未来智讯 > 神经网络论文 > 基于人造神经网络的GIS阻碍类型辨认
    基于人造神经网络的GIS阻碍类型辨认作者:未知   深圳供电局有限公司 518020   摘要:选取超声波检测技艺对GIS设备进行诊断及定位是简略有用的,本文先容了基于人造神经网络的要领来对超声波旌旗灯号进行处置,对阻碍的类型进行智能辨认。
  关头词:人造神经网络;超声波检测;GIS阻碍
  GIS设备是电力体系中的关头设备,保证GIS设备安好靠得住运行对国度经济成长具有严重意义。超声波检测GIS设备的绝原因障是议决检测绝缘部分放电的辐射旌旗灯号来进行的,因而选取超声波检测技艺的仪器操作简略,适用有用,灵敏度高,因而在GIS设备绝缘诊断及阻碍定位方面获得了普遍使用,对电力体系中GIS的安好不变运行起到了很好的看管作用。
  1.GIS缺陷及超声波检测
  1.1 GIS 缺陷
  GIS绝缘体系中的缺陷可能是单位在工场制造过程发生的或在现场安装过程发生的,也可能是在正常运行中发生的(例如急剧接地开关或断路器的操作发生的颗粒)。最典型的缺陷类型有:毛刺放电、颗粒阻碍、电位悬浮、机器振动等。
  1.2 GlS超声波检测
  超声诊断法便是议决GIS外部安顿特制的传感器,捕获GIS内部放电发生的超声旌旗灯号。GIS产生部分放电时分子间剧烈碰撞并在宏观上霎时形成一种压力,发生超声波脉冲。GIS超声波检测仪便是议决将这种超声旌旗灯号转换成电旌旗灯号进行诊断。常规的超声波部分放电测试仪基本功能有赓续勘测、脉冲体式格局、相位体式格局三种勘测体式格局:
  1)赓续勘测模式:图1是赓续勘测体式格局下的一个实例。它以有用值(RMS value)、周期峰值(Periodic peak value)、50Hz频率成分(Frequency1 content)和100Hz频率成分(Frequency 2 content)四个特性参数的程度柱给出超声旌旗灯号信息,其尺寸与旌旗灯号成分成正比。
  图2 赓续勘测体式格局的显示实例
  2)脉冲体式格局(颗粒的幅度与遨游飞翔时间的关系);
  3)相位体式格局(放电的幅度与相位关系)。
  别的仪器厂家还供给了阻碍的诊断、辨认的要领和判据,见表1。
  表1 阻碍辨认的要领和判据表
  缺陷类型 GIS颗粒缺陷 电晕缺陷 局放缺陷
  旌旗灯号程度 高 低 高
  峰值有用值 高 低 高
  50Hz频率有关性 无 有 有
  100Hz频率有关性 无 无 有
  2.GIS阻碍类型辨认
  因为超声波检测技艺易受四周情况的影响,当四周情况比力嘈杂或者四周有工场机械运转时,平日勘测时赓续模式下的有用值、周期峰值、100Hz频率成分、50Hz频率成分等四个特性量都有。在这种环境下厂家给的阻碍诊断辨认要领(见表1)就不克不及施展作用。别的,对付阻碍旌旗灯号(有用值、周期峰值、100Hz频率成分、50Hz频率成分)的巨细和阻碍类型的对应关系也很难控制。为此,本文试图寻觅有用值、周期峰值、100 Hz频率成分、50Hz频率成分等四个特性量之间的相互巨细关系和阻碍类型之间的内涵某种对应关系。然后议决这种潜在的对应关系来判别GIS设备的阻碍环境。
  2.1 思绪要领
  行使人造神经网络的自进修才力来寻觅超声波旌旗灯号和阻碍类型的潜在对应关系。行使这种潜在的关系来判别现场测试中所呈现的超声波旌旗灯号所对应的阻碍类型,从而提高阻碍诊断的正确性。选取超声波旌旗灯号的中有用值、周期峰值、100Hz频率成分、50Hz频率成分等四个旌旗灯号特性量(作为神经网络输入)和阻碍类型(作为网络输出)的潜在关系来判别阻碍类型。
  2.2 网络设计
