【技術實現步驟摘要】
本專利技術屬于電力系統故障診斷，尤其涉及變壓器套管局部放電模式識別方法及系統。
技術介紹
1、變壓器套管是電力系統中至關重要的絕緣組件，其運行可靠性直接關系到電網的安全穩定。若套管發生故障，可能引發嚴重的連鎖反應和巨大經濟損失。傳統的檢測方法主要依賴于介損和電容量測試，這些方法通常需要變壓器停運進行，不僅操作復雜且無法有效檢測潛在的局部放電故障。
2、此外，現有的在線監測技術如相對電容量、介損測試和末屏電壓監測等，盡管在一定程度上可以實現對套管故障的監控，但在及時、準確識別所有類型的局部放電故障方面仍存在顯著不足。尤其是對于結構復雜的變壓器套管，其故障模式多樣且隱蔽性強，使得建立完整的故障診斷模型具有極大的挑戰性。
3、鑒于此，提出一種高效、準確的變壓器套管局部放電模式識別方法成為迫在眉睫的需求。
4、現有技術中在建立變壓器套管局部放電模式識別模型時，模型參數的確定還存在以下技術問題：
5、1.數據維度高，冗余大：
6、局部放電信號往往包含大量時域和頻域特征，但直接使用這些高維數據進行分類識別，不僅增加了計算復雜度，還容易造成數據冗余，影響分類性能。傳統降維方法如pca雖然能減小數據維度，但對于非線性數據的處理效果有限，無法充分捕捉復雜故障模式中的非線性特征。
7、2.模型參數選擇依賴經驗：
8、在支持向量機(svm)中，懲罰因子c和核函數參數g的選擇直接影響模型的分類性能?，F有方法多依賴人工調參或網格搜索，這不僅耗時，還難以保證全局最優解的獲取
9、3.優化算法收斂速度慢，精度不足：
10、傳統的優化算法如粒子群優化(pso)和遺傳算法(ga)雖然能夠一定程度上優化svm參數，但在求解復雜優化問題時，往往面臨收斂速度慢、精度不足等問題，導致模型性能不夠穩定，尤其在多故障模式識別中，表現出較大的波動性。
11、這些不足導致現有變壓器局部放電模式識別模型在實際應用中表現出較高的誤識率和誤報率，特別是在面對復雜、多樣化的局部放電故障模式時，識別性能明顯不足。
技術實現思路
1、為克服上述現有技術的不足，本專利技術提供了變壓器套管局部放電模式識別方法及系統，結合kpca和gto-svm算法，通過對高頻信號特征進行kpca降維處理，減少了數據冗余，并利用gto算法優化svm參數選擇，顯著提升了分類識別性能，在局部放電故障診斷中表現出較高的識別率，尤其在處理復雜故障模式方面具有顯著優勢。
2、為實現上述目的，本專利技術的一個或多個實施例提供了如下技術方案：
3、本專利技術第一方面提供了變壓器套管局部放電模式識別方法。
4、變壓器套管局部放電模式識別方法，包括以下步驟：
5、獲取變壓器套管局部放電信號并進行原始特征提??；
6、對提取的原始特征進行降維處理，得到降維后的特征；
7、構建徑向基函數svm模型，通過大猩猩部隊優化gto算法對徑向基函數svm模型的參數進行優化；
8、將降維后的特征輸入至經參數優化的徑向基函數svm模型中進行分類，得到分類識別結果。
9、作為可選擇的技術方案，獲取變壓器套管局部放電信號并進行原始特征提取，其中，所述原始特征包括時域特征和頻域特征：
10、所述時域特征包括絕對均值、均方根值、方差、上升時間、下降時間、脈沖寬度、偏斜度和峭度；
11、所述頻域特征包括絕對均值、均方根值、方差、最大極大值對應幅值、最大極大值對應頻率、頻譜能量、偏斜度和峭度。
12、作為可選擇的技術方案，采用核主成分分析kpca方法對提取的原始特征進行降維處理，具體包括：
13、將提取的原始特征采用非線性映射關系映射至高維特征空間中；
14、計算高維特征空間中的協方差矩陣；
15、對協方差矩陣進行特征值分解，得到特征值和特征向量；
16、根據特征值計算每個特征向量的累計貢獻率，選擇累計貢獻率高于設定值的特征向量作為主成分，將原始特征投影到選定的主成分上，實現降維。
17、作為可選擇的技術方案，構建徑向基函數svm模型，將rbf?svm的優化問題表示為：
18、
19、其中，w是決策平面的法向量，b是偏置項，ξi是松弛變量，yi是第i個樣本的標簽，是通過kpca降維后的特征向量；c為懲罰參數；n為樣本數量。
20、作為可選擇的技術方案，通過大猩猩部隊優化gto算法對徑向基函數svm模型的參數進行優化，具體包括：
21、初始化參數：設置大猩猩種群規模n和最大迭代次數itermax，設置svm模型懲罰參數c和rbf核參數g的上下界，得到初始種群，用(ci，gi)表示大猩猩的位置；
22、確定適應度函數；
23、對大猩猩位置進行更新并計算適應度函數，根據新種群的適應度值迭代問題最優解，如果新的適應度值由于先前的適應度值，則將當前的適應度值設置為新的適應度值；
