混合神经网络算法在gis局部放电模式识别中的应用研究 application of ga-bp neural network on gis partial discharge pattern recognition.pdfVIP

第3期(总第180期) 山西电力 No．3(Ser．180) 2013年06月 SHANXIEI正CTRICPOWER Jun．2013 混合神经网络算法在GIS局部 放电模式识别中的应用研究 梁基重1，杨亚奇2，张平1 (1．山西电力科学研究院，山西太原030001；2．东北电力大学，吉林吉林132012) 摘要：为了提高基于超声法GIs局部放电模式识别的正确率，在实验室中对GIs典型缺陷局部 放电的超声波进行了重复性测量，从43个能够表征缺陷特征的参数中提取了34个稳定的特征参 数，然后采用后向序贯算法筛选出了24个有效特征参数作为神经网络输入参数。针对神经网络 的局限性。提出了改进的GA—BP混合神经网络算法。训练结果表明，GA—BP神经网络的应用 有效地提高了识别的准确率。 关键词：超声波法；混合神经网络算法；局部放电；模式识别；特征参数提取 中图分类号：TM7 文献标识码：A 文章编号：1671—0320(2013)03—0011—04 0引言 行了稳定性筛选及算法优化，进而提出了基于遗传 Back (GA)算法和BP(EHor 局部放电是气体绝缘变电站(GIS)绝缘劣化 络相结合的(GA—BP)混合神经网络识别算法，并 的前兆，也是GIS绝缘劣化的主要原因【1】。GIS中 对GIS中典型缺陷进行了模式识别的验证。 不同类型的缺陷，其局部放电信号差异很大，对 1 GIs的损害程度也不尽相同。自20世纪80年代，超声波法局放测量系统 超声波法开始应用于局部放电(局放)的测量，由 图l为超声法局放测量系统主要结构示意图。 于其灵敏度高，易于实现带电检测、缺陷定位等优 图1中，T。为自耦调压器，T2为隔离变压器，T， 41。 点，已被广泛用于GIS局部放电的测量B 为无局放高压试验变压器，z为保护阻抗，C。为耦 基于超声波法进行缺陷模式识别一直是超声波 合电容，cm为模拟GIS缺陷试品等效电容，zm为 法检测GIS局部放电的研究热点，在先进的传感器 检测阻抗，测量采用超声局放探测仪。 以及先进后端处理器、数学分析工具支持下，缺陷 模式识别工作已取得了一定的进展，但其总体识别 效果仍不尽如人意。 本文在获取GIS典型缺陷局部放电超声信号的 基础上，提取了相应的特征参数，并对特征参数进 图1超声波法局放检测系统 收稿日期：2013一01—16，修回日期：2013-03—29 超声测量系统最关键的部分是获取超声信号的 作者简介：梁基重(1985一)，男，山西平遥人，2010年毕业于西安交 通大学高电压与绝缘专业，助理工程师，从事GIs、变压 传感器，局部放电测量要求超声传感器灵敏度高、 器高压试验工作； 抗电磁干扰能力强。本文使用的传感器增益为40 杨亚奇(199l一)，女，山西太原人，2010级东北电力大学