[发明专利]基于改进型RBF神经网络GIS绝缘缺陷分类识别检测方法

说明书

本发明提供基于改进型RBF神经网络GIS绝缘缺陷分类识别检测方法，属于GIS设备状态分析技术领域。包括：收集样本数据形成样本数据集作为RBF神经网络的输入层数据；根据所述样本数据集，基于人工免疫网络算法计算出所述RBF神经网络的隐含层中心；定义输出层、以及隐含层与所述输出层的映射关系，形成初始故障诊断模型；基于粒子群优化算法优化所述初始故障诊断模型中所述隐含层到所述输出层之间的连接权重，得到基于RBF神经网络的GIS内部绝缘故障诊断模型；验证所述GIS内部绝缘故障诊断模型，基于所述GIS内部绝缘故障诊断模型进行GIS绝缘缺陷分类识别检测，得出GIS潜在绝缘故障类型的组合数据。

技术领域

本发明涉及GIS设备状态分析技术领域，尤其涉及一种基于改进型RBF神经网络GIS绝缘缺陷分类识别检测方法。

背景技术

气体绝缘组合电器(Gas Insulated Switchgear,GIS)是一种封闭的新型绝缘电气装置，具有运行稳定性高的特点，故障率远低于传统的电气设备，因此在应用初期通常认为GIS不需要检修或者检修周期可以被大大加长。但是随着设备装机容量的升高及运行时间的增长，GIS设备不可避免的会出现各种异常及故障现象，引发绝缘故障的原因主要为微粒与异物，也包括盆式绝缘子缺陷、开关配合和载流接触等组合因素。内部的绝缘缺陷在长期运行的情况下会表现为内部或沿表面的闪络放电等现象，可能会引起局部放电，而长期局部放电会使绝缘性能进一步劣化，最终导致绝缘击穿。

GIS设备的密封性较好，GIS设备内部的异常情况很难直接发现，单次维修会带来停电检修时间长、维修费用高的负担。变电站现场针对GIS设备的运维仍采取传统的计划停电检修策略，此方法可能存在欠修或过修现象，不利于实现设备的最大运行效益。

发明内容

有鉴于此，本发明提供一种基于改进型RBF神经网络GIS绝缘缺陷分类识别检测方法，用于监测GIS设备的工作状态，判断GIS设备的绝缘故障原因，降低计划检修的经济负担。

本发明实施例解决其技术问题所采用的技术方案是：

一种基于改进型RBF神经网络GIS绝缘缺陷分类识别检测方法，包括：

步骤S1，收集样本数据形成样本数据集，所述样本数据集作为RBF神经网络的输入层数据；

步骤S2，根据所述样本数据集，基于人工免疫网络算法计算出所述RBF神经网络的隐含层中心；

步骤S3，定义输出层、以及隐含层与所述输出层的映射关系，形成初始故障诊断模型，所述输出层为GIS潜在绝缘故障类型；

步骤S4，基于粒子群优化算法优化所述初始故障诊断模型中所述隐含层到所述输出层之间的连接权重，得到基于RBF神经网络的GIS内部绝缘故障诊断模型；

步骤S5，验证所述GIS内部绝缘故障诊断模型，基于所述GIS内部绝缘故障诊断模型进行GIS绝缘缺陷分类识别检测，得出GIS潜在绝缘故障类型的组合数据。

较优地，所述步骤S1包括：

步骤S11，对已知绝缘故障的GIS设备施加气压、输入电压，在GIS设备腔体内部采集局部放电信号记录成波形图；

步骤S12，提取所述波形图的局部放电脉冲的频率f_p和衰减度系数，再利用所述波形图的检波信号统计出同一个工频内的放电重复率、放电相位和放电量α；