本发明涉及电工检测技术领域，具体地指一种考虑绝缘劣化的gis(gas-insulatedswitchgear，气体绝缘金属封闭开关设备)局部放电特征参数提取方法。
技术背景
由于sf6气体具有优良的绝缘和灭弧性能，gis在电力行业应用广泛。但是，gis在制造、运输、安装、检修和运行等过程中，内部不可避免地会出现一些绝缘缺陷，缺陷在长期运行过程中会逐渐劣化，当达到一定程度时会导致设备内部发生局部放电。局部放电是有效表征设备绝缘状况的特征量，利用设备局部放电特性进行故障辨识及严重程度评估，可以在很大程度上掌握gis内绝缘缺陷类型及局部放电程度。因此，检测局部放电对保证gis安全可靠运行具有重要的现实意义。
目前gis局部放电检测方法主要有：脉冲电流法、超声波法、光学检测法和特高频法。脉冲电流法，易受电磁干扰，且由于gis多点接地结构，无法用于gis现场检测；超声波法，现场设备振动和电晕噪音等对超声检测的准确性影响极大；光学检测法，灵敏度不高，存在检测死角，无法检测不在光电传感器检测范围内的局部放电现象；特高频法，现场放电量标定繁琐，容易受到与检测频带相同的随机窄带干扰。
技术实现要素：
本发明的目的就是要提供一种考虑绝缘劣化的gis局部放电特征参数提取方法，本发明能得到用于gis绝缘缺陷识别的精简有效的特征参数组合和较为准确的识别效果。
为实现此目的，本发明所设计的考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于，它包括如下步骤：
步骤1：采用阶段升压方式对置于sf6气体中典型gis绝缘缺陷进行2次局部放电重复性试验，试验从缺陷发生稳定局部放电开始到缺陷发生击穿为终止；
步骤2：在每个阶段电压结束之前，采集分析gis中气体绝缘介质的种类及各个种类对应的浓度，利用所获取gis中气体绝缘介质的种类及各个种类对应的浓度数据构建由不同气体之间的浓度比值构成的特征参数集合q；
步骤3：利用mrmr(maximumrelevanceminimumredundancy，最大相关最小冗余)算法对特征参数集合q中的特征参数进行特征排序，从特征参数集合q中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的特征参数，根据寻找的结果得到这些特征参数的优先级排序，按排序依次选择前j(j＝1,2,…,l，l为特征参数集合q中的元素个数)个特征参数重新构建l个集合qj，即对q中l个特征参数的排序结果为：q1、q2…ql，则重新构建的l个集合分别为：q1＝{q1}；q2＝{q1、q2}；…；ql＝{q1、q2…ql}；
步骤4：利用反向传播神经网络(bpnn，backpropagationneuralnetwork)构建绝缘缺陷识别模型，依次以集合qj(j＝1,2,…,l)中的特征参数即不同气体之间的浓度比值作为输入量输入到bp神经网络得到缺陷识别率tj，当tj趋于稳定时的特征参数集合qj，即为最优局部放电特征参数集合。
上述技术方案的步骤1中典型gis绝缘缺陷为gis在制造、运输、安装、检修和运行过程中，gis出现的绝缘缺陷。
上述技术方案的步骤2中，各种不同气体绝缘介质a1、a2、…、ak的浓度表示为c(a1)、c(a2)、…、c(ak)，k表示试验中生成的气体种类数，则构建的特征参数集合q＝{c(ah)/c(ah 1),c(ah)/c(ah 2),…,c(ah)/c(ak)}(h表示序号，h＝1,2,…,k-1)，集合q中的元素个数l＝k*(k-1)/2。
上述技术方案的步骤3中mrmr算法根据最大统计依赖性原则来选择特征量，即从特征集合中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的m个特征，相关性d和冗余性r的定义如下：
式中，q和|q|分别表示特征集合及其包含的特征个数，i(xi；c)表示特征集合q中的特征xi和绝缘缺陷类别c之间的互信息，i(xi；xj)表示特征集合q中的特征xi和特征xj之间的互信息，d(q,c)表示特征集合q与绝缘缺陷类别c之间的相关性，r(q)表示特征集合q的冗余性；给定两个连续型随机变量x和y，它们的概率密度分别为p(x)和p(y)，联合概率密度为p(x,y)，则x和y之间的互信息可定义为：
