CN112147471A - 一种gil局部放电源定位方法和*** - Google Patents

一种gil局部放电源定位方法和*** Download PDF

Info

Publication number
CN112147471A
CN112147471A CN202011021401.7A CN202011021401A CN112147471A CN 112147471 A CN112147471 A CN 112147471A CN 202011021401 A CN202011021401 A CN 202011021401A CN 112147471 A CN112147471 A CN 112147471A
Authority
CN
China
Prior art keywords
partial discharge
simulation
fingerprint
gil
discharge source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011021401.7A
Other languages
English (en)
Other versions
CN112147471B (zh
Inventor
臧奕茗
钱勇
王辉
李泽
舒博
盛戈皞
江秀臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Publication of CN112147471A publication Critical patent/CN112147471A/zh
Application granted granted Critical
Publication of CN112147471B publication Critical patent/CN112147471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种GIL局部放电源定位方法：(1)建立与实际GIL尺寸相同的仿真模型，构建局部放电仿真指纹库Ψ(2)采用自然邻域差值算法将上述Ψ扩展为ΨNNI(3)用第一采样率采集ΨNNI中仿真指纹，构建大范围低密度指纹库(4)构建纠错输出码‑多层感知器‑支持向量机模型，用上述指纹库对模型的纠错输出码‑多层感知器模块训练，使仿真指纹与局放源的初步位置匹配(5)由初步位置确定采样范围，用大于第一采样率的第二采样率采集采样范围中的仿真指纹，构建小范围高密度指纹库(6)用小范围高密度指纹库对模型中的支持向量机模块进行训练，使仿真指纹与局放源精确匹配(7)将实际GIL局放光学指纹输入到经过训练的模型中，得对应局放源精确位置。

Description

一种GIL局部放电源定位方法和***
技术领域
本发明涉及一种定位方法和***，尤其涉及一种局部放电源定位方法和***。
背景技术
自20世纪70年代以来，为了满足大规模电力传输并减少传输损耗，气体绝缘输电线路(gas insulated transmission line，GIL)已在世界范围内得到广泛使用。在GIL的操作过程中，绝缘的缺陷和劣化是对其安全性的重大威胁，而局部放电则预示着绝缘性能的下降。因此，定位局部放电源在GIL中的位置是提高维护效率和确保稳定运行的重要措施。
目前，GIL中的局部放电源的定位主要是基于对特高频信号和超声信号的检测。与之相比，单一光学的局部放电定位方法的灵敏度高、无电磁干扰且无机械振动干扰，具有良好的研究前景和应用价值。
然而，目前针对GIL以及其他气体绝缘设备的光学局部放电定位的研究很少，其主要集中在两个方面。其中一种研究方法是使用光学阵列进行局部放电定位，而光学阵列只能在较小的区域内检测局部放电，不适用于长距离、尺寸较大的GIL设备。另一种研究方法是将光学局部放电指纹库和机器学习应用于局部放电定位当中，通过在设备的不同位置进行大量的光学局部放电实验，以构建局部放电指纹库，然后将包含位置信息的局部放电指纹库投入机器学习算法中进行训练，最终将待测的局部放电指纹与指纹库中的指纹进行匹配，得到最终的局部放电源位置。但是，该方法受到实际设备尺寸较大和现场情况的复杂性等因素的限制，很难通过大量的现场局部放电实验获得用于机器学习的训练数据。此外，该方法只能识别进行了局部放电实验的特定位置的局部放电源，这极大地影响了定位精度。
基于此，为了克服现有技术中的缺陷，期望获得一种新的基于局部放电光学信号的GIL局部放电源定位方法，该GIL局部放电源定位方法能够将GIL局部放电光学仿真数据与现场实测数据相结合，通过构建局部放电指纹库和运用智能算法，对局部放电源进行及时有效的定位，其定位精确且定位过程所需的时间较短，可以有效适用于不同尺寸的GIL设备。
发明内容
本发明的目的之一是提供一种GIL局部放电源定位方法，该GIL局部放电源定位方法能够将GIL局部放电光学仿真数据与现场实测数据相结合，通过构建局部放电指纹库和运用智能算法，对局部放电源进行及时有效的定位，其定位精确且定位过程所需的时间较短，可以有效适用于不同尺寸的GIL设备。
采用本发明的GIL局部放电源定位方法，可以对气体绝缘金属封闭输电线路(GIL)中的局部放电源进行及时有效的定位，有利于提高输电线路的运维检修效率，对保障电网安全稳定运行具有重要意义。
根据上述发明目的，本发明提出一种GIL局部放电源定位方法，其包括步骤：
(1)建立与实际GIL尺寸完全相同的仿真模型，并对所述仿真模型的局部放电源进行光学信号仿真，以构建局部放电仿真指纹库Ψ；
(2)采用自然邻域差值算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNNI涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNNI中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
在本发明所述的技术方案中，本发明提出了一种基于自然邻域插值(NNI)和纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)的光学局部放电源定位的新方法，该方法可以有效提高GIL局部放电定位的检测范围、准确性和定位效率。
