基于UHF与CG-BP算法的GIS绝缘故障类型识别方法

基于uhf与cg-bp算法的gis绝缘故障类型识别方法
技术领域
1.本发明涉及一种基于uhf与cg-bp算法的gis绝缘故障类型识别 方法，属于gis设备绝缘故障类型识别技术领域。


背景技术：

2.封闭式gis具有较高的集成性，具有占地面积小和电磁危害小的 特点，被广泛应用于高压变电场所。然而，受目前生产制造水平、运 输手段和安装技术制约，以及运行环境中的不可控因素影响，gis设 备的pd局放现象时有发生。因此，通过对gis设备绝缘故障类型的 诊断，有利于提高电网的稳定运行能力。
3.常规检测方法主要包括超声波类、化学材料类、光学仪器类、脉 冲电流和uhf特高频局放技术等。其中，由于uhf传感器具有良好的 灵敏性，以及较强的抗干扰能力而被广泛运用于实际工程中。
4.如何利用uhf传感器采集的pd数据进行gis设备绝缘故障类型 的精确识别是目前急需解决的问题。


技术实现要素：

5.为了解决上述现有技术中存在的问题，本发明提出了提出一种基 于uhf与cg-bp算法的gis绝缘故障类型识别方法，提出一种改进的 cg-bp神经网络模型，避免bp神经网络随机生成权值和阈值造成的 不收敛或局部优化问题，实现了缩短传统bp神经网络的训练次数、 提升了学习效率并加快了收敛进度；且利用改进的cg-bp神经网络 模型训练出gis绝缘故障类型识别模型，相较于传统bp神经网络训 练出的模型具有更高的识别准确率。
6.本发明的技术方案如下：
7.一方面，本发明提出一种基于uhf与cg-bp算法的gis绝缘故障 类型识别方法，包括如下步骤：
8.对gis设备的绝缘故障类型进行分类；
9.建立cg-bp神经网络模型，所述cg-bp神经网络模型包括cg共 轭梯度算法模块和bp神经网络，利用cg共轭梯度算法模块对bp神 经网络的权值和阈值进行优化；
10.制作若干带有绝缘故障缺陷的gis设备样本，利用uhf局放检测 传感器获取各gis设备样本的pd局放信号，并利用pd局放信号获取 对应gis设备样本的特征参数，对各gis设备样本添加绝缘故障类型 标签，得到若干由对应gis设备样本的特征参数与绝缘故障类型标签 组成的训练样本；
11.利用训练样本对所述cg-bp神经网络模型进行迭代训练，达到迭 代结束条件后，完成训练，输出为gis绝缘故障类型识别模型；
12.利用所述gis绝缘故障类型识别模型进行gis设备的故障类型识 别。
13.作为优选实施方式，所述利用cg共轭梯度算法模块对bp神经网 络的权重和阈值进行优化的方法具体为：
14.构建bp神经网络输出的结果目标函数为：
[0015][0016]
其中，xj表示输入层第j个节点的输入；yi表示隐含层第i个节 点的输入；w
ki
表示输出层第k个节点到隐含层第i个节点之间的权值； w
ij
表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐 含层第i个节点的阈值；αk表示输出层第k个节点的阈值；φ表示隐 含层的激励函数；
[0017]
设单个样本二次型误差期望为：
[0018][0019]
其中，tk为期望输出，l为神经网络的输出节点数；
[0020]
样本总误差为：
[0021][0022]
其中，p为样本的总数量；
[0023]
cg共轭梯度算法模块采用共轭梯度法对输出层权值w
ki
、隐含层 权值w
ij
、输出层阈值αk、隐含层阈值θi进行修正，得到各个参数的梯 度分别为：
[0024][0025][0026][0027][0028]
其中，η为梯度搜索的步长；
[0029]
根据计算出的各个参数的梯度进行梯度下降，迭代更新bp神经 网络的参数，直至满足预设的迭代终止条件。
[0030]
作为优选实施方式，所述共轭梯度法对任一参数进行修正的步骤 具体为：
[0031]
初始化，设置初始解向量、最大迭代次数和残差阈值；
[0032]
通过此次迭代的解向量计算此次迭代残差向量；
[0033]
通过此次迭代的残差向量计算此次迭代的方向向量；
[0034]
根据此次迭代的方向向量和残差向量计算此次迭代的步长；
[0035]
通过计算出的此次迭代的方向向量和步长对解向量进行更新；
[0036]
设置迭代的终止条件为达到最大迭代次数或此次迭代的残差向 量大于残差阈值；
[0037]
达到迭代的终止条件后，输出当前的解向量为最优解向量。
[0038]
作为优选实施方式，利用pd局放信号获取对应gis设备样本的 特征参数包括：
[0039]
pd局放信号的平均值绝对均值最大值x
max
、最小值x
min
， 峰峰值x
mm
，均方值峰值指标i
p
，脉冲指标cf，裕度ce，方根 幅值x
ars
，方差d
x
,偏斜度α,峭度β。
[0040]
作为优选实施方式，gis设备的绝缘故障类型包括金属尖端故障、 绝缘内部气隙或沿面放电故障、自由金属颗粒故障以及悬浮放电故 障。