当x和y为离散型随机变量时，上式可写为：
利用mrmr进行特征选择时，要求特征和类别之间的相关性d与特征内部的冗余性r的差值最大：
maxφ1(d,r),φ1＝d-r
假设所有n个特征构成的集合为qn，根据mrmr准则已经从qn中选出了m个特征，它们构成的子集为qm，剩余特征构成的子集为{qn-qm}，为了得到qm 1，要从{qn-qm}中找出第m 1个特征，使其与qm合并后构成的qm 1仍然满足mrmr原则，则第m 1个特征xi应满足：
利用该公式对特征参数进行优先级排序，即从集合q中依次选出满足该公式的特征参数，选出特征参数的顺序即为其优先级排序；重新构建l个集合qj，就是根据特征参数的优先级排序来构建的。
上述技术方案的步骤4中，反向传播神经网络参数设置为：分别以特征参数集合qj(j＝1,2,…,10)中的浓度比值数据作为输入样本，以步骤1中典型gis绝缘缺陷类型作为神经网络期望输出，设置实际输出与期望输出之间允许的最小偏差为0.01、最大迭代次数为100、隐层神经元个数为10。
本发明采用阶段升压方式对不同绝缘缺陷施加试验电压考虑sf6气体绝缘介质劣化对局部放电的影响，利用mrmr算法构建关于气体浓度比值的特征参数集合，利用bpnn构建绝缘缺陷识别模型，将所构建的特征参数集合进行训练迭代，得到用于gis绝缘缺陷识别的精简有效的特征参数组合和较为准确的识别效果。
本发明采用的是化学检测法，不受环境噪声和电磁干扰等影响，故障诊断准确。
附图说明
图1为起始试验电压持续时间结束前测得的气体浓度。
图2为bpnn学习流程图。
图3为4种绝缘缺陷的bpnn识别结果。
图2中，ik是指样本数据，x是计数用，参数初始化x＝0表示尚未开始训练样本，x表示样本总数，x 1＞x表示所有样本都已训练。ε表示神经网络实际输出与期望输出之间允许的最小偏差。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
本发明所要解决的技术问题在于，提供一种考虑绝缘劣化的gis局部放电特征参数提取方法。gis在运行过程中，由于绝缘缺陷和加压时间不同，导致sf6气体绝缘介质的劣化程度不同，不同sf6劣化程度的gis所发生的局部放电必然存在一定的差异。
所提供的提供一种考虑绝缘劣化的gis局部放电特征参数提取方法其使用包括如下步骤：
步骤1：采用阶段升压方式对置于sf6气体中典型gis绝缘缺陷进行2次局部放电重复性试验，试验从缺陷发生稳定局部放电开始到缺陷发生击穿为终止，阶段升压幅值设置为d、阶段电压持续时间为e；
步骤2：在每个阶段电压持续时间结束之前，采集分析gis中气体绝缘介质的种类ai及其浓度c(ai)，利用所获取数据构建特征参数集合q；
步骤3：利用mrmr算法对集合q中的特征参数进行特征选择，得到这些特征参数的优先级排序，按排序依次选择前j个特征参数重新构建l个集合qj；
步骤4：利用反向传播神经网络(bpnn，backpropagationneuralnetwork)构建绝缘缺陷识别模型，依次以集合qj(j＝1,2,…,l)中的特征参数即不同气体之间的浓度比值作为输入量输入到bp神经网络得到缺陷识别率tj，当tj趋于稳定时的特征参数集合qj，即为最优局部放电特征参数集合。
进一步的，所述步骤1中典型gis绝缘缺陷是指gis在制造、运输、安装、检修和运行等过程中产生的绝缘缺陷。本实例中包括4种绝缘缺陷类别：高压导体上突出的异常金属(简称“突出物缺陷”)、在腔体内自由移动的金属颗粒或碎屑(简称“微粒缺陷”)、附着在绝缘子表面的各种脏污(简称“污秽缺陷”)、高压导体与盆式绝缘子之间形成的微小气隙(简称“气隙缺陷”)。
进一步的，所述步骤1中4种缺陷的起始试验电压、结束试验电压、阶段升压幅值d、阶段电压持续时间e的具体数值见下表：
进一步的，所述步骤2中气体绝缘介质的种类ai包括：cf4、co2、so2f2、sof2、so2，起始试验电压持续时间结束前测得这5种气体的浓度c(ai)的具体数值如图1所示。