在本发明所述的GIL局部放电源定位方法中，通过建立与实际GIL尺寸完全相同的仿真模型，并对仿真模型的局部放电源进行光学信号仿真，即可构建局部放电仿真指纹库Ψ，有效解决了现场实验获得局部放电指纹困难的问题。同时，在指纹定位的过程中，指纹库在一定范围内，密度越高，定位精度也就越高，所以增加指纹库的密度对提高定位精度尤为重要。由于GIL的尺寸较大，无法遍历地仿真所有位置的局部放电光学信号。因此，在本发明中采用了自然邻域插值(NNI)算法将有限的光学局部放电指纹扩展为GIL中所有位置的局部放电指纹，从而增加了局部放电指纹库的密度，弥补了仿真局部放电源数量有限造成的指纹库密度较低的问题，提高了定位精度。
相应地，为了消除实际局部放电信号强度变化的影响，在本发明所述的GIL局部放电源定位方法中，还采用了主成分分析(PCA)算法，以提取每个光信号辐照度之间的差异特征作为局部放电指纹特征。
但是，需要时注意的是，在指纹定位的过程中，由于GIL的尺寸较大且用于提高定位精度的扩展指纹库将大大增加学习样本的数量，从而导致指纹匹配效率显着下降。因此，为了减少定位过程中的计算量，解决指纹过多导致的维数灾难问题，在本发明所述的GIL局部放电源定位方法中还采用了一种“两级局部放电定位”方法。
需要说明的是，在本发明所述的GIL局部放电源定位方法中，构建了纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)，其采用的“两级局部放电定位”，包括步骤：“第一级定位”和“第二级定位”。其中，“两级局部放电定位”方法中的“第一级定位”是使用ECOC-MLP-SVM中改进的纠错输出码-多层感知器模块(ECOC-MLP)在范围较大但密度较低的指纹库上进行匹配，以获取局部放电源所在的初步位置。由于ECOC-MLP算法可以将多分类问题简化为多个两分类问题，因此可以通过使用二分类方法解决维数灾难问题。此外，与直接使用普通密度指纹库进行定位相比，“第一级定位”中使用的低密度指纹库减少了计算量。“两级局部放电定位”方法中的“第二级定位”是在“第一级定位”确认的初步位置的基础上，基于初步位置确定采样范围，建立这个构建小范围高密度指纹库。最后，使用ECOC-MLP-SVM中支持向量机模型(SVM)将待测指纹与“第二级定位”中得到的小范围高密度指纹库中的局部放电指纹进行匹配，以获取局部放电源的具***置。
进一步地，在本发明所述的GIL局部放电源定位方法中，在所述步骤(1)中：
(a)在所述仿真模型中选取N个点模拟局部放电源的位置；
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集；
(c)将各仿真探测点的局部放电信号互相相减，以得到两个仿真探测点之间的光辐照度差值δ′h,j：
Figure BDA0002700742190000041
Figure BDA0002700742190000042
其中，D表示相减后的局部放电仿真指纹的维数，
Figure BDA0002700742190000043
和
Figure BDA0002700742190000044
分别表示仿真探测点a和b采集到的位于第j个位置的局部放电源所散发的光辐照度，M对应于M个仿真探测点，Z表示正整数；
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理，得到归一化处理后的光伏照度值δh,j；
(e)采用主成分分析特征提取算法，对N个向量[δ1,j,δ2,j,…,δD,j]T提取P个主成分来作为局部放电仿真指纹列向量
Figure BDA0002700742190000045
(f)将所有的局部放电仿真指纹列向量Ψj组合，构建光学局部放电仿真指纹库Ψ：
Figure BDA0002700742190000051
其中，P对应上述P个主成分，以表示仿真指纹的维度，并且P<D；N对应上文所述的N个点，以表示仿真局部放电源的数量。
进一步地，在本发明所述的GIL局部放电源定位方法中，在所述步骤(6)中，采用优化算法确定支持向量机模型的最优参数。
进一步地，在本发明所述的GIL局部放电源定位方法中，在所述步骤(6)中，采用径向基函数作为支持向量机模型的核函数。
进一步地，在本发明所述的GIL局部放电源定位方法中，在所述步骤(7)中，采用光学传感器获得GIL局部放电的光学指纹。
相应地，本发明的另一目的在于提供一种GIL局部放电源定位***，该GIL局部放电源定位***能够将GIL局部放电光学仿真数据与现场实测数据相结合，通过构建局部放电指纹库和运用智能算法，对局部放电源进行及时有效的定位，其定位精确且定位过程所需的时间较短，可以有效适用于不同尺寸的GIL设备，有利于电力设备的运维检修，保障电网安全稳定运行。
根据上述的发明目的，本发明提出了一种GIL局部放电源定位***，其包括：
GIL仿真模型；
光学传感器，其采集实际GIL发生局部放电时发出的光信号；
处理模块，其执行下述步骤：
(1)基于对GIL仿真模型构建局部放电仿真指纹库Ψ；
(2)采用NNI算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNN涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNN中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
进一步地，在本发明所述的GIL局部放电源定位***中，在所述步骤(1)中：
(a)在所述仿真模型中选取N个点模拟局部放电源的位置；
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集；
(c)将各仿真探测点的局部放电信号互相相减，以得到两个仿真探测点之间的光辐照度差值δ′h,j：
Figure BDA0002700742190000061
Figure BDA0002700742190000062
其中，D表示相减后的局部放电仿真指纹的维数，
Figure BDA0002700742190000063
和
Figure BDA0002700742190000064
分别表示仿真探测点a和b采集到的位于第j个位置的局部放电源所散发的光辐照度，M对应于M个仿真探测点，Z表示正整数；
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理，得到归一化处理后的光伏照度值δh,j；
