《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 基于SGMD-LSTM的GIS局部放電故障診斷方法
基于SGMD-LSTM的GIS局部放電故障診斷方法
電子技術(shù)應(yīng)用
張運(yùn),張超,張士勇,馬鵬墀,楊光,丁浩
國網(wǎng)江蘇省電力有限公司 鹽城供電分公司
摘要: 為準(zhǔn)確對(duì)氣體絕緣開關(guān)設(shè)備(GIS)局部放電進(jìn)行故障診斷,提出一種基于辛幾何模態(tài)分解(SGMD)與改進(jìn)長短神經(jīng)網(wǎng)絡(luò)(LSTM)的故障診斷方法。引入SGMD對(duì)局部放電信號(hào)進(jìn)行分解;對(duì)信號(hào)進(jìn)行多維特征提取,構(gòu)造時(shí)-頻-熵值混合特征向量;通過魚鷹-柯西變異的麻雀優(yōu)化算法(Osprey-Cauchy-Sparrow Search Algorithm, OCSSA)對(duì)LSTM的隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)率進(jìn)行自適應(yīng)尋優(yōu);最后使用OCSSA-LSTM進(jìn)行局部放電識(shí)別。實(shí)驗(yàn)結(jié)果表明,OCSSA在收斂精度、速度上有較大提升,表現(xiàn)優(yōu)異;與其他故障診斷模型對(duì)比,OCSSA-LSTM故障診斷模型準(zhǔn)確率最高可達(dá)97.5%,對(duì)實(shí)際GIS運(yùn)維數(shù)據(jù)也能準(zhǔn)確識(shí)別。
關(guān)鍵詞: GIS SGMD OCSSA LSTM 局部放電
中圖分類號(hào):TM855 文獻(xiàn)標(biāo)志碼:A DOI: 10.16157/j.issn.0258-7998.245691
中文引用格式: 張運(yùn),張超,張士勇,等. 基于SGMD-LSTM的GIS局部放電故障診斷方法[J]. 電子技術(shù)應(yīng)用,2025,51(2):58-63.
英文引用格式: Zhang Yun,Zhang Chao,Zhang Shiyong,et al. GIS partial discharge fault diagnosis method based on SGMD-LSTM[J]. Application of Electronic Technique,2025,51(2):58-63.
GIS partial discharge fault diagnosis method based on SGMD-LSTM
Zhang Yun,Zhang Chao,Zhang Shiyong,Ma Pengchi,Yang Guang,Ding Hao
Yancheng Power Supply Branch, State Grid Jiangsu Electric Power Co., Ltd.
Abstract: To accurately diagnose partial discharge faults in Gas Insulated Switchgear (GIS), a fault diagnosis method based on Symplectic Geometric Mode Decomposition (SGMD) and improved Long Short Term Memory (LSTM) is proposed. SGMD is introduced to decompose partial discharge signals. Multidimensional features are extracted from signals and a mixed time-frequency-entropy feature vector is constructed. The Osprey-Cauchy-Sparrow Search Algorithm (OCSSA) is used to adaptively optimize the number of hidden layer nodes and learning rate of LSTM. Finally, OCSSA-LSTM is used for partial discharge identification. The experimental results show that OCSSA has significant improvements in convergence accuracy and speed, and performs excellently. Compared with other fault diagnosis models, the accuracy of the OCSSA-LSTM fault diagnosis model can reach up to 97.5%, and it can also accurately identify actual GIS operation and maintenance data.
Key words : GIS;SGMD;OCSSA;LSTM;partial discharge;fault diagnosis

引言

氣體絕緣開關(guān)設(shè)備(Gas Insulated Switchgear, GIS)由于其可靠性高、占地面積小等優(yōu)勢(shì),在變電站中廣泛使用[1-2]。GIS設(shè)備的絕緣性故障導(dǎo)致嚴(yán)重的電場(chǎng)畸變,局部放電嚴(yán)重危害著電網(wǎng)的運(yùn)行,實(shí)現(xiàn)準(zhǔn)確快速的故障診斷至關(guān)重要。