进一步的，所述步骤2中特征参数集合q是指由不同气体之间的浓度比值构成的集合。本实例中构建的特征参数集合q＝{c(cf4)/c(co2)、c(cf4)/c(so2f2)、c(cf4)/c(sof2)、c(cf4)/c(so2)、c(co2)/c(so2f2)、c(co2)/c(sof2)、c(co2)/c(so2)、c(so2f2)/c(sof2)、c(so2f2)/c(so2)、c(sof2)/c(so2)}，集合q中的元素个数l＝10。
进一步的，所述步骤3中mrmr算法是指一种基于互信息的特征选择方法，它根据最大统计依赖性原则来选择特征量，即从特征集合中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的m个特征，相关性d和冗余性r的定义如下：
式中，q和|q|分别表示特征集合及其包含的特征个数，i(xi；c)表示特征集合q中的特征xi和绝缘缺陷类别c之间的互信息，i(xi；xj)表示特征集合q中的特征xi和特征xj之间的互信息，d(q,c)表示特征集合q与绝缘缺陷类别c之间的相关性，r(q)表示特征集合q的冗余性；给定两个连续型随机变量x和y，它们的概率密度分别为p(x)和p(y)，联合概率密度为p(x,y)，则x和y之间的互信息可定义为：
当x和y为离散型随机变量时，上式可写为：
利用mrmr进行特征选择时，要求特征和类别之间的相关性d与特征内部的冗余性r的差值最大：
maxφ1(d,r),φ1＝d-r
假设所有n个特征构成的集合为qn，根据mrmr准则已经从qn中选出了m个特征，它们构成的子集为qm，剩余特征构成的子集为{qn-qm}，为了得到qm 1，要从{qn-qm}中找出第m 1个特征，使其与qm合并后构成的qm 1仍然满足mrmr原则，则第m 1个特征xi应满足：
进一步的，所述步骤3中利用mrmr算法得到集合q中特征参数的优先级排序为：c(so2f2)/c(sof2)、c(cf4)/c(co2)、c(cf4)/c(so2)、c(sof2)/c(so2)、c(co2)/c(so2f2)、c(co2)/c(so2)、c(so2f2)/c(so2)、c(co2)/c(sof2)、c(cf4)/c(so2f2)，c(cf4)/c(sof2)。
进一步的，所述步骤3中重新构建的l(l＝10)个集合qj依次为：
q1＝{c(so2f2)/c(sof2)}；
q2＝{c(so2f2)/c(sof2)、c(cf4)/c(co2)}；
q3＝{c(so2f2)/c(sof2)、c(cf4)/c(co2)、c(cf4)/c(so2)}；
q10＝{c(so2f2)/c(sof2)、c(cf4)/c(co2)、c(cf4)/c(so2)、c(sof2)/c(so2)、c(co2)/c(so2f2)、c(co2)/c(so2)、c(so2f2)/c(so2)、c(co2)/c(sof2)、c(cf4)/c(so2f2)，c(cf4)/c(sof2)}。
进一步的，对于步骤4中bpnn是指一种基于误差逆向传播算法进行网络训练的多层前馈型神经网络，其学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断减小。bpnn的学习过程是由正向传播与反向传播组成的，正向传播用于网络计算，对某一输入求出它的输出，反向传播用于逐层传递误差，修改连接权值和阈值，学习流程如图2所示。
进一步的，对于步骤4中bpnn参数设置为：分别以特征参数集合qj(j＝1,2,…,10)中的浓度比值数据作为输入样本，以4种缺陷类型作为神经网络期望输出，设置实际输出与期望输出之间允许的最小偏差ε为0.01、最大迭代次数为100、隐层神经元个数为10。
进一步的，对于步骤4中得到4种绝缘缺陷的bpnn识别结果如图3所示，明显地，当集合qj中的特征参数个数j大于等于3时，识别准确率超过90％且基本趋于稳定，在实际工程应用中，为了减小冗余性，可选择集合q3中的特征参数作为最优特征量组合用于gis绝缘缺陷识别。本实例中选择q3＝{c(so2f2)/c(sof2)、c(cf4)/c(co2)、c(cf4)/c(so2)}作为特征参数进行gis绝缘缺陷识别，识别准确率为93.75％，识别效果良好。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
1.一种考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于，它包括如下步骤：
步骤1：采用阶段升压方式对置于sf6气体中典型gis绝缘缺陷进行2次局部放电重复性试验，试验从缺陷发生稳定局部放电开始到缺陷发生击穿为终止；
步骤2：在每个阶段电压结束之前，采集分析gis中气体绝缘介质的种类及各个种类对应的浓度，利用所获取gis中气体绝缘介质的种类及各个种类对应的浓度数据构建由不同气体之间的浓度比值构成的特征参数集合q；
步骤3：利用mrmr算法对特征参数集合q中的特征参数进行特征排序，从特征参数集合q中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的特征参数，根据寻找的结果得到这些特征参数的优先级排序，按排序依次选择前j(j＝1,2,…,l，l为特征参数集合q中的元素个数)个特征参数重新构建l个集合qj，即对q中l个特征参数的排序结果为：q1、q2…ql，则重新构建的l个集合分别为：q1＝{q1}；q2＝{q1、q2}；…；ql＝{q1、q2…ql}；
步骤4：利用反向传播神经网络构建绝缘缺陷识别模型，依次以集合qj(j＝1,2,…,l)中的特征参数即不同气体之间的浓度比值作为输入量输入到bp神经网络得到缺陷识别率tj，当tj趋于稳定时的特征参数集合qj，即为最优局部放电特征参数集合。
2.根据权利要求1所述的考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于：所述步骤1中典型gis绝缘缺陷为gis在制造、运输、安装、检修和运行过程中，gis出现的绝缘缺陷。
3.根据权利要求1所述的考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于：所述步骤2中，各种不同气体绝缘介质a1、a2、…、ak的浓度表示为c(a1)、c(a2)、…、c(ak)，k表示试验中生成的气体种类数，则构建的特征参数集合q＝{c(ah)/c(ah 1),c(ah)/c(ah 2),…,c(ah)/c(ak)}(h表示序号，h＝1,2,…,k-1)，集合q中的元素个数l＝k*(k-1)/2。
4.根据权利要求1所述的考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于：步骤3中mrmr算法根据最大统计依赖性原则来选择特征量，即从特征集合中寻找与绝缘缺陷类别有最大相关性且相互之间具有最小冗余性的m个特征，相关性d和冗余性r的定义如下：
式中，q和|q|分别表示特征集合及其包含的特征个数，i(xi；c)表示特征集合q中的特征xi和绝缘缺陷类别c之间的互信息，i(xi；xj)表示特征集合q中的特征xi和特征xj之间的互信息，d(q,c)表示特征集合q与绝缘缺陷类别c之间的相关性，r(q)表示特征集合q的冗余性；给定两个连续型随机变量x和y，它们的概率密度分别为p(x)和p(y)，联合概率密度为p(x,y)，则x和y之间的互信息可定义为：
当x和y为离散型随机变量时，上式可写为：
利用mrmr进行特征选择时，要求特征和类别之间的相关性d与特征内部的冗余性r的差值最大：
maxφ1(d,r),φ1＝d-r
假设所有n个特征构成的集合为qn，根据mrmr准则已经从qn中选出了m个特征，它们构成的子集为qm，剩余特征构成的子集为{qn-qm}，为了得到qm 1，要从{qn-qm}中找出第m 1个特征，使其与qm合并后构成的qm 1仍然满足mrmr原则，则第m 1个特征xi应满足：
利用该公式对特征参数进行优先级排序，即从集合q中依次选出满足该公式的特征参数，选出特征参数的顺序即为其优先级排序；重新构建l个集合qj，就是根据特征参数的优先级排序来构建的。
5.根据权利要求1所述的考虑绝缘劣化的gis局部放电特征参数提取方法，其特征在于：所述步骤4中，反向传播神经网络参数设置为：分别以特征参数集合qj(j＝1,2,…,10)中的浓度比值数据作为输入样本，以步骤1中典型gis绝缘缺陷类型作为神经网络期望输出，设置实际输出与期望输出之间允许的最小偏差为0.01、最大迭代次数为100、隐层神经元个数为10。
技术总结