(e)采用主成分分析特征提取算法，对N个向量[δ1,j,δ2,j,…,δD,j]T提取P个主成分来作为局部放电仿真指纹列向量
Figure BDA0002700742190000071
(f)将所有的局部放电仿真指纹列向量Ψj组合，构建光学局部放电仿真指纹库Ψ：
Figure BDA0002700742190000072
其中，P对应上述P个主成分，以表示仿真指纹的维度，并且P<D；N对应上文所述的N个点，以表示仿真局部放电源的数量。
进一步地，在本发明所述的GIL局部放电源定位***中，在所述步骤(6)中，采用优化算法确定支持向量机模型的最优参数。
进一步地，在本发明所述的GIL局部放电源定位***中，在所述步骤(6)中，采用径向基函数作为支持向量机模型的核函数。
本发明所述的GIL局部放电源定位方法和***相较于现有技术具有如下所述的优点以及有益效果：
综上所述可以看出，本发明所述的GIL局部放电源定位方法能够将GIL局部放电光学仿真数据与现场实测数据相结合，通过构建局部放电指纹库和运用智能算法，对局部放电源进行及时有效的定位，其定位精确且定位过程所需的时间较短，可以有效适用于不同尺寸的GIL设备。
采用本发明的GIL局部放电源定位方法，可以对气体绝缘金属封闭输电线路(GIL)中的局部放电源进行及时有效的定位，有利于提高输电线路的运维检修效率，对保障电网安全稳定运行具有重要意义。
相应地，本发明所述的GIL局部放电源定位***也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的GIL局部放电源定位方法在一种实施方式下的步骤流程示意图。
图2显示了泰森多边形和Delaunay三角剖分中新***x点的示意图。
图3为本发明所述的GIL局部放电源定位方法在一种实施方式下的两级局部放电定位指纹库范围选择示意图。
图4为本发明所述的GIL局部放电源定位***在一种实施方式下的上部仿真探测点在一种视角下的光学仿真指纹图。
图5为本发明所述的GIL局部放电源定位***在一种实施方式下的上部仿真探测点在另一种视角下的光学仿真指纹图。
图6为本发明所述的GIL局部放电源定位***在一种实施方式下的中部仿真探测点在一种视角下的光学仿真指纹图。
图7为本发明所述的GIL局部放电源定位***在一种实施方式下的中部仿真探测点在另一种视角下的光学仿真指纹图。
图8为本发明所述的GIL局部放电源定位***在一种实施方式下的下部仿真探测点在一种视角下的光学仿真指纹图。
图9为本发明所述的GIL局部放电源定位***在一种实施方式下的下部仿真探测点在另一种视角下的光学仿真指纹图。
图10为本发明所述的GIL局部放电源定位***在一种实施方式下的各局部放电源实验定位的误差。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的GIL局部放电源定位方法和***做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的GIL局部放电源定位方法在一种实施方式下的步骤流程示意图。
如图1所示，在本实施方式中，本发明所述的GIL局部放电源定位方法，可以包括如下步骤：
(1)建立与实际GIL尺寸完全相同的仿真模型，并对所述仿真模型的局部放电源进行光学信号仿真，以构建局部放电仿真指纹库Ψ；
(2)采用自然邻域差值算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNNI涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNNI中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
由此可见，本发明所述的GIL局部放电源定位方法，通过使用光学局部放电仿真代替实际实验来获取局部放电指纹，然后使用自然邻域差值算法(NNI)对有限的局部放电仿真指纹进行指纹扩展，从而可以建立一个能够覆盖GIL中所有位置的光学局部放电仿真指纹库ΨNNI。最后，采用纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)中进行两级指纹匹配，以准确、有效地获得对应的局部放电源位置，提高GIL中局部放电定位精度。
其中，在步骤(1)中，需要建立GIL仿真模型，并构建局部放电仿真指纹库Ψ，其可以包括下述步骤(a)-步骤(f)：
(a)在所述仿真模型中选取N个点模拟局部放电源的位置；
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集；
(c)将各仿真探测点的局部放电信号互相相减，以得到两个仿真探测点之间的光辐照度差值δ′h,j：
Figure BDA0002700742190000091
Figure BDA0002700742190000101
其中，D表示相减后的局部放电仿真指纹的维数，
Figure BDA0002700742190000102
和
Figure BDA0002700742190000103
分别表示仿真探测点a和b采集到的位于第j个位置的局部放电源所散发的光辐照度，M对应于M个仿真探测点，Z表示正整数。
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理，得到归一化处理后的光伏照度值δh,j；
(e)采用主成分分析特征提取算法，对N个向量[δ1,j,δ2,j,…,δD,j]T提取P个主成分来作为局部放电仿真指纹列向量
Figure BDA0002700742190000104
(f)将所有的局部放电仿真指纹列向量Ψj组合，构建光学局部放电仿真指纹库Ψ：
Figure BDA0002700742190000105
其中，P对应上述P个主成分，以表示仿真指纹的维度，并且P<D；N对应上文所述的N个点，以表示仿真局部放电源的数量。
需要说明的是，为了突出仿真探测点之间局部放电信号的强度差异和分布规律，并避免由于不同局部放电源之间的光信号强度波动而造成的不利影响，通过对步骤(d)中归一化后的光辐照度值δh,j进行主成分分析法(PCA)，以减小光学局部放电指纹的维度并提取其有效特征，从而得到最终的局部放电指纹。
此外，在本发明所述的GIL局部放电源定位方法中，在上述构建的光学局部放电仿真指纹库Ψ中，每个局部放电指纹代表与一个局部放电源的位置有关的特征信息，通过本发明所述的匹配算法，可以将光学传感器获得的待定位的实际局部放电指纹与指纹库中的指纹进行匹配，以获得与待定位指纹最相似的最终指纹，将最终指纹相对应的位置作为定位结果。
继续参阅图1可知，在本发明所述的GIL局部放电源定位方法中，在步骤(2)中，需要使用到自然邻域差值算法(NNI)对有限的局部放电仿真指纹库Ψ进行指纹扩展，从而可以建立一个能够覆盖GIL中所有位置的光学局部放电仿真指纹库ΨNNI。这是因为：在光学局部放电仿真试验的过程中，虽然在GIL仿真罐体中选择了尽可能多的局部放电源位置进行仿真，但考虑到仿真的时间和效率，不可能遍历GIL中的所有位置。因此，本文提出了一种自然邻域差值算法(NNI)以解决仿真局部放电源位置受限的问题，扩大指纹库中指纹样本的规模，提高定位的范围和准确性。
在NNI算法中，基于泰森多边形和Delaunay三角剖分理论，散点集的泰森多边形和Delaunay三角剖分相对应。泰森多边形将平面(或空间)划分为不连续的一组多边形(或多边形)，称为图块。每个瓦片Ti在散点集中包围一个给定点xi。Ti表示比集合中的任何其他点更靠近xi点的面积(或体积)，其可以表示为如下所示的公式(4)：
Figure BDA0002700742190000111
其中，x表示一个新***的点，xi表示第i个给定点，xj表示第j个给定点，d(x,xi)表示点x和点xi之间的欧几里得距离。如果xi和xj具有公共边界或接触点，则这两个点可以称为自然邻居。
需要注意的是，在进行NNI算法之前，构造给定散点集的泰森多边形和Delaunay三角剖分是必要的预处理步骤。自然临近点的概念可以用于不在当前点集中的新***点x。新点x通过“窃取”现有和周围自然邻居的区域(或体积)来创建新的Voronoi单元，如图2所示。
图2显示了泰森多边形和Delaunay三角剖分中新***x点的示意图。
如图2所示，图2中的粗线可以表示***点x之后的图块，图2中的虚线可以表示***点x之前的旧边。虚线表示与泰森多边形相对应的Delaunay三角剖分，其中图块的边界是三角形边界的垂直平分线。因此，新的点可以定义为如下所示的公式(5)。
Figure BDA0002700742190000112
其中，z表示新***的点。
相应地，新图块和旧图块的交点可以为：
Ti(x)＝T(x)∩Ti (6)
因此，在本发明中，可以用S(T)表示图块T的面积，点x处的NNI定义为：
Figure BDA0002700742190000121
其中，zi表示第i个***点，上式中的hi(x)可以表示为公式(8)所示：
Figure BDA0002700742190000122
其中，S[Ti(x)]表示图块Ti(x)的面积，S[T(x)]表示图块T(x)的面积。
通过公式(7)，它可以表明NNI是插值点x的自然邻居的加权平均值。但是，在公式(7)中，仅是0阶连续可导的。我们必须在集合的每个点上一阶连续可导。因此，我们将函数z(x)在点xi处的梯度表示为▽z(xi)，并用一阶多项式gi(x)代替(7)中的zi，一阶多项式gi(x)可以如下公式(9)所示：
gi(x)＝zi+▽z(xi)T(x-xi) (9)
其中，T表示矩阵转置。
根据上式(9)，在使用自然邻域权重的同时，还合并了zi值及其对应的梯度。因此，NNI值可以被定义为：
Figure BDA0002700742190000123
其中，需要说明的是，wi(x)可以表示为：
Figure BDA0002700742190000124
需要说明的是，自然邻域差值算法(NNI)是一种基于区域权重的方法，该方法优于基于距离的权重方法。由于NNI可以补偿数据密度的变化，而不仅仅是对距离敏感。因此，通过NNI对指纹扩充，本发明将原始仿真指纹库Ψ扩展为ΨNNI，扩展后的指纹库ΨNNI涵盖了GIL罐体中所有位置的局部放电指纹。最后，针对不同精度的定位要求，我们可以使用不同的采样率对ΨNNI中的指纹进行采样，以建立不同密度的指纹库。
图3为本发明所述的GIL局部放电源定位方法在一种实施方式下的两级局部放电定位指纹库范围选择示意图。
如图3所示，同时结合参考图1可知，在本发明所述的GIL局部放电源定位方法中，尽管通过NNI指纹扩展提高了定位的准确性和范围，但它也增加了匹配过程中的计算量。而且，考虑到实际的GIL设备的尺寸较大，当构建仿真指纹库时，指纹的数量将相应地增加。因此，本发明提出了一种使采用纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)中进行两级指纹匹配的方法，该方法包括两级局部放电定位，其可以减少计算量，避免由于大量局部放电指纹而导致的维数灾难。
在本发明所述的GIL局部放电源定位方法中，可以采用纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)进行定位，定位包括两个阶段：第一级局部放电定位阶段和第二级局部放电定位阶段。
1)第一级局部放电定位阶段
纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)进行的第一级局部放电定位是针对GIL罐体整个区域的，但是指纹库是对ΨNNI以较低的第一采样率(例如：每个采样点相距2cm)采集指纹来构建大范围低密度指纹库。该方法可以减少匹配过程中指纹的计算量，实现局部放电定位的预定位。尽管它采用大范围低密度指纹库，但是由于GIL的尺寸较大，并且为了保证预定位的准确性，第一级指纹库中的指纹数量仍然有一定的规模。因此，通过使用纠错输出码-多层感知器模块(ECOC-MLP)，可以将多分类问题简化为多个二元分类问题，从而避免了预定位中的维数灾难。
需要说明的是，上述纠错输出码-多层感知器模块(ECOC-MLP)可以包括两个主要阶段：训练阶段和测试阶段。
在训练阶段，可以定义一个C×b的代码矩阵，其中C代表类别数量。每个类别标签由编码矩阵的行编码。使用训练样本训练编码矩阵的每个基本分类器，可以获得具有b个输出节点的分类器。
在测试阶段，将输入的测试样本x应用于经过训练的分类器，从而可以有效创建输出向量，如公式(12)所示：
y＝[y1,y2,…,yb]T (12)
其中，yb表示第b个节点的输出向量，T表示矩阵的转置。
对于每一个类别，采用纠错输出码(ECOC)，可以计算输出矢量与每个类别标签之间的距离，如公式(13)所示：
Figure BDA0002700742190000141
其中，上式中的Zij代表代码矩阵中第i行和第j列的值，Zj表示第j列的类别标签的值。