[0041]
另一方面，本发明提出一种基于uhf与cg-bp算法的gis绝缘故 障类型识别系统，包括：
[0042]
故障类型分类模块，用于对gis设备的绝缘故障类型进行分类；
[0043]
uhf传感器模块，用于获取gis设备的pd局放信号；
[0044]
特征参数提取模块，用于根据gis设备的pd局放信号提取特征 参数；
[0045]
样本数据制作模块，用于制作若干带有绝缘故障缺陷的gis设备 样本，利用uhf局放检测传感器获取各gis设备样本的pd局放信号， 并利用特征参数提取模块获取对应gis设备样本的特征参数，对各 gis设备样本添加绝缘故障类型标签，得到若干由对应gis设备样本 的特征参数与绝缘故障类型标签组成的训练样本；
[0046]
cg-bp神经网络模型，包括cg共轭梯度算法模块和bp神经网络， 所述cg共轭梯度算法模块用于对bp神经网络的权值和阈值进行优 化；所述bp神经网络用于输入训练样本进行代训练，达到迭代结束 条件后，完成训练，输出为gis绝缘故障类型识别模型；利用所述 gis绝缘故障类型识别模型进行gis设备的故障类型识别。
[0047]
作为优选实施方式，所述cg共轭梯度算法模块对bp神经网络的 权值和阈值进行优化的方法具体为：
[0048]
构建bp神经网络输出的结果目标函数为：
[0049][0050]
其中，xj表示输入层第j个节点的输入；yi表示隐含层第i个节 点的输入；w
ki
表示输出层第k个节点到隐含层第i个节点之间的权值； w
ij
表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐 含层第i个节点的阈值；αk表示输出层第k个节点的阈值；φ表示隐 含层的激励函数；
[0051]
设单个样本二次型误差期望为：
[0052][0053]
其中，tk为期望输出，l为神经网络的输出节点数；
[0054]
样本总误差为：
[0055][0056]
其中，p为样本的总数量；
[0057]
cg共轭梯度算法模块采用共轭梯度法对输出层权值w
ki
、隐含层 权值w
ij
、输出层阈值αk、隐含层阈值θi进行修正，得到各个参数的梯 度分别为：
[0058][0059][0060][0061][0062]
其中，η为梯度搜索的步长；
[0063]
根据计算出的各个参数的梯度进行梯度下降，迭代更新bp神经 网络的参数，直至满足预设的迭代终止条件。
[0064]
作为优选实施方式，所述特征参数提取模块提取的特征参数包 括：
[0065]
pd局放信号的平均值绝对均值最大值x
max
、最小值x
min
， 峰峰值x
mm
，均方值峰值指标i
p
，脉冲指标cf，裕度ce，方根 幅值x
ars
，方差d
x
,偏斜度α,峭度β。
[0066]
作为优选实施方式，所述故障类型分类模块具体将gis设备的绝 缘故障类型分类为金属尖端故障、绝缘内部气隙或沿面放电故障、自 由金属颗粒故障以及悬浮放电故障。
[0067]
再一方面，本发明还提出一种计算机可读存储介质，其上存储有 计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的 gis绝缘故障类型识别方法。
[0068]
本发明具有如下有益效果：
[0069]
1、本发明一种基于uhf与cg-bp算法的gis绝缘故障类型识别 方法，对gis设备的绝缘故障类型进行了分类，并提出一种改进的 cg-bp神经网络模型，避免bp神经网络随机生成权值和阈值造成的 不收敛或局部优化问题，实现了缩短传统bp神经网络的训练次数、 提升了学习效率并加快了收敛进度；且利用改进的cg-bp神经网络 模型训练出gis绝缘故障类型识别模型，相较于传统bp神经网络训 练出的模型具有更高的识别准确率。
[0070]
2、本发明一种基于uhf与cg-bp算法的gis绝缘故障类型识别 方法，设定了pd局放信号的平均值绝对均值最大值 x
max
、最小值x
min
、峰峰值x
mm
、均方值峰值指标i
p
、脉冲指 标cf、裕度ce、方根幅值x
ars
、方差d
x
、偏斜度α以及峭度β共13 种特征参数，以多种维度的数据作为故障类型识别的输入特征参数， 提高了gis绝缘故障类型识别的准确性和可靠性。
附图说明
[0071]
图1为本发明实施例一的方法流程图；
[0072]
图2为本发明实施例中gis设备pd信号的uhf检测原理示例图；
[0073]
图3为本发明实施例中各个类型绝缘故障的产生位置示意图；
[0074]
图4a为本发明实施例仿真实验中传统bp神经网络的训练偏差变 化图；
[0075]
图4b为本发明实施例仿真实验中cg-bp神经网络模型的训练偏 差变化图；
[0076]
图5a为本发明实施例仿真实验中传统bp神经网络的故障识别测 试图；
[0077]
图5b为本发明实施例仿真实验中cg-bp神经网络模型的故障识 别测试图。
具体实施方式
