专利名称：Gis局部放电在线监测系统及其故障模式识别方法
技术领域：
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。
背景技术：
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。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。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。

发明内容
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。本发明是通过以下技术方案实现的一种GIS局部放电监测系统，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f-H-n三维谱图及一系列衍生谱图，包括最大值相位分布/4>(擎)、平均值相位分布/《_Op )、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。—种GIS局部放电监测系统的故障模式识别方法，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(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；(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，I彡j彡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—^ /\2Ep= —~I 彡 j 彡 N，N 为正整数；(I)
2j ’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I)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I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Q=八{ V bpk, P = I, 2, . . . s;k = I, 2, . . . m}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；本发明的工作原理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。本发明的有益效果是，I、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。该系统结构简单，操作方便，且监测效率高。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。


图I是本发明结构原理图；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；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；图4是本发明信号预处理系统结构组成框图；图5是本发明模式识别方法流程图。其中I.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，
5.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，
11.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。
具体实施例方式下面结合附图和实施例对本发明进一步说明。下面结合图I、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。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；超高频传感器I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。所述数据处理子系统3包括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；越限报警模块，用于系统显示放电量异常时的报警；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。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。本实施例通过以下步骤实现GIS局部放电故障模式识别( 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；(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7，输出层8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，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
权利要求
1.一种GIS局部放电监测系统，其特征是，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。
2.如权利要求I所述的GIS局部放电监测系统，其特征是，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<p-H-n三维谱图及一系列衍生谱图，包括最大值相位分布/4 泠)、平均值相位分布UV )、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。
3.如权利要求I所述的GIS局部放电监测系统，其特征是，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。
4.如权利要求I所述的GIS局部放电监测系统的故障模式识别方法，，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，给出对该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，I ^ 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 I ≤j≤N, N 为正整数；(I) 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。
5.如权利要求4所述的GIS局部放电监测系统的故障模式识别方法，，其特征是 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I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O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O的元素项表示为合取范式的形式，即 Q=八{ V bpk, p = 1, 2， s; k = 1, 2， m} 其中Q为改进可辨识矩阵中不为O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[l，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[l，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口 o全文摘要
本发明公开了一种GIS局部放电监测系统，该监测系统包括超高频传感器，信号预处理子系统和数据处理子系统；其中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。本发明的有益效果，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。
文档编号G01R31/12GK102735999SQ201210226448
公开日2012年10月17日 申请日期2012年7月2日 优先权日2012年7月2日
发明者云玉新, 李秀卫, 王辉, 袁海燕, 郑建 申请人:山东电力集团公司电力科学研究院