局部放电源光学智能定位方法及装置与流程

1.本发明属于光学定位技术领域，尤其涉及局部放电源光学智能定位方法及装置。


背景技术：

2.气体绝缘封闭输电线路(gas insulated metal-enclosed transmissionlines,gil)是一种采用气体绝缘，金属外壳和导体同轴布置的高电压、大电流电力传输设备。作为一种高电压大电流传输设备，gil在电网得到越来越广泛的应用。由于gil采用全封闭结构，且电压等级高，传输容量大。因此，当其发生故障时，影响范围大，维修时间长，后果是非常严重的。局部放电是设备绝缘缺陷的重要征兆和表现形式，提前进行gil局部放电的在线监测，可以预先发现 gil存在的绝缘缺陷，保证设备的安全稳定运行。目前，局部放电光学检测作为一种有效的局放检测方法，具有良好的研究及应用前景。
3.常规的局部放电检测方法所使用的电传感器会在现场受到电磁干扰。因此，近年来，人们致力于开发用于局部放电检测的新型光学传感器。光测法作为一种局部放电检测方法，具有抗电磁干扰、检测灵敏度高、传感器布置灵活的显著优势。光信号传播和耦合过程几乎不受电磁波和声波干扰影响，测量结果具有极高的置信度。而且光测法是最灵敏的局部放电检测方法，使用的光子计数器甚至可以检测到一个光子的发射。从上世纪70年代起，光测法开始用作电气设备局部放电检测。随着时间的发展，已经开发了许多光学方法，引起了电力学科研究人员和工程师的极大关注。研究主要集中在光学传感器的结构设计、局部放电光学信号的传播特性以及电晕光谱分析等方面。例如现有技术中申请号为：cn202010837938.4的发明专利《基于局部放电光学信号的gil局部放电源定位方法和系统》中就公开了一种基于局部放电光学信号的gil局部放电源定位方法：(1)建立光学定位仿真指纹库：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，以构建局部放电源的光学定位仿真指纹库；(2)采用光学传感器采集实际gil发生局部放电时发出的光信号，以得到实际局部放电源所对应的实际局部放电的光学指纹(3)构建pso-kelm 网络模型；(4)采用pso-kelm网络模型将实际局部放电的光学指纹与所述光学定位仿真指纹库中的光学指纹进行匹配，以确定gil上的实际局部放电源的位置。此外，该发明还公开了一种基于局部放电光学信号的gil局部放电源定位系统。该专利中的算法在没有降维的情况下输入特征过多，出现特征冗余的现象，最终的定位依然不够精准。


技术实现要素：

4.为了克服现有技术中存在的问题，本发明提出了局部放电源光学智能定位方法及装置，实现gil中局放源的精确定位。
5.为达到所述目的，本发明局部放电源光学定位方法，包括：
6.搭建gil实验检测平台；
7.在gil实验检测平台中进行gil局放仿真模型构建，分析光学信号传播特性；
8.构建光学仿真指纹库：对探测点采集到的光辐照度进行数据处理，得到光学仿真
指纹库；
9.将relieff算法与anfis算法结合，建立局放定位匹配模型；
10.运用光学仿真指纹库对构造的relieff-anfis模型进行匹配训练，并将实验采集的局放光学指纹与局放光学仿真指纹库中的数据进行模式匹配，确定局放源在gil中的实际位置。
11.优选的，光学定位仿真指纹库的建立方法具体为：在模型的n个位置进行局放光学仿真实验，令lj为局放源的位置，j＝1,2,
…
,n；对于每一次仿真实验，通过 m个探测点进行光辐照度检测，记si为探测点编号，i＝1,2,
…
,m；当仿真局放源位于lj时，探测点si检测到的局放光辐照度表示为
12.由于不同位置下的局部放电会使得不同横截面采集到的光辐照度存在较大差异；为了减小误差，对每次仿真实验采集到的传感器光学辐照度进行[-1,1]的归一化处理：
[0013][0014]
由此构建了光学仿真指纹库ψ：
[0015][0016]
其中，m是光学传感器的数量，n是模拟局放源的数量；列向量是局放源的光学仿真指纹，即当局部放电发生在lj位置时各仿真探测点接收到的局放光辐照度。