  神经网络进行模式辨认是模仿人脑的头脑过程,是以具有极高的智能性。反向传布(back propagation,BP)网络是一种多层前馈型神经网络,它使用偏差反向传布进修算法即BP算法,具有良好的非线性迫近才力,是今朝应用最为普遍的神经网络模子。本文选取BP神经网络进行模式辨认,BP网络选取三层,即输入层、隐含层(也称中央层)和输入层,各层之间实施权联贯。网络布局为4输入单位,10个隐含单位,1个输出单位。数据的处置要领为:将采集到的 GIS 设备超声波旌旗灯号数据,去掉配景噪声的影响,然后进行归一化处置,将毛刺放电、电位悬浮、机器振动等阻碍类型依次编码为:1、2、3。神经网络的进修:先使用汗青样本数据序列训练BP神经网络,调解网络的权值和阈值等参数,中心思惟是调解联贯权值使网络总偏差最小。
  神经网络的测试:使用训练好的网络,行使现实旌旗灯号特性量进行测试,并与现实了局对比,谋略阻碍辨认正确率,了局显示辨认正确率高达95%以上。
  必要讲明的是,因为解放颗粒在赓续模式下的超声波旌旗灯号有用值和峰值城市很大且很不不变,不克不及获得不变旌旗灯号特性量数据,因而上述要领不实用,但这种阻碍最轻易辨认。表2给出了本文设计的神经网络输入输出的局部样本数据。
  表2 超声波旌旗灯号特性量和阻碍类型对应关系(局部样本)
  样本 旌旗灯号特性量/mV 阻碍类型
  有用值 峰值 频率1 频率2
  1 0.2 10.2 0.09 0.04 1
  2 2 16 1.4 1.45 1
  3 4 20 0.05 3.1 2
  4 1.8 5.7 0.015 0.27 2
  5 0.6 2.15 0.1 0.21 3
  注:阻碍类型:1―毛刺放电,2―悬浮放电,3―机器松动。
  3.案例剖析
  行使前面设计的网络,以一同GIS设备内部阻碍辨认为例,讲明该要领的适用性。2011年6月在对110kV GIS设备进行例行测试时,在母线筒手孔相近测得超声旌旗灯号赓续模式下的四个参数(如图3所示)为:其有用值为19.2mV,峰值为107mV,100Hz频率成分为0.75mV、50Hz频率成分1.05mV远远超出配景值(其有用值为0.2mV,峰值为0.4mV,100Hz频率成分、50Hz频率成分基本异国),初步判别内里母线筒内部存在部分放电。因为旌旗灯号不变且呈现100Hz频率成分、50Hz频率成分,可扫除解放颗粒产生放电,但因为两种频率成分数值差未几,难以断定是尖峰放电照旧电位悬浮造成的部分放电。为此选取设计好的BP神经网络进行阻碍类型辨认,辨认了局为尖峰放电。因为超声放电旌旗灯号较强急需处置,现场进行了开壳查抄,查抄发现GIS的罐体内和手孔盖处均有杂质(可能因为壳体枯燥过热所发生的氧化物碎屑引起的),见图2、图3。这与用神经网络展望了局一律。该要领为阻碍类型的辨认供给了一种有用路子,也便于GIS阻碍的检修。
  图2 赓续勘测体式格局下的超声旌旗灯号
  图3 开罐后发现手孔盖内有杂质
  4.结论
  1)选取人造神经网络对GIS设备呈现的典型阻碍能有用的辨认,可是对解放颗粒导致的部分放电有范围性。别的训练神经网络所选取的样本数据或多或少受现场情况的影响,不免会影响辨认正确性,为提高阻碍类型辨认的正确率,建议样本数据最佳议决试验室模仿的要领取得。
  2)对GIS设备阻碍类型的辨认不过定性的剖析,若何对阻碍危急水平的进行定量评估必要进一步切磋,由于它是现场阻碍处置的有用依据。
  参考文献:
  [1]李立学,滕开朗,黄成军,等.GIS部分放电超高频旌旗灯号的包络剖析与缺陷辨认[J].高电压技艺,2009,35(2).
  [2]胡平,林介东,马庆增.声放射技艺在变压器部分放电勘测中的应用[J].无损检测,2004,26(10):502-505.
  [3]黎大健,梁基重,步科伟,等.GIS 中典型缺陷部分放电的超声波检测[J].高压电器,2009,45(1):72-75.
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0122/80352/
 与本篇相关的热门内容: