个数；\n[0035] bpk为可辨识矩阵中每个条件属性组合中的条件属性；\n[0036] 4)将Q转换为析取范式的形式，并进行化简；\n[0037] 5）析取范式中每一项由合取范式表示的条件属性组合连同核属性变为最终的约简组合；\n[0038] 本发明的工作原理\n[0039] 本发明超高频传感器采集到的信号通过信号预处理子系统处理后送入数据处理子系统，从而实现该系统在线监测各种类型的局部放电及显示，越限报警和故障模式识别等功能。其中故障模式识别方法利用粗糙集理论提取出对模式识别决策结果影响最大的属性，约简掉对决策结果影响较小的属性．利用模糊逻辑提高边缘属性在模式识别中的权重值．形成一种将粗糙集算法、模糊逻辑、神经网络的人工智能算法相结合的一种基于模糊粗糙集神经网络的模式识别分类方法。对比其他神经网络算法，其网络的训练时间缩短，识别精度也有很大提高，很好的实现了局部放电故障模式的识别。\n[0040] 本发明的有益效果是，\n[0041] 1、按照上述方案设计的GIS局部放电监测系统及其故障模式识别方法，既实现了对GIS局部放电进行长期的在线监测功能，同时,利用基于模糊粗糙集的神经网络识别方法进行的模式识别又能很好的识别局部放电的故障类型，增加了系统故障诊断的准确性。\n该系统结构简单，操作方便，且监测效率高。\n[0042] 2、本发明对比其他神经网络算法，其网络的训练时间缩短，识别精度也有很大提高，很好的实现了局部放电故障模式的识别。\n附图说明\n[0043] 图1是本发明结构原理图；\n[0044] 图2是本发明基于模糊粗糙集的神经网络分类器结构示意图；\n[0045] 图3是本发明实施例绝缘子表面有微粒放电故障模式的指纹示意图；\n[0046] 图4是本发明信号预处理系统结构组成框图；\n[0047] 图5是本发明模式识别方法流程图。\n[0048] 其中1.超高频传感器，2.信号预处理子系统，3.数据处理子系统，4.输入层，\n5.数据约简层，6.模糊层，7.神经网络层，8.输出层，9.多路转换开关，10.前置放大器，\n11.混频器，12.频率综合器，13.中频放大器，14.低通滤波器，15.检波对数放大器，16.工控机并口。\n具体实施方式\n[0049] 下面结合附图和实施例对本发明进一步说明。\n[0050] 下面结合图1、图2、图3、图4、图5对本发明的具体实施方式做详细的说明。该监测系统由超高频传感器1，信号预处理子系统2和数据处理子系统3组成。\n[0051] 所述数据处理子系统3包括监测及谱图显示模块，越限报警模块，模式识别模块；\n超高频传感器1采集到的信号通过信号预处理子系统2处理后送入数据处理子系统3，从而实现该系统在线监测各种类型的局部放电及显示，越限报警和故障模式识别等功能。\n[0052] 所述数据处理子系统3包括：\n[0053] 监测及谱图显示模块，用于实时监测GIS局部放电并产生显示故障特征的特征谱图；\n[0054] 越限报警模块，用于系统显示放电量异常时的报警；\n[0055] 模式识别模块，用于智能识别故障类型。\n[0056] 所述信号预处理子系统2包括与至少一个超高频传感器连接的多路转换开关9，与多路转换开关9相连的前置放大器10，与前置放大器10相连的混频器11，与混频器11相连的频率综合器12，与混频器11相连的中频放大器13，与中频放大器13相连的低通滤波器14，所述低通滤波器14、频率综合器12与工控机并口16连接，所述低通滤波器14还与检波对数放大器15连接，实现普通采集卡处理并保留信号峰值与相位的目的。\n[0057] 用于缺陷类型判断的模式识别模块采用基于模糊粗糙集的神经网络识别方法，采用基于模糊粗糙集的神经网络算法，基于模糊粗糙集的神经网络算法是指利用粗糙集理论提取出对模式识别决策结果影响最大的属性，约简掉对决策结果影响较小的属性．