一种基于MIV和MEA-LVQ神经网络的GIS局部放电识别方法和系统技术方案

本发明专利技术涉及一种基于MIV和MEA

【技术实现步骤摘要】
一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法和系统


[0001]本专利技术涉及局部放电分类识别领域，尤其是涉及一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法和系统。

技术介绍

[0002]绝缘缺陷在GIS设备的常见故障中占据很大比重，其主要表现为局部放电。与敞开式设备所具有多种局放检测手段或技术相比，GIS密封空间内绝缘缺陷的局放检测显得尤为困难。由于内部缺陷种类形式多种多样，因此，不同缺陷所引起的局放对设备的损伤程度也不尽相同。利用放电图谱对局部放电进行有效识别，并以此明确缺陷类型，可以有针对性地制定检修方案，从而保证GIS设备的安全稳定运行。传统的GIS局放识别通常是通过人工方式对图谱目测判断得出，这种方法工作量大且效率较低。
[0003]近年来，以各类神经网络为代表的自学习诊断方法被应用于设备的状态评估领域，有效提高了诊断的有效性和准确率。其中，学习向量量化(Learning Vector Quantization,LVQ)神经网络因具备实现模式识别简单精确的特点，常被用于GIS设备局放诊断及缺陷识别。然而，对初始权值敏感仍然是困扰LVQ网络在局放识别领域深入应用面临的主要问题之一。此外，LVQ网络不具备对自变量进行量筛选的能力，导致识别结果的精度和稳定性不高。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法和系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，包括以下步骤：将GIS局部放电测试样本输入MIV
‑
MEA
‑
LVQ网络中，得到识别结果；
[0007]所述MIV
‑
MEA
‑
LVQ网络的训练过程如下：
[0008]步骤S1、根据GIS局部放电训练样本，计算得到第一优化样本和第二优化样本，将第一优化样本和第二优化样本输入至第一LVQ网络中计算得到GIS局部放电训练样本中每个特征的平均影响值(Mean Impact Value,MIV)值；
[0009]步骤S2、根据第一优化样本和第二优化样本，使用思维进化算法(Mind Evolutionary Algorithm,MEA)优化第一LVQ网络结构，得到第二LVQ网络结构；
[0010]步骤S3、根据MIV值，删除GIS局部放电训练样本中的部分特征，根据剩余特征结合第二LVQ网络结构确定MIV
‑
MEA
‑
LVQ网络。
[0011]进一步地，所述第一优化样本和第二优化样本的获取步骤如下：
[0012]将GIS局部放电训练样本每个特征在原值的基础上加n％，得到第一优化样本；将GIS局部放电训练样本每个特征在原值的基础上减n％，得到第二优化样本。
[0013]进一步地，所述MIV值的计算步骤如下：
[0014]将第一优化样本输入至第一LVQ网络中得到每个特征的第一影响值，将第二优化样本输入至第一LVQ网络中得到每个特征的第二影响值，第一影响值和第二影响值的差值除以第一LVQ网络神经元数目即为每个特征的MIV值。
[0015]进一步地，所述步骤S2的具体优化过程如下：
[0016]步骤S21、根据第一LVQ网络结构的权值编码，以第一优化样本和第二优化样本的均方误差的倒数为评价函数，产生初始种群；
[0017]步骤S22、第一LVQ网络结构的竞争层将根据评价函数值大小对初始种群进行子群体分类，
[0018]步骤S23、对所有子群体进行趋同操作；对所有子群体进行异化操作；
[0019]步骤S24、当局部放电分类误差达到误差阈值时，执行步骤S25，当局部放电分类误差未达到误差阈值时，返回执行步骤S23，当执行步骤S23的次数大于次数阈值时，执行步骤S25；
[0020]步骤S25、解码最优个体作为第二LVQ网络结构的连接权值。
[0021]进一步地，所述步骤S3中，根据所有特征的MIV绝对值大小，删除MIV绝对值最小的两个特征。
[0022]一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别系统，包括训练模块和测试模块，所述训练模块执行以下步骤：
[0023]步骤S1、根据GIS局部放电训练样本，计算得到第一优化样本和第二优化样本，将第一优化样本和第二优化样本输入至第一LVQ网络中计算得到GIS局部放电训练样本中每个特征的MIV值；
[0024]步骤S2、根据第一优化样本和第二优化样本，使用思维进化算法优化第一LVQ网络结构，得到第二LVQ网络结构；