24、當迭代次數大于itermax時，得到最優解所對應的c和g，作為svm模型的參數。
25、作為可選擇的技術方案，對大猩猩位置進行更新，具體包括：
26、進入探索階段，模擬大猩猩的種群遷移行為，更新大猩猩個體位置，所述種群遷移行為包括三種遷移位置，分別為已知位置、未知位置和同伴位置；
27、進入開發階段，獲取探索階段的參數c：
28、如果參數c大于等于給定值，則使用種群跟隨銀背大猩猩的移動進行更新遷移位置；
29、如果參數c小于給定值，則使用雄性大猩猩求偶行為更新遷移位置。
30、作為可選擇的技術方案，將降維后的特征輸入至經參數優化的徑向基函數svm模型中進行分類，得到分類識別結果，具體公式為：
31、
32、其中，f(xnew)為預測的類別標簽；αi和是拉格朗日乘子，k(xi，xnew)是核函數rbf，b是偏置項，xi為獲取的原始特征，xnew為新的樣本點；
33、如果f(xnew)>0，則xnew被分為正類，反之則為負類。
34、本專利技術第二方面提供了變壓器套管局部放電模式識別系統。
35、變壓器套管局部放電模式識別系統，包括：
36、特征提取模塊，被配置為：獲取變壓器套管局部放電信號并進行原始特征提取；
37、降維模塊，被配置為：對提取的原始特征進行降維處理，得到降維后的特征；
38、模型優化模塊，被配置為：構建徑向基函數svm模型，通過大猩猩部隊優化gto算法對徑向基函數svm模型的參數進行優化；
39、分類模塊，被配置為：將降維后的特征輸入至經參數優化的徑向基函數svm模型中進行分類，得到分類識別結果。
40、本專利技術第三方面提供了本文檔來自技高網...
【技術保護點】
1.變壓器套管局部放電模式識別方法，其特征在于，包括以下步驟：
2.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，獲取變壓器套管局部放電信號并進行原始特征提取，其中，所述原始特征包括時域特征和頻域特征：
3.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，采用核主成分分析KPCA方法對提取的原始特征進行降維處理，具體包括：
4.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，構建徑向基函數SVM模型，將RBF?SVM的優化問題表示為：
5.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，通過大猩猩部隊優化GTO算法對徑向基函數SVM模型的參數進行優化，具體包括：
6.如權利要求5所述的變壓器套管局部放電模式識別方法，其特征在于，對大猩猩位置進行更新，具體包括：
7.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，將降維后的特征輸入至經參數優化的徑向基函數SVM模型中進行分類，得到分類識別結果，具體公式為：
8.變壓器套管局部放
9.一種計算機可讀存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-7任一項所述的變壓器套管局部放電模式識別方法中的步驟。
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的變壓器套管局部放電模式識別方法中的步驟。
...【技術特征摘要】
1.變壓器套管局部放電模式識別方法，其特征在于，包括以下步驟：
2.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，獲取變壓器套管局部放電信號并進行原始特征提取，其中，所述原始特征包括時域特征和頻域特征：
3.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，采用核主成分分析kpca方法對提取的原始特征進行降維處理，具體包括：
4.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，構建徑向基函數svm模型，將rbf?svm的優化問題表示為：
5.如權利要求1所述的變壓器套管局部放電模式識別方法，其特征在于，通過大猩猩部隊優化gto算法對徑向基函數svm模型的參數進行優化，具體包括：
6.如權...
【專利技術屬性】
技術研發人員：朱慶東，朱孟兆，朱文兵，崔其會，辜超，顧朝亮，王建，邢海文，李龍龍，李杰，王學磊，任敬國，伊鋒，許偉，高志新，
申請(專利權)人：國網山東省電力公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。