利用模糊逻辑提高边缘属性在模式识别中的权重值．将粗糙集算法、模糊逻辑、神经网络的人工智能算法相结合的一种基于模糊粗糙集神经网络的模式识别分类方法。\n[0058] 本实施例通过以下步骤实现GIS局部放电故障模式识别：\n[0059] （I）统计算子提取步骤，根据特征谱图提取统计算子，给出对该基于模糊粗糙集的神经网络算法的训练样本集；\n[0060] （II）根据训练样本集，构造依次由输入层4，数据简约层5，模糊层6，神经网络层\n7，输出层8组成的神经网络；\n[0061] （III）神经网络训练步骤，将利用模糊粗糙集算法约简处理后的样本集作为输入量，输入网络得到神经网络的实际输出Opj，令P是样本数，j代表缺陷，本实施例有五种缺陷，j＝1,2,3,4,5；与期望输出tpj计算出神经网络误差函数EP；从而判断误差是否满足训练要求；对第p个样本而言神经网络误差函数EP为\n[0062] j=1,2,3,4,5（1）\n[0063] （IV）有效模式识别步骤，根据训练好的网络对相应故障进行模式识别。\n[0064] 所述步骤（II）就是将样本输入到原始决策表中，进行决策规则简化，即去掉样本集中的冗余信息和重复信息，再进行条件属性约简，删除冗余属性，即考察该属性与决策表的相容性，最终得到最小条件属性集，即最小约简。接着利用模糊理论将数据模糊化，利用处理过的数据样本进行神经网络网络训练，不断调整权值直至网络训练完成输出准确识别结果。\n[0065] 所述GIS局部放电故障模式识别方法步骤（II）包括以下处理过程：\n[0066] 数据约简层是利用粗糙集算法对由特征谱图求得的统计算子进行条件属性的选择及约简等知识规则的提取，其步骤是：\n[0067] 1）将决策表转换为可辨识矩阵的形式，并将矩阵中属性组合数为1的属性标记为核属性。\n[0068] 2）按照改进可辨识矩阵的规则将可辨识矩阵中包含核属性的元素项用0代替，不包含核属性的元素项保留原值。\n[0069] 3）将改进可辨识矩阵中不为0的元素Q表示为合取范式的形式，即：\n[0070] Q=∧{∨bik,i＝1,2,...s;k＝1,2,...m}，\n[0071] 若用M表示决策表的可辨识矩阵，S是M中所有条件属性组合的集合，令S中总共有s个条件属性组合，并且每个属性组合表示为Bi，即Bi∈S，Bj∈S且Bi≠Bj（i，j＝\n1,2,…,s）则bik即是Bp中的条件属性。又m为Bi中所含有的条件属性个数即Card（Bi）=m，\n[0072] 4)将Q转换为析取范式的形式，并进行化简。\n[0073] 5）析取范式中每一项由合取范式表示的属性组合连同核属性变为最终的约简组合；\n[0074] 实施例1：在本发明的具体实施中，特征谱图生成后，计算得到统计算子，本实施例简化统计算子为7个，分别为偏斜度Sk、突出度Ku、局部峰个数Pe、放电不对称度Q、相位不对称度 互相关因子cc、相位中值μ，均通过通用公式得到。将七个统计算子分别令为a1,a2…a7，令T为决策表，条件属性为7个统计算子；决策属性为4种故障类型，编号为\n1,2,3,4；样本集数为9个，令为x1,x2,…,x9；该决策表T如下表：\n[0075] \n[0076] \n[0077] 根据前面提到的步骤，对决策表进行约简。