由此可得测试样本的解码规则为：
i＝ArgMin(Li) (14)
使用上述公式(14)的解码规则，本发明可以使用多层感知器(MLP)学习网络将编码矩阵中每个码字的确定转换为MLP网络中的权重学习过程，这更适合上述的ECOC方法。
在MLP网络的构建过程中，引入权重ω以反映每个输入样本产生的输出矢量中的误差影响。通过权重ω的调整，当目标码字上的误差较大时，每个输出节点中产生的误差对训练成本函数的影响更大。这样可以有效地更新网络的权重参数，从而减少训练后网络对总码字的误差。因此，我们将权重与最小化平方误差成本函数的多层感知器训练形式结合起来，修改后的成本函数F可以如下述公式(15)所示：
Figure BDA0002700742190000142
其中，N表示样本的个数，ωi代表第i个样本产生的误差权重，ui表示输入向量，di是所需的网络输出，y(w,ui)是第i个训练向量的实际网络输出。
相应地，目标代码字中第i个样本产生的误差总和定义如下：
Figure BDA0002700742190000143
其中，yij表示编码矩阵中第i行第j列的值，dij表示编码矩阵中第i行第j列的所需值，j表示输出节点的数量，b表示代码字的长度。
因此，通过纠错输出码-多层感知器模块(ECOC-MLP)匹配大范围低密度指纹库以获得局部放电源的初步位置，确定出局部放电源的大致位置，为第一级局部放电定位做准备。
2)第二级局部放电定位阶段
如图3所示，图3示意性地显示了第一级局部放电定位和第二级局部放电定位中指纹库范围的选择。
第二级局部放电定位是针对小范围但高密度的局部放电指纹库。尽管指纹库的密度高于第一级局部放电定位阶段种的大范围低密度指纹库，但其指纹库的覆盖范围较小。因此，指纹库中的指纹数量将远远少于第二级局部放电定位阶段。在某些实施方式下，可以以第一级定位得到的初步位置所在的横截面为中心，分别向GIL的两侧轴向延伸一定距离(取决于特定GIL罐体的大小)作为第二级指纹匹配的范围(即本案所指的“小范围”)。在此有限范围内，采用第二采样率(例如：每个采样点相距1cm)对ΨNNI进行采样，以构建获得小范围高密度指纹库。需要注意的是，第二采样率大于第一级局部放电定位阶段的第一采样率。
纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)中的支持向量机模块(SVM)能够将置信度和经验风险降到最低，因此针对第二级局部放电定位的小范围高密度指纹库，支持向量机模块(SVM)可以实现良好的分类效果。因此，本发明可以采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练。
支持向量机模块(SVM)的匹配函数如公式(17)所示：
Figure BDA0002700742190000151
其中，n表示训练样本数，λi表示Lagrange乘数，yi是xi的标签，b表示阈值，K(xi,x)表示内积核函数。
在本发明中，我们使用径向基(RBF)函数作为内核函数，如公式(18)所示：
Figure BDA0002700742190000152
其中，σ表示核函数参数。
最终，通过确定支持向量机模块(SVM)匹配到的局部放电指纹相对应的空间位置，可以在第二级局部放电定位阶段中精准的得到局部放电源的最终位置。
图4为本发明所述的GIL局部放电源定位***在一种实施方式下的上部传感器在一种视角下的NNI指纹图。
图5为本发明所述的GIL局部放电源定位***在一种实施方式下的上部传感器在另一种视角下的NNI指纹图。
图6为本发明所述的GIL局部放电源定位***在一种实施方式下的中部传感器在一种视角下的NNI指纹图。
图7为本发明所述的GIL局部放电源定位***在一种实施方式下的中部传感器在另一种视角下的NNI指纹图。
图8为本发明所述的GIL局部放电源定位***在一种实施方式下的下部传感器在一种视角下的NNI指纹图。
图9为本发明所述的GIL局部放电源定位***在一种实施方式下的下部传感器在另一种视角下的NNI指纹图。
在本发明中，本发明所述的GIL局部放电源定位***可以用于执行本发明所述的GIL局部放电源定位方法。
需要说明的是，本发明所述的GIL局部放电源定位***可以包括：GIL仿真模型、光学传感器和处理模块。其中，光学传感器可以用于采集实际GIL发生局部放电时发出的光信号，而处理模块可以用于执行下述步骤：
(1)建立与实际GIL尺寸完全相同的仿真模型，并对所述仿真模型的局部放电源进行光学信号仿真，以构建局部放电仿真指纹库Ψ；
(2)采用自然邻域差值算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNNI涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNNI中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
需要注意的是，在本实施方式中，本发明在Tracepro软件中搭建了适用于实验室验证的罐体GIL仿真模型，该模型与实际的GIL尺寸和传感器布局完全相同，并且可以根据实际GIL尺寸进行调整，能够适应更多型号的GIL罐体，提高GIL定位的适用范围。
该罐体GIL仿真模型内部高度为310mm，内半径为90mm，壁厚10mm，轴心内导体半径为25mm。轴心导体柱与一个可以360°转动且径向长度可调的针板缺陷模型相连，针板间距始终保持6mm，针尖的长度为25mm，针尖头部横截面的角度为30°，下方接地圆盘的半径为10mm。通过在仿真过程中改变针板缺陷模型的高度、距离轴心的径向距离、旋转的角度，即可仿真得到GIL罐体中各个位置发生局部放电时的光信号信息。
在GIL仿真模型上设置有光信号探测点，在仿真中该探测点为完全透射的。在实际GIL模型中，可以采用荧光光纤作为光学传感器进行探测。
在本实施方式中，本发明使用典型的针板缺陷来模拟局部放电的生成。在仿真中，将球形点光源设置为局部放电光源，其放置在尖端缺陷的头部。假定局部放电光源发出的光学局部放电信号垂直于局部放电源表面并均匀分布。局部放电源的光辐射通量为100瓦。光线总数为250000。GIL仿真模型中的绝缘介质设置为SF6，其光学折射率为1.000783。并且SF6的吸收光谱主要集中在中红外波段，对局部放电的光信号的传播影响极小，可忽略不计。另外，由于SF6中的局部放电光辐射波长主要集中在500nm左右，所以设置局部放电光源的辐射光可以为绿光(波长为546.1nm)
