论文部分内容阅读
GIS(Gas Insulated Switchgear)——气体绝缘开关组合电器,以其体型小巧、安装方便、外形美观、性能优良以及占地面积小等优点,使得GIS在电力系统中的应用愈加广泛。局部放电是GIS设备运行中的常见现象,表征GIS设备的运行情况、绝缘强度等重要信息,并且长时间的局部放电将导致击穿发生故障乃至事故。因此,对GIS局部放电实现正确有效的种类识别,于GIS设备监测和故障诊断具有重大意义。目前,在GIS局部放电缺陷识别常采用SVM算法以及BP神经网络算法,一定程度上能够实现有效判别,但是由于其训练机制上的限制,其识别能力有限,改进的空间并不大。近年来在模式识别领域出现的集成学习方法以及深度学习方法,从一定程度上克服了前述模式识别算法的不足,已经广泛地应用在各行各业的识别问题,并且效益良好。本文首先从现实安全及经济角度上剖析GIS局部放电模式识别的研究意义,以及GIS在线监测识别智能化的必要性。为了改进传统模式识别方法在GIS局部放电缺陷识别的应用现状,本文主要研究集成学习XGBoost和深度学习实现GIS局部放电模式识别,在此研究基础上提出了联合训练方法进一步实现GIS局部放电模式识别模型的高准确率和强鲁棒性,研究内容和成果包括有:(1)在集成学习XGBoost实现GIS局部放电模式识别算法研究方面,研究和分析基于特高频法的GIS局部放电特性:自由金属颗粒放电、沿面放电、内部放电以及电晕放电。包括此四种放电各自放电周期对称性、相位对称性、相位偏移性、图谱对称性以及放电幅值分布等,并据此进行此类统计特征的提取,包括放电均值、放电对偶率、放电宽度比、放电相偏度等共74个特征。研究分析决策树与集成学习XGBoost算法于GIS局部放电缺陷识别的准确率差异性,论证了具有92.25%识别准确率的XGBoost算法的高可用性。(2)在深度学习实现GIS局部放电模式识别算法研究方面,研究深度学习神经网络历史发展进程的不足及改进机制。针对网络层数的增加易降低网络的训练收敛速度以及识别准确率等缺陷深入研究SGD、AdaGrad、RMSProp和Adam优化算法。与此同时,引入提前终止、正则化以及Dropout等思想方法进行网络过拟合的控制。实现特征图的训练和构建,成为本文联合训练的重要组成部分。(3)经由深度学习训练得到具有表征意义的特征图,联合前述集成学习XGBoost实现联合训练模型,简称BUCM(Boosting Union CNNs Model),于GIS局部放电缺陷识别上能够获得更高的缺陷识别准确率和更低的误检率。与此同时,为了解决样本不平衡问题和模型可靠性,引入SMOTE算法和生成对抗网络实现少数类样本生成,深入优化BUCM模式识别精确率。