[0017]
优选的，relieff搜索k个h和m样本，并将它们对每个特征权重的贡献取平均值；对于特征a，给定一个随机选择的实例r，然后从r样本的同类样本中选取k 个最近邻样本h，同时从不同类样本中选取k个最近邻样本m；然后不断更新特征的权重，进行m次循环计算，直到依次计算出所有样本，得到单个特征的最终权重：
[0018][0019]
式中：w(a)i表示第i次迭代中的a特征值的权重，并且初始值为0；hj表示k个与r同类的最近邻样本，mj(c)表示k个不与r同类的最近邻样本，p(c)是c类的概率；diff(a,r,hj)表示特征a上样本r和样本hj之间的距离，diff(a,r,mj(c))表示特征 a上样本r与样本mj(c)之间的距离；距离公式如下：
[0020][0021]
优选的，anfis的结构包括6层；
[0022]
第1层为输入层，通常称为模糊化层；输入层将网络的输入信号传送到下一层中，输入值x＝[x1,x2,...,xn]
t
为归一化后的特征参数，是精确值；
[0023]
第2层是隶属函数层，节点为隶属函数，如三角形、梯形或高斯等，对输入信号进行模糊化运算，从输入值获得模糊聚类，该模型中选用隶属函数为高斯函数：
[0024][0025]
式中：i＝1,2,...,n，j＝1,2,...,m，m为每个输入对应隶属函数个数，c
ij
和σ
ij
分别表示隶属函数的中心和宽度；
[0026]
第3层是模糊推理层，也称为“与”层，代表“and”操作，每个神经元代表一条模糊规则，将模糊化后的各个输入信号相乘，计算出每条规则的适应度，计算公式如下：
[0027][0028]
式中：表示上一层节点的隶属度；ω
ij
为规则的可信度；
[0029]
第4层为归一化层，也称为“或”层，每个神经元代表一条输出变量模糊度划分，采用平均判别法进行归一化计算，求得输出节点，归一化过程表示为：
[0030][0031]
第5层为反模糊化层。在该层的每个节点上计算规则的加权值采用一阶多项式确定，具体为：
[0032][0033]
式中：r为该层节点个数，是归一化层的输出，pr是网络的后续参数，yr为后续参数的线性组合；
[0034]
最后一层为输出层，实际输出是将反模糊层中各规则的输出相加得到的：
[0035]
[0036]
优选的，relieff算法与anfis算法结合的具体步骤为：将传感器采集的数据通过relieff算法进行分类有效性运算，然后剔除权重较低的传感器数据，最后利用anfis算法进行光学定位。
[0037]
本发明还包括实现局部放电源光学定位方法的装置，即gil实验检测平台，所述gil实验检测平台包括gil实验罐体，gil实验罐体内带有用于检测弱光学信号的荧光光纤传感器；电源输入经过相互连接的隔离变压器、调压器、升压变压器最后通过限流滤波电阻接入到gil实验罐体；gil实验罐体上接有用于荧光信号传输的光纤，光纤连接用于荧光信号转换的光子计数器以及用于信号处理和显示的计算机，计算机上还连接有数字局放仪。首先将荧光光纤放置在gil模型内的适当位置，从而准确接收绝缘故障产生的微光信号。普通光纤将光学信号传递给远处的光子计数器。经过光子计数器处理后，光信号转化为电信号，显示出局部放电时荧光光纤接收到的光子个数。
[0038]
优选的，gil实验罐体，gil实验罐体，包括上方的球头螺栓，轴心导体柱，盖板，侧壁以及由锥电极和盘电极组成的针板缺陷模型；侧壁上设有多个开口位置，所述开口位置设有光学传感器；每个光学传感器均由长度、型号完全相同的荧光光纤构成；罐体上还设有通气口，通气口用于充入sf6气体。高压连接杆用于连接高压电源与内部导体，球头螺栓用于连接杆的固定。内部针板缺陷的径向位置和高度可调，可以用来进行不同位置下的局部放电实验。同时罐体上的通气口处安装有一个气压表，用于确定内部的sf6气体浓度以及检验装置是否漏气。
[0039]