为了表示光学传感器接收到的光信号强度，本发明中引入光辐照度Ee的概念：
Ee＝dPe/dS (19)
上式中，Pe表示光学传感器接收到的光辐射通量，S表示光学传感器的接收面积。Ee表示为单位面积接收到的光辐射通量。
因为仿真模型中设置的点光源与实际局部放电产生的光信号并不完全相同，所以上述Ee是一个相对值，Ee并不代表实际光信号辐照度。本发明所述的GIL局部放电源定位方法是基于不同传感器间的光学信号分布规律来实现的，相对辐照度即可充分表示光信号在各传感器间的分布差异。
此外，需要注意的是，在本发明所述的GIL局部放电源定位***中，在仿真软件中采用的表面材料漫反射模型为一种双向反射分布函数模型。需要说明的是，在本实施方式中，罐体GIL仿真模型的内部材料设置为抛光并氧化的中等光滑铝材，其α＝30％，R＝20％，T＝50％。
其中，α表示吸收系数，R表示镜面反射系数，T表示漫反射系数。
在本实施方式中，采用本发明所述的GIL局部放电源定位***对GIL中的局部放电源进行定位，其包括两个阶段：实验检测阶段与光学指纹定位阶段。
1)实验检测阶段
为了验证本发明提出的GIL局部放电源定位方法及***的有效性，在本实施方式中，基于本发明上述的GIL局部放电源定位***，搭建了用于具体试验的局部放电检测试验平台。其中，在实验平台中，无晕交流调压装置的电压范围为0～150kV；罐体上9个开口位置安装有9个相同的光学传感器，每个传感器均由长度、型号完全相同的荧光光纤构成；数字局部放电仪(哈弗莱DDX 9121b)用于检测局部放电是否发生；光子计数器为HAMAMATSUH11890-210，其光谱响应范围为230～700nm，每个计数门限为1000ms；GIL罐体为铝制实验罐体，密闭性能良好且无光线射入。
在实验过程中，通过调节GIL实验罐体中针板模型的高度、角度、横杆的径向长度来做到不同位置的局部放电。其中针尖的位置记为局部放电源的实际位置，本发明随机选取了18个不同位置的局部放电源进行实验，用光子计数器采集每个光学传感器采集到的光子数量，并通过上述的指纹构建方法得到每个检测局部放电源的指纹特征
Figure BDA0002700742190000181
最后，根据上述的指纹构建方法建立局部放电检测指纹
Figure BDA0002700742190000182
为后续局部放电指纹的定位匹配阶段做准备。
2)光学指纹定位阶段
为了建立局部放电仿真指纹库，在GIL仿真模型中选择1458个位置，这些位置均匀分布在整个GIL仿真模型中，在这些位置上进行局部放电光学仿真，并对每个仿真局部放电源收集9个检测探头的光辐照度值。由于仿真局部放电源的数量有限，为了提高定位精度，本发明使用NNI算法扩展了局部放电仿真指纹库。
由于三列光学传感器是均匀地分布在GIL罐体的外壁上，每列具有三个光学传感器因此我们以一列传感器(包括上部、中部、下部三个传感器)的NNI扩展指纹图作为示例，如图4、图5、图6、图7、图8和图9所示。
对于每个传感器的NNI指纹图，它表示当局部放电发生在GIL仿真模型中任何位置时，此传感器接收到的光信号强度，用相对光辐照度表示。最终，将9个传感器的NNI指纹图相结合，可以构成一个用于两级局部放电定位的扩展局部放电指纹库ΨNNI。
由于在本发明所述的GIL局部放电源定位***中，采用纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)进行定位同样包括两个阶段：第一级局部放电定位阶段和第二级局部放电定位阶段。因此，需要使用两种不同的采样率(即第一采样率和第二采样率)对ΨNNI进行采样。
需要说明的是，在本实施方式中，针对第一级局部放电定位阶段，首先采用低采样率，即第一采样率对ΨNNI进行均匀采样，从而可以得到包含1600个局部放电指纹的第一级指纹库Ψfirst-level，在该大范围低密度指纹库的基础上应用纠错输出码-多层感知器模块(ECOC-MLP)对18个待定位的局部放电检测指纹进行匹配，可以获得18个局部放电源的预定位置。其中，纠错输出码模块(ECOC)编码矩阵的类别为“一对多”，MLP网络的隐藏层节点数设置为50，网络的学习率设置为0.005。
相应地，针对第二级局部放电定位阶段，根据本实施方式中使用的GIL实验罐体的大小，向第一级局部放电定位阶段定位的初步位置所在横截面的两侧都延伸10mm，以此高度为20mm的圆柱体区域作为第二级指纹库的定位范围。在这18个小圆柱区域中，分别以第二采样率，对指纹库ΨNNI进行均匀采样，从而获得18个二级局部放电指纹库，每个指纹库中包含722个局部放电指纹。最后，使用纠错输出码-多层感知器-支持向量机模型(ECOC-MLP-SVM)中的支持向量机模块(SVM)将18个待检测指纹Ψj detect(j＝1,2,…,18)与18个相应的两级指纹库进行匹配训练，从而可以获取这些指纹的最终局部放电源位置。
图10为本发明所述的GIL局部放电源定位***在一种实施方式下的各局部放电源实验定位的误差。
根据上述的实验验证步骤，上述18个待检测指纹的定位误差如图10所示。
根据图10可以看出，采用本发明所述的GIL局部放电源定位方法的平均定位误差为9.7mm。其中，55.56％的局部放电源的定位误差小于10mm，只有11.11％的局部放电源的定位误差大于15mm。
此外，需要说明的是，本发明的定位理论是根据每个局部放电指纹的特征来进行定位，其识别原理主要是基于每个光学传感器接收到的信号分布差异。在本实施方式的实验验证中，本发明中的实验GIL罐体尺寸较小，并且光学传感器之间的距离较近，因此相比于大尺寸GIL罐体，在本实施方式中的光学传感器之间的信号强度差异较小。因此，在小尺寸GIL罐体中进行局部放电定位将更加困难。由此可以得出结论，本发明所述的GIL局部放电源定位方法在小尺寸GIL中能获得较好的定位效果，在实际大尺寸GIL中也会具有较高的定位精度。
另外，在采用相同指纹匹配算法的情况下，我们将本发明提出的采用第一级局部放电定位阶段和第二级局部放电定位阶段进行定位的方法(两级局部放电定位方法)与直接使用第二采样率的局部放电指纹库进行定位的方法(一级局部放电定位方法)的计算量进行比较，结果均在同一台计算机上运行，比较结果如表1所示。
表1列出了上述两级局部放电定位方法和一级局部放电定位方法的计算量与耗时比较。
表1.
