基于机器学习的GIS设备内部金属异物识别方法及检测系统研究.pdfVIP

摘要

气体绝缘金属封闭开关设备（GasInsulatedSwitchgear，GIS）安全稳定运行是保

证电力系统可靠供电的前提，由于GIS设备自身的结构特点使得其发生故障后，不能

直接判断故障类型且维修代价高，同时会造成电力系统巨额损失和消极的社会影响，

若能利用技术手段对GIS设备故障进行预测并及时采取措施，能很大程度上规避风

险。GIS设备在加工、安装、运行过程中均有可能使设备内部存在自由金属微粒，这

些金属微粒的存在增加了设备发生绝缘故障的概率，对设备安全可靠运行有较大的不

利影响，因此本文提出了基于机器学习的GIS设备内部金属异物识别模型对设备进行

状态监测，并设计了GIS设备内部异物缺陷检测系统，辅助工作人员对GIS设备进行

运维操作。

首先，通过搭建实验平台及数据采集系统对GIS设备内部存在不同材料、大小、

形状的金属异物产生的时域声波信号进行采集，对采集到的信号进行数据预处理操

作，剔除声波信号中由于干扰引起的噪音信号。对于去噪后的数据进行傅里叶变换与

特征提取，提取时域信号及频域数据共19种特征参量作为后续异物缺陷识别算法模型

的输入。

其次，构建了基于支持向量机（SupportVectorMachine，SVM）的异物缺陷识别

模型及基于BP（BackPropagation，BP）神经网络的异物缺陷识别模型，利用粒子群

算法（ParticleSwarmOptimization，PSO）及麻雀算法（Sparrowsearchalgorithm，

SSA）分别对BP神经网络和支持向量机模型中参数进行优化。对比SVM、BP神经网

络、PSO-BP、SSA-SVM四种异物识别模型的性能，SVM模型准确率为78.95%，BP

神经网络模型准确率为73.68%，PSO-BP模型准确率为82.46%。SSA-SVM模型准确

率为91.23%。结果表明，SSA-SVM模型对GIS设备内部金属异物颗粒识别优势明

显。

最后，为了验证上述算法的实际性能，设计了GIS设备内部异物缺陷检测系统。

将本文提出的基于机器学习的GIS设备内部异物缺陷识别算法模型嵌入到系统中，针

对GIS试验罐体内部有无异物两种状态，利用系统采集声波信号并进行分析整合，调

用Matlab中训练好的异物识别模型对GIS罐体进行状态检测并进行结果验证，证明了

基于机器学习的GIS设备内部金属异物缺陷识别模型具有实际可行性。

关键词：气体绝缘金属封闭开关；金属微粒；局部放电；故障诊断；GIS设备

论文类型：应用研究

ABSTRACT

GasInsulatedSwitchgear(GIS)ensuresreliablepowersupplytothegridthroughsafeand

robustoperation.ThestructuralcharacteristicsofGISequipmentitselfmakeitimpossibleto

directlydeterminethetypeoffaultafterafailure,andthehighcostofmaintenancecancause

hugelossesandnegativesocialimpactonthegrid.Theriskcanbelargelyavoidedifthe

technicalmeanscanbeusedtopredictthefailureofGISequipmentandtaketimelyaction.

GISequipmentinthemanufacturing,installationandoperationprocessislikelytomakethe

equipmentinsidetheexistenceoffreemetalparticles,theexistenceofthesemetalparticles

increasesthepossibilityofinsulationfailureofequipment,a