[0025]步骤S3、根据MIV值，删除GIS局部放电训练样本中的部分特征，根据剩余特征结合第二LVQ网络结构确定MIV
‑
MEA
‑
LVQ网络；
[0026]所述测试模块调用训练模块中得到的MIV
‑
MEA
‑
LVQ网络，将GIS局部放电测试样本输入MIV
‑
MEA
‑
LVQ网络中，得到识别结果。
[0027]进一步地，所述第一优化样本和第二优化样本的获取步骤如下：
[0028]将GIS局部放电训练样本每个特征在原值的基础上加n％，得到第一优化样本；将GIS局部放电训练样本每个特征在原值的基础上减n％，得到第二优化样本。
[0029]进一步地，所述MIV值的计算步骤如下：
[0030]将第一优化样本输入至第一LVQ网络中得到每个特征的第一影响值，将第二优化样本输入至第一LVQ网络中得到每个特征的第二影响值，第一影响值和第二影响值的差值除以第一LVQ网络神经元数目即为每个特征的MIV值。
[0031]进一步地，所述步骤S2的具体优化过程如下：
[0032]步骤S21、根据第一LVQ网络结构的权值编码，以第一优化样本和第二优化样本的均方误差的倒数为评价函数，产生初始种群；
[0033]步骤S22、第一LVQ网络结构的竞争层将根据评价函数值大小对初始种群进行子群体分类，
[0034]步骤S23、对所有子群体进行趋同操作；对所有子群体进行异化操作；
[0035]步骤S24、当局部放电分类误差达到误差阈值时，执行步骤S25，当局部放电分类误差未达到误差阈值时，返回执行步骤S23，当执行步骤S23的次数大于次数阈值时，执行步骤S25；
[0036]步骤S25、解码最优个体作为第二LVQ网络结构的连接权值。
[0037]进一步地，所述步骤S3中，根据所有特征的MIV绝对值大小，删除MIV绝对值最小的两个特征。
[0038]与现有技术相比，本专利技术具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，其特征在于，包括以下步骤：将GIS局部放电测试样本输入MIV
‑
MEA
‑
LVQ网络中，得到识别结果；所述MIV
‑
MEA
‑
LVQ网络的训练过程如下：步骤S1、根据GIS局部放电训练样本，计算得到第一优化样本和第二优化样本，将第一优化样本和第二优化样本输入至第一LVQ网络中计算得到GIS局部放电训练样本中每个特征的MIV值；步骤S2、根据第一优化样本和第二优化样本，使用MEA思维进化算法优化第一LVQ网络结构，得到第二LVQ网络结构；步骤S3、根据MIV值，删除GIS局部放电训练样本中的部分特征，根据剩余特征结合第二LVQ网络结构确定MIV
‑
MEA
‑
LVQ网络。2.根据权利要求1所述的一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，其特征在于，所述第一优化样本和第二优化样本的获取步骤如下：将GIS局部放电训练样本每个特征在原值的基础上加n％，得到第一优化样本；将GIS局部放电训练样本每个特征在原值的基础上减n％，得到第二优化样本。3.根据权利要求1所述的一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，其特征在于，所述MIV值的计算步骤如下：将第一优化样本输入至第一LVQ网络中得到每个特征的第一影响值，将第二优化样本输入至第一LVQ网络中得到每个特征的第二影响值，第一影响值和第二影响值的差值除以第一LVQ网络神经元数目即为每个特征的MIV值。4.根据权利要求1所述的一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，其特征在于，所述步骤S2的具体优化过程如下：步骤S21、根据第一LVQ网络结构的权值编码，以第一优化样本和第二优化样本的均方误差的倒数为评价函数，产生初始种群；步骤S22、第一LVQ网络结构的竞争层将根据评价函数值大小对初始种群进行子群体分类，步骤S23、对所有子群体进行趋同操作；对所有子群体进行异化操作；步骤S24、当局部放电分类误差达到误差阈值时，执行步骤S25，当局部放电分类误差未达到误差阈值时，返回执行步骤S23，当执行步骤S23的次数大于次数阈值时，执行步骤S25；步骤S25、解码最优个体作为第二LVQ网络结构的连接权值。5.根据权利要求1所述的一种基于MIV和MEA
‑
LVQ神经网络的GIS局部放电识别方法，其特征在于，所述步骤S3中，根据所有特征的MIV绝对值大小，删除MIV绝对值最小的两个特征。6.一种基于MIV和MEA
...

【专利技术属性】
技术研发人员：黄志坚，邹钰洁，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：