[發明專利]基于獨立循環神經網絡深度學習的GIS狀態分析方法

在審

• 申請號: 202210106381.6
• 申請日: 2022-01-28
• 公開（公告）號: CN114609513A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 鄧亞平;賈顥;同向前;張曉暉
• 申請（專利權）人: 西安理工大學
• 主分類號: G01R31/327
• 分類號: G01R31/327;G01D21/02;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 許志蛟

本發明公開了一種基于獨立循環神經網絡深度學習的GIS狀態分析方法，具體包括如下步驟：步驟1，收集樣本數據；步驟2，對每一個樣本數據進行歸一化預處理，并輸出項數據進行編號；步驟3，將經步驟2處理后的樣本數據分為訓練樣本集、驗證樣本集、測試樣本集；步驟4，搭建獨立循環神經網絡深度學習模型的整體結構；步驟5，對步驟4的模型使用步驟3的訓練樣本集進行訓練后獲得訓練后模型；步驟6，對步驟5的模型使用步驟3的驗證樣本集進行過擬合驗證，獲取最優模型；步驟7，輸出分析結果。本發明解決了現有GIS狀態分析結果易受主觀因素影響、可靠性低的問題。

技術領域

本發明屬于電力系統分析技術領域，涉及一種基于獨立循環神經網絡深度學習的GIS狀態分析方法。

背景技術

GIS設備在我國電網中已經得到了越來越廣泛的應用，然而GIS封閉性的特點使得GIS不易檢修，狀態估計困難。精準的GIS狀態估計是設備可靠運行的前提，具有重要的研究意義和現實意義。

現有的GIS狀態估計方法各有缺點：化學檢測法基于對六氟化硫氣體泄露的監測，但受GIS設備內部吸附劑的影響，檢測精度低；電氣檢測法，基于超聲、射頻、超高頻等信號檢測法，多是采用時頻分析方法，需要人工設置閾值，易受主觀因素影響、結果可靠性低。區別于上述時頻分析方法，基于數據特征的方法則不依賴于物理特征量，利用的是數據統計和數據挖掘的方法，去發現數據所表現的電力系統物理本質和運行規律，通過數據透視事物的本質和關系，為GIS狀態估計提供了新的研究視角。因此，需要結合深度學習的特點與優勢，對GIS狀態估計方法進行研究。

發明內容

本發明的目的是提供一種基于獨立循環神經網絡深度學習的GIS狀態分析方法，解決了現有GIS狀態分析結果易受主觀因素影響、可靠性低的問題。

本發明所采用的技術方案是，基于獨立循環神經網絡深度學習的GIS狀態分析方法，具體包括如下步驟：

步驟1，收集樣本數據；

步驟2，對步驟1中的每一個樣本數據進行歸一化預處理，并對輸出項數據進行編號；

步驟3，將經步驟2處理后的樣本數據采用隨機劃分方式，分為訓練樣本集、驗證樣本集、測試樣本集；

步驟4，搭建獨立循環神經網絡深度學習模型的整體結構；

步驟5，對步驟4的模型使用步驟3的訓練樣本集進行訓練后獲得訓練后模型；

步驟6，對步驟5的模型使用步驟3的驗證樣本集進行過擬合驗證，獲取最優模型；

步驟7，將采集到的實際GIS近紅外光譜曲線數據、氣壓信號數據、高頻信號數據，輸入到步驟6所獲得的最優模型中，輸出數據即為GIS設備的狀態分析結果。

本發明的特點還在于：

步驟1的樣本數據中包括輸入項數據和輸出項數據，且對輸出項數據進行編號。輸入項數據與輸出項數據之間必須是一一對應的關系；

輸入項數據包括：近紅外光譜曲線數據、氣壓信號數據、高頻信號數據；

輸出項數據包括：絕緣體內部自由移動的金屬顆粒和懸浮電位體、絕緣體、高壓導體上存在尖刺突出、絕緣體表明的固定顆粒、導體之間的連接點接觸不良、絕緣體內部表面的氣隙或裂縫。依次對輸出項數據進行編號為1～5，記為GIS的5種狀態。

步驟2的具體過程為：

對每一個樣本數據中的輸入項數據進行式(1)所示的歸一化處理，獲得預處理數據；

其中，x^*為歸一化后的數據輸出，x為原始數據，x_max為輸入的樣本數據中的最大值，x_min為輸入的樣本數據中的最小值。