论文部分内容阅读
随着电力设备局部放电(Partial Discharge,PD)检测技术的成熟,SF6气体绝缘组合电器(Gas Insulated Switchgears,GIS)的局部放电检测当前获得了大量的变电站现场应用,发现了一些GIS设备的潜在缺陷,推动了运行条件下GIS设备状态检修的发展。但大量的现场应用也暴露了一些问题,如运行条件下GIS局部放电数据的诊断识别效果较差,海量增长的局部放电检测数据带来了多源异构数据的处理难题和历史检测数据的挖掘问题,最后由于局部放电的影响因素众多,传统方法难以完成对局部放电严重程度的有效评估。在此背景下,深度学习的相关理论和方法为GIS局部放电风险评估提供了全新的思路和解决方法。论文通过局部放电的实验室模拟实验和变电站现场检测两种方式,利用多种检测仪器建立了复杂背景下的多源局部放电数据样本库。针对多源异构的局部放电数据归一化问题,提出了针对结构化局部放电数据的归一化方法和非结构化局部放电数据的信息恢复方法;针对数据质量问题提出了基于二维经验模态分解(Empirical Mode Decomposition,EMD)的不良数据检出方法,最终建立了包含10万余条的标准化局部放电数据库。然后,通过对深度学习相关理论、方法及复杂多源GIS局部放电样本库的分析,建立了涉及模式识别、援例推理、风险评估的局部放电数据处理架构并设计了相关算法,实现了运行条件下GIS局部放电数据的诊断识别和风险评估。针对复杂数据源下局部放电的模式识别问题,论文提出了一种基于深度卷积网络(Convolutional Neural Networks,CNN)的局部放电模式识别方法。该方法以CNN为基础模型,利用深度自编码网络和复杂多源样本数据对构建的CNN模型进行无监督预训练,获取卷积层初始参数。通过卷积、池化及反向传播操作,达到识别参数最优化。通过对多源局部放电大数据特征映射提取,完成复杂场景海量局部放电数据的模式识别。与传统的基于统计特征值的支持向量机、反向传播神经网络(back propagation neural network,BPNN)和随机森林方法相比,本文所提的方法在处理复杂数据源局部放电数据样本任务中识别正确率提高10%以上,与深度信念网络相比,识别正确率提高值在4%以上,且识别正确率提高值随样本数据的增加而增大,更适合于大数据平台的工程应用需求。随着局部放电检测案例的累积,将疑似局部放电数据与历史案例中的数据进行匹配获取相似案例,是大数据背景下对局部放电数据进行深度挖掘的一种思路。本文提出了GIS局部放电援例推理的架构,针对援例推理中的关键步骤,案例库建立和匹配算法的设计,分别提出了基于本体(Ontology)理论的局部放电案例知识库建立方法和基于变分贝叶斯自编码器(Auto-Encoding Variational Bayes,AEVB)的局部放电数据匹配方法。基于Ontology的局部放电案例知识库融合了本体理论的知识表示技术对局部放电数据进行描述,论文分别构建了局部放电本体模型库、GIS局部放电基本信息库和GIS局部放电案例库,通过局部放电本体模型描述局部放电数据及相关外部信息的关联性,将局部放电案例库和GIS局部放电基本信息库有机的关联起来,同时作为语义型信息的载体,有效提高了数据的可解释性。基于AEVB的局部放电数据匹配方法中,首先构建了适用于局部放电数据的AEVB网络模型,利用AEVB提取局部放电数据特征值,然后基于余弦距离计算不同局部放电数据之间的匹配度。为验证本文所提数据匹配方法的有效性,对本文方法和其他特征提取与匹配方法进行了对比分析,包括统计特征值、深度信念网络、深度卷积网络、主成分分析、线性判别分析的特征提取方法和欧氏距离、最佳熵的匹配度计算方法。实验结果表明,基于AEVB和余弦算法的数据匹配方法相比其他数据匹配方法可以更有效的检出案例库中相似局部放电案例,为局部放电风险评估提供信息支撑。针对GIS局部放电风险评估问题,本文分析了GIS风险评估的流程,针对运行条件下基于局部放电的GIS故障概率计算问题,提出了一种结合长短时记忆网络(long short-term memory network,LSTM)和Bagging集成学习的GIS局部放电故障概率计算方法。首先对大量的变电站现场检测数据确定了数据标签,建立了数据集,其次,针对数据样本不均衡,利用Bagging集成学习方法将N个LSTM深度网络构建成适用于局部放电严重程度评估的集成学习模型。通过对由局部放电数据特征值、局部放电技术影响因素、设备运行信息等组成的特征向量进行分析,模型最终可以输出局部放电严重程度评估结果。通过与普通LSTM网络、反向传播神经网络以及Bagging-BPNN方法的对比以及变电站现场检测案例分析,结果表明本文所提方法对运行条件下GIS局部放电风险评估的结果更符合实际状态,与普通LSTM、BPNN和Bagging-BPNN相比评估结果的精确度可以提高10倍,且易于在计算机上实施部署。