优选的，gil实验罐体轴心导体柱直径为20mm，内部高度为310mm，内半径为90mm，侧壁厚10mm；轴心导体柱与一个可以自由旋转且径向长度可调的针板缺陷模型相连，锥电极和盘电极间距始终保持6mm，锥电极上针尖的长度为 25mm，盘电极下方接地圆盘的直径为20mm。
[0040]
优选的，为了采集局放源在不同位置时产生的光辐射信号，gil仿真罐侧壁设置9个探测点，用来模拟实际的光学传感器探头；9个检测点以120
°
均分为 3列，每一列上的3个探测点的圆心距罐体底面的距离依次为60mm、150mm、 240mm；各检测点的法线垂直于罐体内壁，且指向圆柱轴心；同时沿仿真罐体轴向等距设置三个横截面，用来观测罐体径向的光学信号。
[0041]
优选的，所述光纤为绿色的荧光光纤。sf6气体中发生典型局放时，在可见光波段中光谱主要集中在435nm和540nm左右，并且540nm左右的光强远高于435nm。绿光的光谱范围在500～560nm左右，因此实验中选择绿色的荧光光纤。
[0042]
本发明的有益效果为：
[0043]
(1)通过tracepro仿真软件搭建了gil仿真模型，观测和分析了不同位置下局部放电光信号的传播效果，为传感器位置选择和gil中的机械结构设计提供了一定参考。
[0044]
(2)采用gil仿真模型进行光学仿真指纹库的搭建，有效扩大了仿真指纹库的样本，进一步提高了定位的实用性。并且仿真模型可以根据实际要求修改参数，具有广泛的应用价值。
[0045]
(3)relieff算法降低了光学仿真指纹的维度，改善了anfis的维数运算成本问题，最大程度发挥了模糊神经网络的优势。相比于传统kelm和bpnn模型，例如现有的pso-kelm模型具有更好的定位效果。
[0046]
进一步具体的说，本发明采用的relieff算法降低了光学仿真指纹的维度，能够挑选出在区分特征上权重更高、效果相对更好的成分作为特征，使得输入特征在维度减少的情况下保持足够信息量。这样挑选出的特征避免了传统算法在没有降维的情况下导致算法输入特征过多，出现特征冗余的现象。
[0047]
同时本发明提出的relieff-anfis结合算法，解决了维数运算成本问题，最大程度发挥了模糊神经网络的优势。相比于对比文件中所记载的pso-kelm模型，具有更好的泛化性能，实现更精确的定位。
附图说明
[0048]
图1为本发明局部放电源光学智能定位方法及装置中gil实验检测平台示意图。
[0049]
图2为本发明局部放电源光学智能定位方法及装置中gil实验罐体示意图。
[0050]
图3为本发明局部放电源光学智能定位方法及装置中gil实验罐体内部结构示意图。
[0051]
图4为本发明局部放电源光学智能定位方法及装置中光信号原理示意图。
[0052]
图5为本发明局部放电源光学智能定位方法及装置中荧光光纤接收和传播局部放电光信号示意图。
[0053]
图6为本发明局部放电源光学智能定位方法及装置中基于anfis算法的模糊神经网络结构示意图。
[0054]
图7为本发明局部放电源光学智能定位方法及装置中relieff算法与anfis 算法结合形成定位匹配模型的流程示意图。
具体实施方式
[0055]
局部放电是设备绝缘缺陷的重要征兆和表现形式，提前进行gil局部放电的在线监测，可以预先发现gil存在的绝缘缺陷，保证设备的安全稳定运行。目前，局部放电光学检测作为一种有效的局放检测方法，具有良好的研究及应用前景。针对传统光测法难以采集大量现场试验数据的问题，本发明提出一种基于仿真指纹的局部放电定位算法。下面结合附图和实施例对本发明进一步描述。
[0056]
目前，采用光学信号进行局放定位的研究还比较少。本发明在光测法检测局部放电的基础上，研究了一种采用仿真指纹的局部放电定位方法，主要研究内容如下：如图1所示搭建gil实验检测平台；
[0057]
在gil实验检测平台中进行gil局放仿真模型构建，分析光学信号传播特性；
[0058]
构建光学仿真指纹库：对探测点57采集到的光辐照度进行数据处理，得到光学仿真指纹库；