局部放電會(huì)產(chǎn)生電脈沖、超聲波等物理現(xiàn)象,物理信號(hào)中包含著豐富的時(shí)域故障信息且含大量噪聲,亟需一種抗噪性能好的方法對(duì)故障信號(hào)進(jìn)行處理。常見方法有小波去噪和傅里葉變換等[3],小波去噪依賴于專家經(jīng)驗(yàn),后者不適用于非線性信號(hào);經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)及其改進(jìn)方法則存在模態(tài)混疊、計(jì)算效率低以及虛假分量含噪較多等問題[4];變分模態(tài)分解(Variational Mode Decomposition, VMD)關(guān)鍵參數(shù)的設(shè)定可以使用算法進(jìn)行自適應(yīng)尋優(yōu)[5],但其適應(yīng)度函數(shù)的選擇物理意義不明顯,難以選擇合適的目標(biāo)函數(shù)。潘海洋[6]在辛幾何的基礎(chǔ)上提出了辛幾何模態(tài)分解(Symplectic Geometry Mode Decomposition, SGMD),可以將時(shí)間序列分解成若干具有獨(dú)立模態(tài)的辛幾何模態(tài)分量,并且無需主管自定義參數(shù),能有效地重構(gòu)模態(tài)和消除噪聲。鄭直等[7]使用SGMD對(duì)實(shí)測(cè)液壓泵多模態(tài)故障振動(dòng)信號(hào)進(jìn)行分解重構(gòu),實(shí)現(xiàn)對(duì)液壓泵不同故障的診斷;王維軍等[8]使用SGMD二次分解碳排放時(shí)間序列的預(yù)處理,能進(jìn)一步提高預(yù)測(cè)精度,表現(xiàn)良好。本文將抗噪性能良好的SGMD引入局部放電故障診斷領(lǐng)域,對(duì)故障信號(hào)進(jìn)行分解和處理。

在模式識(shí)別方面,常見的機(jī)器學(xué)習(xí)方法有支持向量機(jī)(Support Vector Machine, SVM)[9]、隨機(jī)森林(Random Forest, RF)[10]等。SVM對(duì)小樣本數(shù)據(jù)集的分類表現(xiàn)良好,但對(duì)核函數(shù)的選擇沒有通用標(biāo)準(zhǔn);RF則對(duì)噪聲數(shù)據(jù)敏感;深度學(xué)習(xí)及其組合變式對(duì)數(shù)據(jù)量的需求極大且運(yùn)算環(huán)境嚴(yán)苛。長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory, LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的一種,多用于時(shí)序數(shù)據(jù)預(yù)測(cè),能較好應(yīng)對(duì)故障產(chǎn)生的累積效應(yīng),能多方位考慮局部放電故障對(duì)預(yù)測(cè)結(jié)果的影響,數(shù)據(jù)需求不大、預(yù)測(cè)分類性能優(yōu)良,但一些研究[11-12]的LSTM關(guān)鍵參數(shù)人為設(shè)定、識(shí)別效果較差。本文利用魚鷹-柯西變異的麻雀優(yōu)化算法(Osprey-Cauchy-Sparrow Search Algorithm, OCSSA),對(duì)LSTM中的隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)率進(jìn)行優(yōu)化,進(jìn)而實(shí)現(xiàn)故障分類。

本文提出一種基于SGMD與OCSSA-LSTM的GIS局部放電故障診斷方法,創(chuàng)新點(diǎn)如下:

(1)將辛幾何模態(tài)分解首次引入局部放電的故障診斷,進(jìn)行多維混合域的特征提取;

(2)使用混沌理論、魚鷹優(yōu)化、柯西異變?nèi)N策略改進(jìn)麻雀優(yōu)化算法,使其收斂速度、精確性大大提升,實(shí)現(xiàn)LSTM關(guān)鍵參數(shù)的尋優(yōu);

(3)結(jié)合110 kV變電站GIS實(shí)際運(yùn)維數(shù)據(jù),驗(yàn)證本文模型的有效性。


本文詳細(xì)內(nèi)容請(qǐng)下載:

http://m.viuna.cn/resource/share/2000006326


作者信息:

張運(yùn),張超,張士勇,馬鵬墀,楊光,丁浩

(國網(wǎng)江蘇省電力有限公司 鹽城供電分公司,江蘇 鹽城 224000)


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。
主站蜘蛛池模板: 麻豆一区区三三四区产品麻豆 | 狠狠干狠狠操 | 日日操日日摸 | 深夜福利视频网 | yellow在线免费视频 | 99热在线国产| 午夜毛片视频高清不卡免费 | 97成人在线视频 | 国产免费a视频 | 看一级毛片免费观看视频 | 日本欧美在线观看 | 免费看片亚洲 | 波多野结衣一区二区三区 | 欧美成人私人视频88在线观看 | 国产亚洲精品午夜高清影院 | 欧美成亚洲 | 国产精品高清一区二区 | 性欧美极品xxxx欧美一区二区 | 久久艹人人艹 | 成人福利小视频 | h在线视频 | 国产亚洲精品综合在线网址 | 成人羞羞视频播放网站 | 欧美成人性视频在线黑白配 | 在线亚洲免费 | 日本综合欧美一区二区三区 | 亚洲伦理 | 午夜小视频在线播放 | 夜色私人影院永久地址入口 | 老司机精品久久最新免费 | 欧美日韩在线成人免费 | 在线观看日本亚洲一区 | 久久熟 | 免费国产成人18在线观看 | 无收费看污网站 | 亚洲欧美日韩国产vr在线观 | 日韩h片 | 久久黄色小视频 | 国产高清一级毛片在线人 | 欧美精品久久一区二区三区 | 欧美人成一本免费观看视频 |