[0078]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
[0079]
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为 对步骤执行先后顺序的限定。
[0080]
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定 实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利 要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数 形式的“一”、“一个”及“该”意在包括复数形式。
[0081]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、 元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步 骤、操作、元素、组件和/或其集合的存在或添加。
[0082]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合 以及所有可能组合，并且包括这些组合。
[0083]
实施例一：
[0084]
参见图1，一种基于uhf与cg-bp算法的gis绝缘故障类型识别 方法，包括如下步骤：
[0085]
对gis设备的绝缘故障类型进行分类；
[0086]
建立cg-bp神经网络模型，所述cg-bp神经网络模型包括cg共 轭梯度算法模块和bp神经网络，利用cg共轭梯度算法模块对bp神 经网络的权值和阈值进行优化；相比传统bp神经网络在迭代过程中 随机生成初始值的方案，cg共轭梯度算法输出值能将值搜索至最优 解范围，进而提高bp神经网络的学习效率并降低训练次数；
[0087]
制作若干具有不同类型绝缘故障缺陷的gis设备样本，利用uhf 局放检测传感器获取各gis设备样本的pd局放信号，并利用pd局放 信号获取对应gis设备样本的特征参数，对各gis设备样本添加绝缘 故障类型标签，得到若干由对应gis设备样本的特征参数与绝缘故障 类型标签组成的训练样本；
[0088]
其中，本实施例在利用uhf局放检测传感器获取各gis设备样本 的pd局放信号的过程中采用了内置uhf局放检测传感器和外置uhf 局放检测传感器两种检测传感器，外置uhf局放检测传感器主要通过 检测透过环氧材料传播出来的电磁波信号，来识别gis设备内部是否 发生pd局放现象，内置uhf局放检测传感器安装在gis设备内部， 可直接通过检测设备内部电磁波信号，来识别gis是否发生pd局放 现象；通过内外两个uhf局放检测传感器，大大提高了gis设备pd 信号的采集精度和可靠性，其中，gis设备pd信号的uhf检测原理 如图2所示；
[0089]
利用训练样本对所述cg-bp神经网络模型进行迭代训练，达到迭 代结束条件后，完成训练，输出为gis绝缘故障类型识别模型；
[0090]
利用所述gis绝缘故障类型识别模型进行待检测gis设备的故障 类型识别，通过
uhf局放检测传感器获取待检测gis设备的pd局放 信号，并通过pd局放信号获取对应的特征参数，将特征参数输入至 gis绝缘故障类型识别模型，自动识别当前gis设备的绝缘故障缺陷 类型。
[0091]
作为本实施例的优选实施方式，所述利用cg共轭梯度算法模块 对bp神经网络的权重和阈值进行优化的方法具体为：
[0092]
构建bp神经网络输出的结果目标函数为：
[0093][0094]
其中，xj表示输入层第j个节点的输入；yi表示隐含层第i个节 点的输入；w
ki
表示输出层第k个节点到隐含层第i个节点之间的权值； w
ij
表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐 含层第i个节点的阈值；αk表示输出层第k个节点的阈值；φ表示隐 含层的激励函数；
[0095]
设单个样本二次型误差期望为：
[0096][0097]
其中，tk为期望输出，l为神经网络的输出节点数；
[0098]
样本总误差为：
[0099][0100]
其中，p为样本的总数量；
[0101]
cg共轭梯度算法模块采用共轭梯度法对输出层权值w
ki
、隐含层 权值w
ij
、输出层阈值αk、隐含层阈值θi进行修正，得到各个参数的梯 度分别为：
[0102][0103][0104][0105][0106]
其中，η为梯度搜索的步长；
[0107]
根据计算出的各个参数的梯度进行梯度下降，迭代更新bp神经 网络的参数，直至满足预设的迭代终止条件。
[0108]
作为本实施例的优选实施方式，所述共轭梯度法对任一参数进行 修正的步骤具体为：
[0109]
步骤1：初始化，设置初始迭代次数k＝0，最大迭代次数kmax＝50， 残差阈值ε设置为10-3