[0059]
将relieff算法与anfis算法结合，建立局放定位匹配模型；
[0060]
运用光学仿真指纹库对构造的relieff-anfis模型进行匹配训练，并将实验采集的局放光学指纹与局放光学仿真指纹库中的数据进行模式匹配，确定局放源在gil中的实际位置。实验结果表明，该方法能实现gil中局放源的精确定位。
[0061]
本发明考虑到gil的结构特点，规划了光学传感器的分布位置，搭建了用于实验室具体操作的gil实验罐体5。gil实验罐体5如图2、图3所示，gil实验罐体 5，包括上方的球头
螺栓51，轴心导体柱52，盖板53，侧壁54以及由锥电极55和锥电极56组成的针板缺陷模型。gil实验罐体5轴心导体柱52直径为20mm，内部高度为310mm，内半径为90mm，侧壁54厚10mm；轴心导体柱52与一个可以自由旋转且径向长度可调的针板缺陷模型相连，锥电极55和锥电极56间距始终保持6mm，锥电极55上针尖的长度为25mm，锥电极56下方接地圆盘的直径为20mm。
[0062]
为了采集局放源在不同位置时产生的光辐射信号，在gil仿真罐侧壁54设置9个探测点57，用来模拟实际的光学传感器探头。9个检测点以120
°
均分为3列，每一列上的3个探测点57的圆心距罐体底面的距离依次为60mm、150mm、240mm。各检测点的法线垂直于罐体内壁，且指向圆柱轴心。同时沿仿真罐体轴向等距设置三个横截面，用来观测罐体径向的光学信号。为了减少检测平面和探测点57对仿真结果产生的影响，材料属性采用完全透射(perfecttransmitter)模型，对局放源发出的光线不会产生任何吸收或反射。
[0063]
当采用不同的材料时，光照射到材料表面会有不同的折反射效果。为了能够模拟实际的gil设备内的光线传播，仿真中材料属性的设置就十分重要。
[0064]
在仿真中采用一种双向反射分布函数模型(bidirectionalreflectancedistributionfunction,brdf)来描述材料的表面属性。brdf描述了入射光在物体表面某一点反射后出射光的分布情况，其数学表达式如下所示：
[0065][0066]
brdf用于计算光线在不透明表面发生的反射，输入参数是入射光的仰角、方位角和出射光的仰角、方位角。ωi是指入射光方向，ωr是指反射光方向。每一个ω方向可以被参数化为方位角和仰角θ，因此brdf是一个四维函数。brdf取决于波长，并由表面的结构和光学特性决定。对于来自不同角度的入射光线，以光线的入射点为中心，光信号的brdf传播模型如图4所示。
[0067]
brdf描述了从方向观察到的从方向入射光的表面反射。brdf被写成一个微分量，用来强调是从方位角处于极限的方向接收和发射的光。因为角度接近零，所以实际上并不存在这样一个方向。为了提供准确的外观模型并遵循物理原则，brdf遵循两个原则：赫尔姆霍茨互异决定了brdf模型是对称的，即入射光和出射光互换，结果不变。能量守恒意味着任一点发射的总光量不能超过到达该点的入射光量，即对于给定的ωi，brdf在整个ωr上的积分小于或等于1。
[0068]
同时，光信号在gil中传播需要满足以下条件：
[0069]
α r t＝1
[0070]
式中：α为吸收系数；r为镜面反射系数；t为漫反射系数。
[0071]
因此，设定α＝30％，r＝20％，t＝30％。gil仿真罐体的表面材料选取抛光并氧化的中等光滑铝材。
[0072]
在仿真中，将局放光源设置为球形点光源，并假设各个方向发出的光线均匀分布并垂直于光源表面。在针板缺陷模型的针尖处插入一个半径为单位长度的球体作为光源。设置光线以光通量的形式发出，总光线数设置为250000条，总光辐射通量为100w，并设置局
放光源的辐射光为绿光(波长为546.1nm)。由于 0.5461μm是可见光中心波段，也是人眼感知的最敏感波长。进行单波长仿真使用这个中心波长，不会在色散上产生太大误差。
[0073]