定位方法 计算量/(指纹库中指纹数量) 计算时间/(s)
本发明提出的两级局部放电定位方法 2322 154.6
传统的一级局部放电定位方法 11552 1744.8
由表1可以看出，本发明所述的GIL局部放电源定位方法中采用的第一级局部放电定位阶段和第二级局部放电定位阶段进行定位的两级局部放电定位方法，不仅可以减少定位过程中的计算量，还能大大缩短定位时间。
综上所述可以看出，本发明所述的GIL局部放电源定位方法能够将GIL局部放电光学仿真数据与现场实测数据相结合，通过构建局部放电指纹库和运用智能算法，对局部放电源进行及时有效的定位，其定位精确且定位过程所需的时间较短，可以有效适用于不同尺寸的GIL设备。
采用本发明的GIL局部放电源定位方法，可以对气体绝缘金属封闭输电线路(GIL)中的局部放电源进行及时有效的定位，有利于提高输电线路的运维检修效率，对保障电网安全稳定运行具有重要意义。
相应地，本发明所述的GIL局部放电源定位***也同样具有上述的优点以及有益效果。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (9)

1.一种GIL局部放电源定位方法，其特征在于，包括步骤：
(1)建立与实际GIL尺寸完全相同的仿真模型，并对所述仿真模型的局部放电源进行光学信号仿真，以构建局部放电仿真指纹库Ψ；
(2)采用自然邻域差值算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNNI涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNNI中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
2.如权利要求1所述的GIL局部放电源定位方法，其特征在于，在所述步骤(1)中：
(a)在所述仿真模型中选取N个点模拟局部放电源的位置；
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集；
(c)将各仿真探测点的局部放电信号互相相减，以得到两个仿真探测点之间的光辐照度差值δ'h,j：
Figure FDA0002700742180000021
Figure FDA0002700742180000022
Figure FDA0002700742180000023
其中，D表示相减后的局部放电仿真指纹的维数，
Figure FDA0002700742180000024
和
Figure FDA0002700742180000025
分别表示仿真探测点a和b采集到的位于第j个位置的局部放电源所散发的光辐照度，M对应于M个仿真探测点，Z表示正整数；
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理，得到归一化处理后的光伏照度值δh,j；
(e)采用主成分分析特征提取算法，对N个向量[δ1,j,δ2,j,…,δD,j]T提取P个主成分来作为局部放电仿真指纹列向量
Figure FDA0002700742180000026
(f)将所有的局部放电仿真指纹列向量Ψj组合，构建光学局部放电仿真指纹库Ψ：
Figure FDA0002700742180000027
其中，P对应上述P个主成分，以表示仿真指纹的维度，并且P<D；
N对应上文所述的N个点，以表示仿真局部放电源的数量。
3.如权利要求1所述的GIL局部放电源定位方法，其特征在于，在所述步骤(6)中，采用优化算法确定支持向量机模型的最优参数。
4.如权利要求1所述的GIL局部放电源定位方法，其特征在于，在所述步骤(6)中，采用径向基函数作为支持向量机模型的核函数。
5.如权利要求1所述的GIL局部放电源定位方法，其特征在于，在所述步骤(7)中，采用光学传感器获得GIL局部放电的光学指纹。
6.一种GIL局部放电源定位***，其特征在于，其包括：
GIL仿真模型；
光学传感器，其采集GIL实际发生局部放电时发出的光信号；
处理模块，其执行下述步骤：
(1)基于对GIL仿真模型构建局部放电仿真指纹库Ψ；
(2)采用NNI算法将所述光学局部放电仿真指纹库Ψ扩展为ΨNNI，扩展后的局部放电仿真指纹库ΨNN涵盖了GIL中所有位置的局部放电指纹；
(3)采用第一采样率采集ΨNN中的局部放电仿真指纹，以构建大范围低密度指纹库；
(4)构建纠错输出码-多层感知器-支持向量机模型，并且采用大范围低密度指纹库对纠错输出码-多层感知器-支持向量机模型中的纠错输出码-多层感知器模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的初步位置的匹配；
(5)基于所述初步位置确定采样范围，并采用第二采样率采集采样范围中的局部放电仿真指纹，以构建小范围高密度指纹库，其中所述第二采样率大于第一采样率；
(6)采用小范围高密度指纹库对纠错输出码-多层感知器-支持向量机模型中的支持向量机模块进行训练，以实现其中的局部放电仿真指纹与局部放电源的精确位置的匹配；
(7)将实际检测到的GIL局部放电的光学指纹输入到经过训练的纠错输出码-多层感知器-支持向量机模型中，以输出得到对应的局部放电源的精确位置。
7.如权利要求6所述的GIL局部放电源定位***，其特征在于，在所述步骤(1)中：
(a)在所述仿真模型中选取N个点模拟局部放电源的位置；
(b)采用M个仿真探测点对各局部放电源的光辐照度进行采集；
(c)将各仿真探测点的局部放电信号互相相减，以得到两个仿真探测点之间的光辐照度差值δ'h,j：
Figure FDA0002700742180000031
Figure FDA0002700742180000041
Figure FDA0002700742180000042
其中，D表示相减后的局部放电仿真指纹的维数，
Figure FDA0002700742180000043
和
Figure FDA0002700742180000044
分别表示仿真探测点a和b采集到的位于第j个位置的局部放电源所散发的光辐照度，M对应于M个仿真探测点，Z表示正整数；
(d)将同一个局部放电源的所有光辐照度差值进行归一化处理，得到归一化处理后的光伏照度值δh,j；
(e)采用主成分分析特征提取算法，对N个向量[δ1,j,δ2,j,…,δD,j]T提取P个主成分来作为局部放电仿真指纹列向量
Figure FDA0002700742180000045
(f)将所有的局部放电仿真指纹列向量Ψj组合，构建光学局部放电仿真指纹库Ψ：
Figure FDA0002700742180000046
其中，P对应上述P个主成分，以表示仿真指纹的维度，并且P<D；N对应上文所述的N个点，以表示仿真局部放电源的数量。
8.如权利要求1所述的GIL局部放电源定位***，其特征在于，在所述步骤(6)中，采用优化算法确定支持向量机模型的最优参数。
9.如权利要求1所述的GIL局部放电源定位***，其特征在于，在所述步骤(6)中，采用径向基函数作为支持向量机模型的核函数。
CN202011021401.7A 2020-09-03 2020-09-25 一种gil局部放电源定位方法和*** Active CN112147471B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020109162702 2020-09-03
