基于粒子群优化深度置信网络的气体绝缘金属封闭开关设备局部放电模式识别

气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)局部放电模式识别是其绝缘缺陷诊断和状态评估的重要部分,为实现放电类型的准确识别,提出了一种基于粒子群优化(particle swarm optimization,PSO)深度置信网络(deep belief network,DBN)的局部放电模式识别方法。该方法通过PSO算法对DBN网络的权值参数进行优化,提高网络对局部放电特征的学习能力。首先,选取现场多平台的4种GIS局部放电类型监测数据组成样本集,用于对所提方法进行分析;其次,用改进的PSO算法结合样本数据确定DBN网络的初始最优权值参数,建立初始DBN网络;然后,利用训练样本对初始DBN网络进行训练,得到局部放电识别模型。最后,基于渤海油田岸电海上动力平台GIS的局部放电数据,采用多种不同局部放电识别模型对数据样本进行算例分析,结果表明:所提的PSO-DBN模型可有效识别GIS设备局部放电类型,相较于传统的DBN网络、多层前馈神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)和卷积神经网络(convolutional neural networks,CNN)具有更高的准确识别率。

GIS局放智能检测方法研究

随着电力行业的飞速发展,GIS设备广泛应用于变电站中,对电网稳定运行有着重要作用,其运行时可能发生的局放故障,会对设备甚至电网造成许多不利影响,因此对GIS的局放检测是具有重要意义的。为研究GIS局放快速检测并定位准确的检测方法,本文通过对比脉冲电流、超高频、超声波检测方法对不同典型局放类型的灵敏度关系以及三者对局放类型的适用范围,结合超高频灵敏度较高、超声波抗电磁干扰能力强两者的优点,提出采用声电联合的检测方式,并对该检测方法进行应用检测分析,将检测结果与局放类型图谱对比,得出局放类型,并确定其发生的位置。采用声电联合检测方法进行局放的快速检测、定位与识别,最终实现GIS局放的智能检测,既保证了局放检测的快速、可靠,又为设备安全运行提供了有力的保障。