gil中sf6气体的折射率为1.000783，与标准条件下的真空折射率相比，对光信号的传播影响非常微弱。而且，sf6吸收光谱的带宽非常窄，主要发生在红外波段，对辐照度几乎没有影响。因此，在仿真模型中可以忽略它。
[0074]
采用光辐照度ee来表示光传感器接收到的光信号强度，它是被照明的表面单位面积上所接收到的辐射通量数，即
[0075][0076]
其中，pe为辐射通量，是单位时间内通过传感器表面的辐射能量。s为光传感器的接收面积。
[0077]
需要注意的是，仿真中设置的局放光源与实际局部放电产生的光信号并不完全相同，因此上述的ee只是一个相对值，而不是实际的光信号辐照度。然而，本发明的定位方法是根据不同传感器表面的光辐照度分布差异，而不是直接使用实际值。因此，相对辐照度ee可以充分反映传感器之间光信号分布的差异。
[0078]
为了便于描述和分析不同横截面和探测点57的光辐照度图像，以3个中部探测点57形心所在平面为底面，导体轴心为高建立柱坐标系。自上而下的三个横截面序号分别标定为1、2、3，z轴坐标分别为90mm、0mm、-90mm。以0
°
对应的一列仿真探测点57自上而下标定为1、2、3，120
°
和240
°
对应的仿真探测点57 自上而下标定为4、5、6和7、8、9。
[0079]
在建立的gil仿真模型中，纵向每隔10mm选取一个采样平面。在采样平面上，每隔30
°
选择一条过圆心的半径作为采样方向。在选取的半径上改变到圆心的距离分别为0、25、45、65、85mm作为局放源的仿真位置，依次进行局部放电光学仿真实验，采集各个探测点57处的光辐照度。
[0080]
同时为了达到采样的普遍性，在实际仿真中采用双调和样条插值法。将仿真中的局放光源的数据为插值点，以每个探测点57为单位，拟合得到gil中不同位置发生局放时探测点57采集到的光信号辐照度。通过插值采样，提高了光学仿真指纹库的数据量，进一步提高了局放定位的准确度。由此，得到了包含9个传感器数据的光学仿真指纹库。
[0081]
假设在模型的n个位置进行局放光学仿真实验，令lj为局放源的位置， j＝1,2,
…
,n。对于每一次仿真实验，通过m个探测点57进行光辐照度检测，记si为探测点57编号，i＝1,2,
…
,m。当仿真局放源位于lj时，探测点57si检测到的局放光辐照度表示为
[0082]
由于不同位置下的局部放电会使得不同横截面采集到的光辐照度存在较大差异。为了减小误差，对每次仿真实验采集到的9个传感器光学辐照度进行[-1,1] 的归一化处理：
[0083][0084]
由此构建了光学仿真指纹库ψ：
[0085][0086]
其中，m是光学传感器的数量，n是模拟局放源的数量。列向量是局放源的光学仿真指纹，即当局部放电发生在lj位置时各仿真探测点57接收到的局放光辐照度。
[0087]
即gil实验检测平台，所述gil实验检测平台包括gil实验罐体5，gil实验罐体5内带有用于检测弱光学信号的荧光光纤传感器；电源输入经过相互连接的隔离变压器1、调压器2、升压变压器3最后通过限流滤波电阻4接入到gil 实验罐体5；gil实验罐体5上接有用于荧光信号传输的光纤，光纤连接用于荧光信号转换的光子计数器8以及用于信号处理和显示的计算机7，计算机7上还连接有数字局放仪6。首先将荧光光纤9放置在gil模型内的适当位置，从而准确接收绝缘故障产生的微光信号。普通光纤将光学信号传递给远处的光子计数器8。经过光子计数器8处理后，光信号转化为电信号，显示出局部放电时荧光光纤9接收到的光子个数。
[0088]
在实验室中，建立铝制gil实验罐体5。gil实验罐体5如图3所示：
[0089]
罐体上方的连接高压杆用于连接高压电源与内部导体，球头螺栓51用于连接杆的固定。光学传感器装在侧面的9个开口位置，每个传感器均由长度、型号完全相同的荧光光纤9构成。通气口58用于充入sf6气体。内部针板缺陷的径向位置和高度可调，可以用来进行不同位置下的局部放电实验。同时罐体上的通气口58 处安装有一个气压表，用于确定内部的sf6气体浓度以及检验装置是否漏气。
[0090]
由于目前的gil设备中广泛运用sf6充当气体绝缘，为了尽可能还原实际条件，在实验罐体中充入sf6气体。sf6具有稳定的化学结构和很强的绝缘能力，消弧能力是空气的100倍，绝缘能力是空气的2.5倍。由于其卓越的性能，sf6被用作电气设备中的绝缘介质和消弧介质。
[0091]
常规的局部放电检测方法所使用的电传感器会在现场受到电磁干扰。因此，近年来，人们致力于开发用于局部放电检测的新型光学传感器。荧光光纤9组成的检测系统比传统的检测系统具有更高的灵敏度，使得荧光光纤传感技术在检测电气设备内部缺陷引发的局部放电时得到广泛应用。
[0092]
荧光光纤9的纤芯与微量的荧光材料混合，该材料选择性地吸收某些波长的光信号。当局部放电产生的光照射荧光光纤9时，光可以被纤芯中的荧光分子吸收。由于吸收了能量，荧光分子中的电子从基态跃迁到激发态，并且激发态电子具有不稳定性。当激发态电子返回基态时，它们通常以光线的形式释放能量。荧光光纤9接收和传播局部放电光信号如图5所示。
[0093]
根据测试，sf6气体中发生典型局放时，在可见光波段中光谱主要集中在 435nm和540nm左右，并且540nm左右的光强远高于435nm。绿光的光谱范围在 500～560nm左右，因此实验中选择绿色的荧光光纤9。同时为了便于处理和分析局放信息，采用光电倍增管(photomultiplier,pmt)作为光子计数器8对荧光光纤9采集的信号进行转换。
[0094]
在实验过程中，通过调节gil实验模型中针板模型的角度、高度和径向距离，可以
检测不同位置的局部放电。在调节过程中，记录针尖位置为局部放电源的实际位置。本发明随机选取了12个不同位置的局部放电源进行实验。每次调整针板缺陷的位置后，将罐体密封并抽真空，然后充入sf6气体。缓慢升高电压，直到出现清晰稳定的局部放电信号。由于光子数与光功率成正比，因此本发明以光子数为指标来测量光辐照度。保持电压幅值不变，用光子计数器8记录9个光学传感器接收到的光子数。
[0095]
同时，sf6中的局部放电是一种非平衡等离子体，因此在光发射光谱中具有很强的随机性。从检测的角度来看，在相对较长的时间内测量连续的局放信号，而不是单个局放事件的瞬态光信号，更能避免实验误差。为了保证局部放电信号的可靠性，减少局部放电中随机波动的影响，每个传感器采集60个门限的光子，最后取60个门限的平均值作为记录值。然后对9个传感器的局部放电记录值进行归一化处理，构成某一位置的实际局部放电光学指纹。
[0096]
relieff算法主要用于多类标签的特征选择。核心思想是通过评估类间样本的特征差异和类内样本的特征差异来选择重要特征。如果类间样本的特征差异较小，而类内样本的特征差异较大，则该特征被赋予较大的权重，从而被选中。
[0097]
relieff搜索k个h和m样本，并将它们对每个特征权重的贡献取平均值。对于特征a，给定一个随机选择的实例r，然后从r样本的同类样本中选取k个最近邻样本h，同时从不同类样本中选取k个最近邻样本m。然后，根据式(4-1)不断更新特征的权重，进行m次循环计算，直到依次计算出所有样本，得到单个特征的最终权重。
[0098][0099]
式中：w(a)i表示第i次迭代中的a特征值的权重，并且初始值为0。hj表示k个与r同类的最近邻样本，mj(c)表示k个不与r同类的最近邻样本，p(c)是c类的概率。diff(a,r,hj)表示特征a上样本r和样本hj之间的距离，diff(a,r,mj(c))表示特征 a上样本r与样本mj(c)之间的距离。距离公式如下：
[0100][0101]
anfis是一类自适应网络，它结合了神经网络的处理和模糊逻辑原理。模糊逻辑的运算实际上就是模糊逻辑中分解出的各个隶属度的运算。在模糊系统中，隶属度由介于0到1之间的数字表示。
[0102]
anfis可以接受准确的输入，通过隶属函数和模糊规则将其转化为模糊输入，并且可以通过反模糊处理再次从模糊规则中生成准确的输出。因此，anfis存在显著的优势，包
括其自适应能力，非线性能力和快速学习能力。
[0103]
anfis结构与神经网络相似，输入节点表示输入信号，当输入足够多就会触发隐藏层中的模糊规则。各层之间的权值代表模糊集，每个模糊集的隶属度由相对权值决定。因此，可以根据正常的神经网络系统使用特定的训练算法来更改这些权重。传递函数通常是连续的，并将真实值通过网络传递到输出层，并根据隐藏层中模糊规则的触发将其解释为模糊集的隶属度。下面根据图6来解释anfis 的结构。
[0104]
第1层为输入层，通常称为模糊化层。输入层将网络的输入信号传送到下一层中。输入值x＝[x1,x2,...,xn]
t
为归一化后的特征参数，是精确值。
[0105]
第2层是隶属函数层。节点为隶属函数，如三角形、梯形或高斯等，对输入信号进行模糊化运算，从输入值获得模糊聚类，该模型中选用隶属函数为高斯函数：
[0106][0107]
式中：i＝1,2,...,n，j＝1,2,...,m，m为每个输入对应隶属函数个数，c
ij
和σ
ij
分别表示隶属函数的中心(均值)和宽度(方差)。
[0108]
第3层是模糊推理层，也称为“与”层，代表“and”操作。每个神经元代表一条模糊规则，将模糊化后的各个输入信号相乘，计算出每条规则的适应度，计算公式如下：
[0109][0110]
式中：表示上一层节点的隶属度；ω
ij
为规则的可信度。
[0111]
第4层为归一化层，也称为“或”层。每个神经元代表一条输出变量模糊度划分。采用平均判别法进行归一化计算，求得输出节点，归一化过程表示为：
[0112][0113]
第5层为反模糊化层。在该层的每个节点上计算规则的加权值如式(4-10) 所示，该值采用一阶多项式确定。
[0114][0115]
式中：r为该层节点个数，是归一化层的输出，pr是网络的后续参数，yr为后续参数的线性组合。
[0116]
最后一层为输出层，实际输出是将反模糊层中各规则的输出相加得到的。
[0117]
[0118]
由于复杂的结构和梯度学习，anfis的计算成本很高，主要局限性在于：(a) 隶属函数的类型和数量；(b)隶属函数的位置；(c)输入的维度。此外，维度和准确性之间的抉择也是至关重要的问题。当输入维度不超过5时，anfis的效果通常很好。输入的信息越多，基于anfis的模型的计算成本就越高。
[0119]
如图7所示：将relieff算法与anfis算法结合，得到新的定位匹配模型，
[0120]
对于0～120
°
范围内的局部放电，9个光学传感器采集的数据在统计范围内存在差异。采用anfis算法进行定位时，少量传感器参数太少，效果较差；9个传感器均用于定位时，模糊神经网络结构太过复杂，训练成本过高，对设备性能有着很高的要求。采用relieff算法可以优化参数的选取，从多个传感器数据中找到分类效果最好的传感器位置。不仅改进了anfis的运行效率，同时在实际运用中，可以减少传感器数量，找到最适宜安装传感器的位置，提高检测灵敏度。
[0121]
采用光学仿真指纹库对搭建的relieff-anfis模型进行训练，之后将训练好的模型对实验室中采集到的局放光学指纹进行定位验证。在gil实验罐体5中随机选择了12个局部放电位置，用来进行指纹匹配定位，并采用平均误差、误差距离百分比以及误差标准差来判断定位效果。同时设置了对照实验，运用 bpnn和kelm进行局放定位，并与构造的relieff-anfis定位模型进行对比，结果如下表所示。
[0122]
不同定位算法的定位效果
[0123][0124]
从结果中可以看出，优化的relieff-anfis定位模型效果最为杰出，同时具有较高的精确度，发挥了模糊神经网络的分类优势，实现了局部放电的光学指纹匹配定位。
[0125]
需要特殊说明的是：如上所述是结合具体内容提供的一种实施方式，并不能认定本发明的具体实施只局限于这些说明。凡与本发明的结构、装置相似、雷同，或是对于本发明构思前提下做出若干技术推演或替换，都应当视为本发明的保护范围。