CN202010916270 2020-09-03

Publications (2)

Publication Number Publication Date
CN112147471A true CN112147471A (zh) 2020-12-29
CN112147471B CN112147471B (zh) 2021-06-11

Family

ID=73897085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011021401.7A Active CN112147471B (zh) 2020-09-03 2020-09-25 一种gil局部放电源定位方法和***

Country Status (1)

Country Link
CN (1) CN112147471B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809521A (zh) * 2022-11-21 2023-03-17 深圳供电局有限公司 一种gil内外径尺寸优化设计方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291281A (zh) * 2016-08-08 2017-01-04 国网上海市电力公司 一种变电站设备局部放电定位***及其方法
CN108490325A (zh) * 2018-04-11 2018-09-04 上海交通大学 一种两段式变电站局部放电信号定位方法及***
CN108548997A (zh) * 2018-04-16 2018-09-18 上海交通大学 一种变电站空间局部放电定位方法及***
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***
CN110596541A (zh) * 2018-06-13 2019-12-20 全球能源互联网研究院有限公司 一种基于指纹图的局部放电定位方法与***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291281A (zh) * 2016-08-08 2017-01-04 国网上海市电力公司 一种变电站设备局部放电定位***及其方法
CN108490325A (zh) * 2018-04-11 2018-09-04 上海交通大学 一种两段式变电站局部放电信号定位方法及***
CN108548997A (zh) * 2018-04-16 2018-09-18 上海交通大学 一种变电站空间局部放电定位方法及***
CN110596541A (zh) * 2018-06-13 2019-12-20 全球能源互联网研究院有限公司 一种基于指纹图的局部放电定位方法与***
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NIMA HATAMI, ET AL.: "ECOC-Based Training of Neural Networks for Face Recognition", 《2008 IEEE CONFERENCE ON CYBERNETICS》 *
YIMING ZANG, ET AL.: "A Novel Partial Discharge Detection Method Based on the Photoelectric Fusion Pattern in GIL", 《ENERGIES》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809521A (zh) * 2022-11-21 2023-03-17 深圳供电局有限公司 一种gil内外径尺寸优化设计方法及***

Also Published As

Publication number Publication date
CN112147471B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112037215B (zh) 一种基于零样本学习的绝缘子缺陷检测方法及***
CN112101430B (zh) 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
CN111929549B (zh) 基于局部放电光学信号的gil局部放电源定位方法和***
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN109740265B (zh) 基于MoM-UTD的城市室外电磁环境态势预测方法
CN111242144B (zh) 电网设备异常的检测方法和装置
CN116910493B (zh) 基于多源特征提取的设备故障诊断模型的构建方法及装置
Zang et al. Method of GIL partial discharge localization based on natural neighbour interpolation and ECOC‐MLP‐SVM using optical simulation technology
CN112147471B (zh) 一种gil局部放电源定位方法和***
CN116560895A (zh) 用于机械装备的故障诊断方法
CN112147470B (zh) 一种gil局部放电源定位方法和***
CN111079810A (zh) 基于支持向量机的隧道围岩等级预测方法
CN117593653B (zh) 基于遥感监测的地质灾害预警方法
WO2020191896A1 (zh) 一种树木纵截面内部缺陷成像方法
Siebel et al. Scalar field induced oscillations of relativistic stars and gravitational collapse
CN117332330A (zh) 基于多源数据图融合模型的变压器故障评估方法及***
CN113253069B (zh) 一种基于多光谱强度的局部放电危险度评估方法
Zang et al. A novel partial discharge localization method for GIL based on the 3D optical signal irradiance fingerprint and bagging‐KELM
CN115171790A (zh) 质谱的数据序列在质量评估中的分析方法、装置和存储介质
CN113077458B (zh) 一种遥感影像中的云和阴影检测方法及***
CN111222223B (zh) 用于确定无线电波传播环境电磁参数的方法
CN115327304A (zh) 一种基于深度学习的变压器局部放电类型识别方法及***
Zang et al. An optical partial discharge localization method based on simulation and machine learning in GIL
CN114155524A (zh) 单阶段3d点云目标检测方法及装置、计算机设备、介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant