专利名称：基于向量机和人工鱼群优化的gis设备智能识别方法
技术领域：
本发明涉及电力设备内部缺陷识别方法，尤其涉及一种基于支持向量机和人工鱼群优化的GIS设备内部缺陷可视化智能识别方法技术领域。
背景技术：
气体绝缘组合电器(Gas Insulated Switchgear, GIS)在电力系统的变电站和发电厂中得到了广泛应用，随着电网电压等级和容量的不断提高，GIS设备故障率也随之增加。GIS设备具有占地空间小、安装方便和可靠性高的优点，但它是全封闭组合结构设备，一旦发生故障，需较长的维修时间，造成影响和损失都很大。因此，及时、准确地掌握GIS设备的运行状态具有十分重要的意义。GIS设备在制造、安装、运行过程中可能会引起部件松脱、脱落、遗漏、变形等缺陷， GIS内部这些缺陷会引发各种形式的局部放电。局部放电不仅是GIS设备内部缺陷的先兆和主要表现形式，且是导致GIS设备绝缘劣化的原因，它的持续发展将造成停电事故，影响电力系统的安全、可靠运行并给电网造成损失。目前，针对GIS设备的局部放电检测主要包括脉冲电流法、化学检测法、超声波检测法、超高频检测法等，这些局部放电的检测方法均不能十分确定是否GIS设备内部存在缺陷，也不能在不拆卸GIS设备的情况下，可视、直观地确定和识别出GIS设备内部缺陷的性质和位置。X射线数字成像技术能实现在不拆卸设备，不停电情况下，对设备内部情况的可视化展现，该技术在医学和工业的无损评估与检测中有着广泛的应用，但在电力系统方面的应用并不多见。该技术可以解决GIS设备局部放电检测手段不能在不拆卸设备情况下，对设备内部的可视化检测。因此，局部放电检测法和X射线数字成像技术的联合使用不仅能减少仅用X射线数字成像技术检测GIS设备的工作量，同时能避免局部放电检测手段的不足。但局部放电检测法和X射线数字成像技术只能显示现场采集上来的数据，并没有数据的分析功能，更不能对设备内部缺陷进行识别。具体缺陷的判断需要电力专家对数据进行查看和分析，不利于现场问题的快速查找，且缺陷识别完全依赖现场专家的经验和水平，给 GIS设备内部缺陷的诊定带来很大的不确定性。支持向量机(Support Vector Machine, SVM)是基于统计学习理论的结构风险最小化原理解决了小样本、非线性等问题，提高其泛化能力，从而能很好地处理电力设备缺陷诊断所面临样本不足的问题。但SVM方法中某些参数的选择对其分类(即缺陷的识别)的准确率影响很大，因此，对SVM参数的合理选择能获得较好的分类效果。人工鱼群智能优化算法具有良好的克服局部极值和取得全局极值的能力，其最先被应用于鲁棒PID控制器参数的优化中，得到了令人满意的结果。但到目前为止，还没有人将该算法应用于对支持向量机参数优化确定的方面
发明内容
本发明为了解决上述问题，提高对GIS设备内部是否存在缺陷的准确性，同时智能、直观、可视地确定和识别出GIS设备内部缺陷的性质和位置。本发明提出了如下方案基于向量机和人工鱼群优化的GIS设备智能识别方法，本发明步骤为A、对GIS设备进行局部放电的检测；B、将检测到的局部放电数据进行图谱特征提取；C、利用X射线数字成像检测系统，对局部放电区域进行可视化成像并形成X射线数字图片；D、将利用X射线数字成像检测系统获得的X射线数字图片进行特征提取；E、利用人工鱼群优化算法对SVM的规则化参数C"和核函数参数σ进行优化，确定规则化参数C"和核函数参数σ的取值；F、提取GIS缺陷范例库的局部放电图谱特征和X射线数字图片特征训练SVM ；G、将新检测到的局部放电图谱特征和X射线数字图片特征输入到SVM中进行智能缺陷识别，并确定GIS设备内部是否存在缺陷，缺陷的性质和位置。步骤A中对GIS设备进行局部放电的检测应采用超声波检测法和超高频检测法。步骤B中将检测到的局部放电数据进行图谱特征提取是指对检测到的局部放电数据进行时域自相关分析和能谱特征的提取；其中图谱特征中的时域自相关分析如下Px (r) = f00 x(t)x(t - τ)
J-CO其中，Ρχ(τ)为时域自相关分析、τ为时差、x(t)为局部放电数据中放电量Q随时间t的信号序列；能谱表达式为Wx(ω) = 00 ρχ{τΥιωτ τ
J —CO其中，Wx(co)为能谱、ω是角频率、Ρχ(τ)是时域自相关分析。步骤C的具体步骤为，Cl 在GIS设备局部放电位置的一侧紧贴设备外侧放置平板探测器、另一侧在四角支架上放置高频X射线机，且高频X射线机的X射线发射窗口中心对准GIS设备局部放电位置，使平板探测器中心、高频X射线机的X射线发射窗口中心和GIS设备局部放电位置在一条直线上；C2 高频X射线机通过电缆与高频X射线机控制箱相连；C3 将平板探测器通过X射线数字检测数据线与X射线数字检测笔记本电脑工作站相连；C4:根据生产现场高频X射线机、GIS设备局部放电位置等条件，设定电压 80-300kV、电流0. 8-3mA、透照时间60_180s，高频X射线机的焦距在680_720mm ；C5 设定X射线数字成像系统参数后，启动高频X射线机控制箱的射线发射按钮， 对GIS设备内部局部放电位置区域进行透照并获得数字图片；C6 将数字图片在X射线数字检测笔记本电脑工作站进行滤波去噪等分析处理， 得到满意的图像效果，以完成对比、测量的后续工作；C7 透照不同部位，重复步骤cl、c4、c5和c6。
步骤D的是指利用X射线数字成像检测系统获得的X射线数字图片进行直方图特征提取。步骤E的步骤为El 初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数；
E2 利用式 计算人工鱼当前状态的食物浓度，\，_分别
表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大小；E3:对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；E4:对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为；E5 如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。支持向量机是一种研究有限样本情况下基于统计学习理论的VC维理论和结构风险最小化原则基础上的新机器学习方法，这种方法利用核函数将样本映射到高维特征空间并在此空间构造最优线性分类超平面，以获得最大的推广能力。假定(Xi，yi)i = 1,2, L, n, Xi e Rd, Yi e {-1,+1}为样本训练集，其中 Xi e Rd 表示d维的特征向量，y, e {-1，+1}表示特征向量Xi归属的类别，η为样本数。在非线性情况下，利用非线性变换将样本集原空间进行转换，样本空间两分类问题表示为
权利要求
1.基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤为A、对GIS设备进行局部放电的检测；B、将检测到的局部放电数据进行图谱特征提取；C、利用X射线数字成像检测系统，对局部放电区域进行可视化成像并形成X射线数字图片；D、将利用X射线数字成像检测系统获得的X射线数字图片进行特征提取；E、利用人工鱼群优化算法对支持向量机SVM的规则化参数C"和核函数参数ο进行优化，确定规则化参数C"和核函数参数σ的取值；F、提取GIS缺陷范例库的局部放电图谱特征和X射线数字图片特征训练SVM；G、将新检测到的局部放电图谱特征和X射线数字图片特征输入到SVM中进行智能缺陷识别，并确定GIS设备内部是否存在缺陷，缺陷的性质和位置。
2.根据权利要求1所述的基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤A中对GIS设备进行局部放电的检测应采用超声波检测法和超高频检测法。
3.根据权利要求1所述的基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤B中将检测到的局部放电数据进行图谱特征提取是指对检测到的局部放电数据进行时域自相关分析和能谱特征的提取；其中图谱特征中的时域自相关分析如下
4.根据权利要求1所述的基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤C的具体步骤为，Cl 在GIS设备局部放电位置的一侧紧贴设备外侧放置平板探测器、另一侧在四角支架上放置高频X射线机，且高频X射线机的X射线发射窗口中心对准GIS设备局部放电位置，使平板探测器中心、高频X射线机的X射线发射窗口中心和GIS设备局部放电位置在一条直线上；C2 高频X射线机通过电缆与高频X射线机控制箱相连；C3 将平板探测器通过X射线数字检测数据线与X射线数字检测笔记本电脑工作站相连；C4:根据生产现场高频X射线机、GIS设备局部放电位置等条件，设定电压80-300kV、电流0. 8-3mA、透照时间60-180s，高频X射线机的焦距在680_720mm ；C5 设定X射线数字成像系统参数后，启动高频X射线机控制箱的射线发射按钮，对 GIS设备内部局部放电位置区域进行透照并获得数字图片；C6 将数字图片在X射线数字检测笔记本电脑工作站进行滤波去噪等分析处理，得到满意的图像效果，以完成对比、测量的后续工作；C7 透照不同部位，重复步骤cl、c4、c5和c6。
5.根据权利要求1所述的基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤D的是指利用X射线数字成像检测系统获得的X射线数字图片进行直方图特征提取。
6.根据权利要求1所述的基于向量机和人工鱼群优化的GIS设备智能识别方法，其特征在于，步骤E的步骤为El 初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数； E2 利用式/(1,) = ^(1 Χ-·2)计算人工鱼当前状态的食物浓度，\，_分别表示 N ,=1χ鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大E3 对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；E4 对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为； E5 如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。
全文摘要
基于向量机和人工鱼群优化的GIS设备智能识别方法，本发明步骤为A、对GIS设备进行检测；B、将检测到的数据进行特征提取；C、对放电区域成像并形成数字图片；D、将数字图片进行特征提取；E、利用人工鱼群优化算法对支持向量机SVM的规则化参数C″和核函数参数σ进行优化；F、提取GIS缺陷范例库的特征和X射线数字图片特征训练SVM；G、将新检测到的特征输入到SVM中识别，并确定GIS设备内部是否存在缺陷，缺陷的性质和位置。本发明的有益效果为，达到对GIS设备内部缺陷进行可视化智能识别的目的不仅可以降低盲目选择SVM参数对分类结果的影响并提高GIS设备内部缺陷识别的准确性。
文档编号G01R31/12GK102445640SQ20111029835
公开日2012年5月9日 申请日期2011年9月30日 优先权日2011年9月30日
发明者于虹, 况华, 刘荣海, 吴章勤, 张少泉, 张永刚, 殷兰, 王达达, 王进, 谭向宇, 赵现平, 魏杰 申请人:云南电力试验研究院(集团)有限公司