；m(0)为初始解向量，则迭代k次后的解向量、 方向向量和残差向量分别用m(k)、d(k)
和r(k)表示。
[0110]
m(0)＝0；d(0)＝0；r(0)＝0；
[0111]
步骤2：通过此次迭代的解向量计算此次迭代残差向量：
[0112]
r(k)＝a
×
m(k-1) b
[0113]
式中，a为权值，b为松弛因子；
[0114]
判断此次迭代的残差向量r(k)是否小于残差阈值ε，是则跳至 步骤6，否则继续往下执行步骤3；
[0115]
步骤3：通过此次迭代的残差向量计算此次迭代的方向向量：
[0116][0117]
步骤4：根据此次迭代的方向向量和残差向量计算此次迭代的步 长：
[0118][0119]
步骤5：更新解向量：
[0120]
m(k)＝m(k-1)
∝
(k)
×
d(k)
[0121]
k＝k 1
[0122]
判断k是否小于50，是则跳至步骤6，否则跳回步骤2，继续执 行。
[0123]
步骤6：结束程序，输出当前的解向量为最优解向量。
[0124]
作为本实施例的优选实施方式，利用pd局放信号获取对应gis 设备样本的特征参数包括：
[0125]
pd局放信号的平均值绝对均值最大值x
max
、最小值x
min
， 峰峰值x
mm
，均方值峰值指标i
p
，脉冲指标cf，裕度ce，方根 幅值x
ars
，方差d
x
,偏斜度α,峭度β；
[0126]
各参数的定义及计算方式如下：
[0127]
平均值所有其他参数的前提和基础，也是信号的静态反映。
[0128][0129]
绝对均值除了反映波形信号的整量级，也是信号能量的体 现。
[0130][0131]
最大值x
max
和最小值x
min
：最值反映瞬时信号能量大小(最大最 小值各为一组)。
[0132][0133]
峰峰值x
mm
：峰峰值之间的数值差，展示了局部放电信号的波动 范围。
[0134]
x
mm
＝x
max-x
min
[0135]
均方值用于反应信号能量的稳定度。
[0136][0137]
均方值与有效值均用于描述振动信号的能量，是信号的二阶矩统 计平均，有效值xrms又称均方根值，用于描述放电信号的能量，稳 定性、重复性好，是用于局部放电故障诊断的一个重要指标。
[0138]
峰值xp：峰值xp是指振动波形的单峰最大值，在一个信号样本 的总长中，找出绝对值最大的10个数，用这10个数的算术平均值作 为峰值xp。
[0139]
峰值指标i
p
：
[0140]
脉冲指标cf：
[0141]
脉冲指标cf和峰值指标i
p
都是用来检测信号中是否存在冲击的 统计指标。
[0142]
裕度指标ce：
[0143]
方根幅值x
ars
：类似均方根，信号整体能量的表现。
[0144][0145]
方差d
x
：方差值体现了信号的波动程度。
[0146][0147]
偏斜度α：表示信号是否属于对称分布。
[0148][0149]
峭度β：是信号陡峭度的反映且敏感于脉冲值。所以，在检测信 号中，能够反映细微的脉冲变化。
[0150][0151]
作为本实施例的优选实施方式，本实施例将gis设备的绝缘故障 类型包括金属尖端故障、绝缘内部气隙或沿面放电故障、自由金属颗 粒故障以及悬浮放电故障；各个类型绝缘故障的产生位置如图3所 示。
[0152]
进一步的，本实施例给出了引起gis设备发生pd现象的四种绝 缘故障特征及其pd信号的传播特征，如下表1所示：
[0153]
表1：gis绝缘缺陷及其特征
[0154][0155][0156]
进一步的，本实施例进行了仿真实验，以验证本发明提出的gis 绝缘故障类型识别方法的有效性和优异性；具体如下：
[0157]
bp神经网络输入层的神经元数量设置为对应特征参数的数量， 即13个，将上述实施例中分类的四种绝缘故障类型作为神经网络的 输出(仿真中纵坐标用1至4分别代表四
种绝缘故障)，并设置24层 隐含层。
[0158]
训练样本集为经过降维后的特征参数数据，其中，四种故障类型 的pd信号各采集50组，一共200组pd信号数据。此时，特征参数 数据可构成一个13
×
200的矩阵，并将70％的特征参数数据作为训练 数据，15％的特征参数数据作为测试数据，其余的特征参数数据为验 证数据。训练函数和传递函数分别采用trainlm和tansig，最大学 习次数和学习率取值为100和0.01。利用matlab软件进行仿真，可 得采用本实施例提出的采用结合cg共轭梯度算法和bp神经网络的模 型与传统bp神经网络的训练误差曲线和训练结果对比图形，分别如 图4和图5所示。
[0159]
从图4和5不难得出，本实施例提出的结合cg共轭梯度算法和 bp神经网络的模型在gis绝缘故障类型识别方面，明显优于传统bp 神经网络。这主要是因为bp神经网络网络依赖于权值和阈值的选取， 而改进后的cg-bp神经网络模型，利用cg共轭梯度算法优化了bp神 经网络的权值和阈值，进而削弱了bp神经网络对权值和阈值的依赖 程度，不仅提升了收敛速度，而且还降低了学习和训练次数。
