一种在线GIS局部放电检测方法和装置与流程

技术特征：
1.一种在线gis局部放电检测方法，其特征在于，具体包括：通过超高频测试模块对运行中的gis周边环境进行测量，获取其背景信号，得到超高频采集信号；通过超声测试模块对对运行中的gis周边环境进行测量，获取其背景信号，得到超声采集信号；将采集到的超高频采集信号和超声采集信号输入到局放分析模块，将采集到的超高频采集信号进行特征信号提取，获得波形特征信号和幅值特征信号；所述波形特征信号基于超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间获得，所述波形特征信号的计算公式为：其中t1、t2、t3分别为超高频采集信号的上升时间、超高频采集信号的下降沿时间、超高频采集信号的主峰时间，k1、k2、k3、k4为常数，取值范围为0到1；所述幅值特征信号基于超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值构建得到，所述幅值特征信号的计算公式为：其中k5、k6、k7、k8、k9为常数，取值范围在0到1之间，j1、j2、s分别为超高频采集信号的幅值的均值、幅值的标准差、幅值的熵值；局放分析模块将超声采集信号、波形特征信号构建为初步输入集，并将初步输入集输入已训练完成的基于pso-svm的组合型预测模型，通过预测模型输出故障级别；当故障级别为严重状态或者紧急状态时，将故障级别、超声采集信号、幅值特征信号、波形特征信号作为输入集，输入基于svm算法的分类模型，得到局放故障类型，并根据故障级别和局放故障类型输出故障处理策略。2.如权利要求1所述的在线gis局部放电检测方法，其特征在于，所述pso-svm算法的训练的具体步骤为：s1将波形特征信号、幅值特征信号、超声采集信号作为输入数据，并将其划分为训练集和测试集，具有与上述信号所对应的故障级别的局放故障或者正常数据作为输出数据； s2 建立svm模型，确定需要寻优的参数，神经元数量l1，学习率ε和训练迭代次数k，并确定各自寻优的范围； s3 初始化pso参数，包括粒子的初始速度和位置，学习权重，训练次数和规模； s4确定粒子的适应度函数，将预测模型的改进型误差函数作为粒子的适应度函数，寻找最优模型参数； s5 比较粒子的适应度值，得到个体最优位置和全局最优位置，更新最优的适应度值；s6 判断是否达到最大迭代次数，如果达到最大迭代次数，将得到的最优参数传到svm模型，并进行训练和预测，若未达到要求，则返回步骤s5。3.如权利要求1所述的在线gis局部放电检测方法，其特征在于，所述故障级别包括：轻微状态，严重状态，紧急状态；轻微状态时，故障处于轻微状态，需加强观测；严重状态时，故
障比较严重，但尚未影响gis正常运行，需要定期对其进行复测；紧急状态时，故障十分严重，需要立刻联系停机。4.如权利要求2所述的在线gis局部放电检测方法，其特征在于，所述改进型误差函数具体公式为：其中，为第t个神经网络的输出值，为所有n个神经元的输出平均值，为神经元的期望输出值，k
10
为常数。5.如权利要求1所述的在线gis局部放电检测方法，其特征在于，所述局放故障类型具体包括内部杂质、表面毛刺、接触不良、悬浮电位和固体绝缘表面脏污。6.一种在线gis局部放电检测装置，采用权利要求1-5任意一项所述的在线gis局部放电检测方法，其特征在于，具体包括：超声测试模块、超高频测试模块、局放分析模块三个模块；超声测试模块，用于运行中的gis进行测量，得到超高频采集信号；超声测试模块，用于对运行中的gis进行测量，得到超声采集信号；局放分析模块，用于将分析得到的超高频采集信号和超声采集信号进行分析，输出相应的带有故障级别的局放故障类型。

技术总结
本发明公开了一种在线GIS局部放电检测方法和装置，属于带电检测技术领域，通过超高频测试模块得到超高频采集信号；通过超声测试模块得到超声采集信号；对采集到的超高频采集信号进行特征信号提取得到所述波形特征信号和所述幅值特征信号；局放分析模块将分析得到的超声采集信号、波形特征信号送入到已训练完成的基于PSO-SVM的组合型预测模型中，输出相应的故障级别；当故障级别为严重状态或者紧急状态时，将故障级别、超声采集信号、幅值特征信号、波形特征信号送入到基于SVM算法的分类模型之中，得到相应的局放故障类型，并根据故障级别和局放故障类型输出相应的故障处理策略，从而大大提高了GIS检测的准确性。从而大大提高了GIS检测的准确性。从而大大提高了GIS检测的准确性。


技术研发人员：梁小姣 孙永健 聂建峰 苗全堂 刘剑宁 赵军 李文杰 张秋瑞 耿志慧 伦晓娟 张小奇 李德旺
受保护的技术使用者：国网山东省电力公司东营供电公司
技术研发日：2022.11.28
技术公布日：2022/12/30