\n[0078] 约简的原理是，首先，特征谱图生成后，计算得到作为条件属性的统计算子，若令A为条件属性集合，即统计算子的集合，同理，将故障类型作为决策属性，令D为决策属性，a(x)为第x条样本对应属性a上的值，用cij表示可辨识矩阵M第i行第j列的元素，可辨识矩阵M可以通过如下定义得到：\n[0079] \n[0080] 其中i，j＝1,2,…,nn为正整数\n[0081] 当两个样本的决策属性不同，且对应的条件属性不同时，可辨识矩阵上相应位置上的元素就为两个样本中数值不同的条件属性；当两个样本决策属性不同，条件属性相同时，可辨识矩阵相应位置上的元素就为-1；当两个样本的决策属性相同时，该对应元素为\n0。\n[0082] 1）根据可辨识矩阵的定义，可辨识矩阵的对角线元素全为0，并且是对角阵，只需计算对角线以上元素即可。比较样本x1,x2,得到可辨识矩阵（1,2）位置上的元素。由于x1和x2的决策属性值不同，比较两个样本的条件属性（a1，a2,…,a7）得到属性不同的属性集合为（a1,a2,a4,a5）,即得到可辨识矩阵（1,2）位置上的元素为{a1,a2,a4,a5}。又比较样本x1,x3，确定可辨识矩阵（1,3）位置上的元素。由于x1和x3的决策属性值也不同，同时可得可辨识矩阵（1,3）位置上的元素为{a1,a3,a4,a6}。依次比较各样本，最终得到可辨识矩阵如下表：\n[0083] \n[0084] \n[0085] 由上表可看出该决策表存在两个核属性，即a5，a6。\n[0086] 2）将上表的可辨识矩阵采用改进的可辨识矩阵表示，即：\n[0087] \n 0 0 0 0 0 a4,a7 0 0 a1，a4\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 a1,a7\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 0\n 0 0 0 0 0 0 0 0 0\n[0088] 可见，有三组不为0的属性组合（不包含核属性的条件属性组合），分别为{a4，a7}，{a1,a4}，{a1,a7}。\n[0089] 3）将不包含核属性的条件属性组合表示为合取范式的形式\n[0090] Q＝(a4∨a7)∧(a1∨a4)∧(a1∨a7)\n[0091] 4）将Q转化为析取范式的形式，并根据布尔代数性质对Q进行化简可得：\n[0092] Q＝(a1∧a4)∨(a4∧a7)∨(a1∧a7)\n[0093] 5）将析取范式中所有合取范式项与核属性组成属性约简组合，由Q中的三个合取式与两个核属性共同组成三个条件属性组合{a4,a5,a6,a7}，{a1,a4,a5,a6}，{a1,a5,a6,a7}[0094] 选择其中一个条件属性组合{a4,a5,a6,a7}，将约简后的样本集输入神经网络，输出层表示缺陷类型，对于实际输出与期望输出存在的误差，神将网络将不断学习训练样本，调整权值，直到误差水平达到规定水平为止。\n[0095] 实施例2：本实施例对GIS局部放电进行在线监测并将采集到的数据通过在线监测软件系统处理后得出的31个特征值样本数据为输入，对五类缺陷进行模式分类识别，对输入的样本数据进行模糊化，知识规则提取与约简等预处理后作为神经网络的输出，对应五种故障。对应于母线上有固定突起物、内壁上有固定突起物、盆式绝缘子表面有微粒、盆式绝缘子内部有气泡、自由金属微粒五种故障，期望的输出分别为A（1 0 0 0 0），B（0 1 \n0 00），C（0 0 1 0 0），D（0 0 0 1 0），E（0 0 0 0 1）。输出结果见表1。\n[0096] \n[0097] 表1\n[0098] 识别结果表明该系统实现了对GIS局部放电进行长期的在线监测功能，利用基于模糊粗糙集的神经网络识别方法进行的模式识别又能很好的识别局部放电的故障类型。\n[0099] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。