[0160]
图4a为传统bp神经网络的训练偏差变化图，在图4a中，第12 次迭代为拐点，在此之前，三条曲线误差不明显，在12次迭代之后， 误差值逐渐增大，当迭代到第24次时，性能达到最优，结束训练。
[0161]
图4b为本实施例提出的cg-bp神经网络模型的训练偏差变化图， 在图4b中，第6次迭代为拐点，在此之前，三条曲线误差不明显， 在6次迭代之后，误差值逐渐增大，当迭代到第14次时，性能达到 最优，完成分类功能，结束训练，大大缩短了迭代次数，具有高效性。
[0162]
图5a为训练后的传统bp神经网络的故障识别测试图；图5b为 本实施例提出的cg-bp神经网络模型的故障识别测试图；表2为传统 bp神经网络对各类型绝缘故障的故障识别率表，表3为本实施例提 出的cg-bp神经网络模型的故障识别率表，具体如下：
[0163]
表2：基于传统bp网络的gis故障类型识别率
[0164]
绝缘故障类型样本数识别样本识别率金属尖端503570％绝缘内部气隙503978％自由金属颗粒504590％悬浮电位放电504386％
[0165]
表3：基于本实施例提出的cg-bp网络的gis故障类型识别率
[0166]
绝缘故障类型样本数识别样本识别率金属尖端504590％绝缘内部气隙504284％自由金属颗粒504998％悬浮电位放电504692％
[0167]
由图5以及表2、表3可以得出，相比传统bp网络的gis设备 的故障类型诊断率81％，本实施例所提改进的cg-bp网络的gis设 备的故障类型识别率高达91％。且每种单独的绝缘故障类型识别率均 得到了提高，其中，金属尖端故障类型提升率最高，提高了18％，而 绝缘内部气隙故障类型识别率最高，可达到98％。这有效说明了本实 施例提出的基于特高频局放技术和cg-bp算法的gis故障类型识别方 法具备良好的识别能力。
[0168]
本实施例通过将cg共轭梯度算法与bp神经网络进行有效的结 合，利用各自算法的优势互补特性，提出一种改进的cg-bp算法， 避免随机生成权值和阈值造成的不收敛或局部优化问题，实现了缩短 传统bp神经网络的训练次数、提升了学习效率并加快了收敛进度。
[0169]
实施例二：
[0170]
本实施例提出一种基于uhf与cg-bp算法的gis绝缘故障类型识 别系统，包括：
[0171]
故障类型分类模块，用于对gis设备的绝缘故障类型进行分类；
[0172]
uhf传感器模块，用于获取gis设备的pd局放信号；uhf传感器 模块采用了内置uhf局放检测传感器和外置uhf局放检测传感器两种 检测传感器，外置uhf局放检测传感器主要通过检测透过环氧材料传 播出来的电磁波信号，来识别gis设备内部是否发生pd局放现象， 内置uhf局放检测传感器安装在gis设备内部，可直接通过检测设备 内部电磁波信号，来识别gis是否发生pd局放现象；通过内外两个 uhf局放检测传感器，大大提高了gis设备pd信号的采集精度和可 靠性；
[0173]
特征参数提取模块，用于根据uhf传感器模块采集到的gis设备 的pd局放信号提取特征参数；
[0174]
样本数据制作模块，用于制作若干带有绝缘故障缺陷的gis设备 样本，利用uhf局放检测传感器获取各gis设备样本的pd局放信号， 并利用特征参数提取模块获取对应gis设备样本的特征参数，对各 gis设备样本添加绝缘故障类型标签，得到若干由对应gis设备样本 的特征参数与绝缘故障类型标签组成的训练样本；
[0175]
cg-bp神经网络模型，包括cg共轭梯度算法模块和bp神经网络， 所述cg共轭梯度算法模块用于对bp神经网络的权值和阈值进行优 化；所述bp神经网络用于输入训练样本进行代训练，达到迭代结束 条件后，完成训练，输出为gis绝缘故障类型识别模型；利用所述 gis绝缘故障类型识别模型进行gis设备的故障类型识别。
[0176]
作为本实施例的优选实施方式，所述cg共轭梯度算法模块对bp 神经网络的权值和阈值进行优化的方法具体为：
[0177]
构建bp神经网络输出的结果目标函数为：
[0178][0179]
其中，xj表示输入层第j个节点的输入；yi表示隐含层第i个节 点的输入；w
ki
表示输出层第k个节点到隐含层第i个节点之间的权值； w
ij
表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐 含层第i个节点的阈值；αk表示输出层第k个节点的阈值；φ表示隐 含层的激励函数；
[0180]
设单个样本二次型误差期望为：
[0181][0182]
其中，tk为期望输出，l为神经网络的输出节点数；
[0183]
样本总误差为：
[0184][0185]
其中，p为样本的总数量；
[0186]
cg共轭梯度算法模块采用共轭梯度法对输出层权值w
ki
、隐含层 权值w
ij
