[發(fā)明專利]六氟化硫氣體絕緣組合電器運(yùn)行狀態(tài)診斷方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811197527.2
• 申請日: 2018-10-15
• 公開（公告）號: CN109407508A
• 公開（公告）日: 2019-03-01
• 發(fā)明（設(shè)計(jì)）人: 張施令;姚強(qiáng);苗玉龍;邱妮;侯雨杉
• 申請（專利權(quán)）人: 國網(wǎng)重慶市電力公司電力科學(xué)研究院;國家電網(wǎng)有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 羅滿

本申請公開了一種六氟化硫氣體絕緣組合電器運(yùn)行狀態(tài)診斷方法、系統(tǒng)、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括：利用初始狀態(tài)分類模型對氣體樣本進(jìn)行分析，得到初始狀態(tài)結(jié)果；利用運(yùn)行狀態(tài)診斷模型對初始狀態(tài)結(jié)果進(jìn)一步尋優(yōu)，得到診斷結(jié)果；其中，初始狀態(tài)分類模型為預(yù)先利用ISODATA算法和歷史氣體樣本進(jìn)行訓(xùn)練得到的，運(yùn)行狀態(tài)診斷模型為預(yù)先利用混沌蟻群算法和歷史初始狀態(tài)結(jié)果進(jìn)行訓(xùn)練得到的；本申請利用初始狀態(tài)分類模型對待檢測的氣體樣本進(jìn)行分析，得到初始狀態(tài)結(jié)果，再利用運(yùn)行狀態(tài)診斷模型對初始狀態(tài)結(jié)果進(jìn)一步尋優(yōu)，得到最終更為精準(zhǔn)的診斷結(jié)果，提高了對氣體樣本的分析準(zhǔn)確度，能夠得到更為精準(zhǔn)的六氟化硫氣體絕緣組合電器的運(yùn)行狀態(tài)分析結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及檢測技術(shù)領(lǐng)域，特別涉及一種六氟化硫氣體絕緣組合電器運(yùn)行狀態(tài)診斷方法、系統(tǒng)、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

六氟化硫氣體絕緣組合電器由于其占地面積小、結(jié)構(gòu)緊湊和絕緣性能優(yōu)良等特點(diǎn)廣泛應(yīng)用于各個(gè)電壓等級變電站中，長期運(yùn)行經(jīng)驗(yàn)表明變電站各類運(yùn)行事故中GIS(GASinsulated SWITCHGEAR，氣體絕緣金屬封閉開關(guān)設(shè)備)故障占較大比重，且相關(guān)文獻(xiàn)表明GIS故障類型可概括為典型故障類型，包括自由金屬顆粒缺陷、金屬尖端、固體絕緣件裂紋或氣泡缺陷等。在不同絕緣缺陷下，GIS組合電器設(shè)備引起的聲、光、熱信號存在一定的差別，通過采集到的聲、光、熱信號可對故障類型與其發(fā)展程度進(jìn)行識(shí)別。

目前對于故障類型識(shí)別提出較多的智能優(yōu)化方法，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等較為新穎算法，但其精準(zhǔn)度均有限。

因此，如何有效的檢測六氟化硫絕緣設(shè)備的運(yùn)行狀態(tài)，從而便于后續(xù)早期潛伏故障分析是本領(lǐng)域技術(shù)人員需要解決的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種六氟化硫氣體絕緣組合電器運(yùn)行狀態(tài)診斷方法、系統(tǒng)、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，能夠得到更為精準(zhǔn)的六氟化硫氣體絕緣組合電器的運(yùn)行狀態(tài)分析結(jié)果。其具體方案如下：

一種六氟化硫氣體絕緣組合電器運(yùn)行狀態(tài)診斷方法，包括：

利用初始狀態(tài)分類模型對氣體樣本進(jìn)行分析，得到初始狀態(tài)結(jié)果；

利用運(yùn)行狀態(tài)診斷模型對所述初始狀態(tài)結(jié)果進(jìn)一步尋優(yōu)，得到診斷結(jié)果；

其中，所述初始狀態(tài)分類模型為預(yù)先利用ISODATA算法和歷史氣體樣本進(jìn)行訓(xùn)練得到的，所述運(yùn)行狀態(tài)診斷模型為預(yù)先利用混沌蟻群算法和歷史初始狀態(tài)結(jié)果進(jìn)行訓(xùn)練得到的。

可選的，所述初始狀態(tài)分類模型的訓(xùn)練過程，包括：

從歷史氣體樣本中選取N_C個(gè)聚類中心，得到N_C個(gè)聚類，N_C小于等于歷史氣體樣本的數(shù)量；

將N個(gè)歷史氣體樣本按最鄰近原則分配到N_C個(gè)聚類中；

判斷每個(gè)聚類中的歷史樣本數(shù)量是否小于預(yù)設(shè)的樣本閾值；

如果是，則刪除歷史樣本數(shù)量小于所述樣本閾值的不合格聚類，并重新將屬于所述不合格聚類中的歷史樣本按最鄰近原則分配到其余聚類中；

利用聚類中心數(shù)目重復(fù)對聚類進(jìn)行分裂或合并的迭代，直至達(dá)到預(yù)設(shè)的第一迭代閾值。

可選的，所述運(yùn)行狀態(tài)診斷模型的訓(xùn)練過程，包括：

利用歷史初始狀態(tài)結(jié)果中的歷史樣本到聚類中心的信息素和啟發(fā)信息數(shù)值，得到選擇路徑概率；

利用選擇路徑概率和預(yù)設(shè)的概率閾值，將歷史樣本歸類至相應(yīng)的聚類中；

直至所有聚類的總偏量誤差滿足預(yù)設(shè)的統(tǒng)計(jì)誤差。

可選的，所述利用初始狀態(tài)分類模型對氣體樣本進(jìn)行分析之前，還包括：