、输出层阈值αk、隐含层阈值θi进行修正，得到各个参数的梯 度分别为：
[0187][0188][0189][0190][0191]
其中，η为梯度搜索的步长；
[0192]
根据计算出的各个参数的梯度进行梯度下降，迭代更新bp神经 网络的参数，直至满足预设的迭代终止条件。
[0193]
作为本实施例的优选实施方式，所述特征参数提取模块提取的特 征参数包括：
[0194]
pd局放信号的平均值绝对均值最大值x
max
、最小值x
min
， 峰峰值x
mm
，均方值峰值指标i
p
，脉冲指标cf，裕度ce，方根 幅值x
ars
，方差d
x
,偏斜度α,峭度β。
[0195]
作为本实施例的优选实施方式，所述故障类型分类模块具体将 gis设备的绝缘故障类型分类为金属尖端故障、绝缘内部气隙或沿面 放电故障、自由金属颗粒故障以及悬浮放电故障。
[0196]
实施例三：
[0197]
本实施例提出一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如本发明任一实施例所述的gis绝缘 故障类型识别方法。
[0198]
实施例四：
[0199]
本实施例提出一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时 实现如本发明任一实施例所述的gis绝缘故障类型识别方法。
[0200]
本技术实施例中，“至少一个”是指一个或者多个，“多个”是 指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可 以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在 a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/
”ꢀ
一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其 类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组 合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和 c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
[0201]
本领域普通技术人员可以意识到，本文中公开的实施例中描述的 各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合 来实现。这些功能究竟以硬件还是
软件方式来执行，取决于技术方案 的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来 使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申 请的范围。
[0202]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁， 上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实 施例中的对应过程，在此不再赘述。
[0203]
在本技术所提供的几个实施例中，任一功能如果以软件功能单元 的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机 可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者 说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产 品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括 若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或 者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。 而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory；以下简称：rom)、随机存取存储器(random access memory； 以下简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0204]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范 围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变 换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明 的专利保护范围内。