基于多源感知树模式学习与动态贝叶斯编码的GIS典型绝缘缺陷局放故障识别方法及系统与流程

本发明涉及故障识别，具体说是基于多源感知树模式学习与动态贝叶斯编码的gis典型绝缘缺陷局放故障识别方法。

背景技术：

1、气体绝缘组合电器(gas insulated switchgears，gis)是现代电力系统中广泛应用的关键设备，其将断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端等设备集成在一起，具有占地面积小、结构紧凑、受外界环境干扰小、运行安全可靠、易于维护、检修周期长等优点。由于在gis设计、制造、运输、安装等过程中存在某些问题，如电极上出现金属毛刺、绝缘介质中存在气隙、部件松动引起的浮电位、长期满负荷运行下的绝缘老化等，使得gis在实际运行过中存在如吸附剂脱落导致的断路器电场畸变使得断路器闪络击穿、导体金属尖端对外壳放电导致的母线故障、盆式绝缘子闪络击穿等故障，一般可以划分为：金属尖刺放电、金属颗粒放电、悬浮电极放电、绝缘子沿面放电和气隙放电。gis局部放电是指在电场作用下，导体间绝缘仅部分区域被击穿(没有贯穿施加电压的导体之间)的电气放电现象。gis局部放电是一种脉冲放电，会在电力设备内部和周围空间产生一系列的光、声、电气和机械的振动等物理现象和化学变化，为监测电力设备内部绝缘状态提供检测信号，通过本发明建立的基于数据驱动的故障识别模型，实时识别其故障类型，为gis局部放电故障溯源提供重要保障。

技术实现思路

1、为解决gis局部放电故障源无法快速、稳定定位的问题，本发明的目的是提供基于多源感知树模式学习与动态贝叶斯编码的基于多源感知树模式学习与动态贝叶斯编码的gis典型绝缘缺陷局放故障识别方法，能够通过实时检测到的电磁-声-气传感器分类信息，智能地、自适应地识别gis局部放电故障类别，为进一步故障溯源方法的选择奠定基础，确保其快速地、稳定地定位到gis局部放电故障源。

2、本发明为实现上述目的，通过以下技术方案实现：

3、基于多源感知树模式学习与动态贝叶斯编码的gis典型绝缘缺陷局放故障识别方法，包括以下步骤：

4、步骤1：确定用于gis局部放电故障检测的电磁-声-气多源感知传感器类型；

5、步骤2：设计多源感知树模式学习方法，得到输入变量到输出变量的数据驱动故障识别模型，其中输入变量是多源传感器信息，输出变量是gis局部放电故障类别；

6、步骤3：设计动态编码贝叶斯网络方法实现对故障识别模型参数的优化；

7、步骤4：结合实时检测的多传感器信息，借助优化后的模型进行gis局部放电故障识别；

8、步骤5：进行有效性验证。

9、进一步的，步骤1的具体步骤为：

10、输入变量为：设电磁-声-气传感器的种类为m类，m≥3；设每一类传感器个数为nm，则采集到的多源传感器的数据表示为：

11、

12、其中，n1到nm取值与实际需求有关。另设输入变量个数为n，且满足n＝n1+n2+..+nm，则多源传感器的采集的数据x又可进一步表示为：

13、x＝{x1,x2,…,xi,…,xn}，i∈n

14、输出变量表示为y1,…,yz，其中yz表示第z类gis局部放电故障，输出变量类别为z。

15、优选的，所述传感器的种类为3类，分别为电磁波传感器、声波传感器和气体感应传感器。

16、优选的，输出变量类别为＝5，分别表示金属尖刺放电、金属颗粒放电、悬浮电极放电、绝缘子沿面放电和气隙放电。

17、进一步的，步骤2具体包括以下步骤：

18、将输入数据x＝{x1,x2,…,xi,…,xn}带入函数中，本故障识别模型是通过k个树模式学习器对输入数据进行学习，因此，将样本放入到树模式器中进行学习，第i个样本的预测函数表示为：

19、

20、其中，fk(xi)为第k个树对第i个数据的判别函数，f为潜在的树模型集合，k为集中的元素数量；

21、定义故障识别模型的目标函数为：

22、

23、其中，为损失函数即误差函数；ω(fk)为正则项，用来控制树模型学习器树的结构，z为输出变量类别数；

24、其中，目标函数是k棵树组成的，因此，经过变形k-1棵树加入第k棵树的公式表示为：

25、

26、对k棵树的复杂度进行拆分，拆分成k-1棵树的复杂度加上当前树模型的复杂度，因为当训练k棵树时，对于前k棵树都是常量，则目标函数写成：

27、

28、借助泰勒公式将目标函数进行变形：

29、

30、其中，gz表示一阶导，hz表示二阶导，gz和hz都与前k-1个树模型有关，所以都为常数，所以简化目标函数为：

31、

32、fk(xi)表示第k棵树的第i个样本的预测值，表示为：

33、)

34、其中，ω表示为每个叶节点的值，也就是预测值；q(xi)表示为样本x落的叶子节点；

35、正则化公式表示为：

36、

37、其中，t表示叶子节点数；表示各个叶子节点值得求和；γ表示超参数，λ表示控制惩罚的程度；

38、将预测函数与正则项公式代入目标函数得到初步细化公式为：

39、

40、其中，gj为一次导数和，hj为二次导数和，ij为第j个叶子节点，j表示叶子节点数；

41、目标函数对ωj求导等于0，得到权重ωj的最优解

42、

43、当树模型结构一定时，模型得目标函数最优为

44、

45、其中，式obj*是打分函数，用来衡量树结构好坏的标准，值越小代表树的结构越好；

46、得到了打分函数之后，针对于每个叶子节点是需要进行分裂的，为了得到最优的树结构，通过计算分裂前后的增益；增益的值越大，分裂后的损失函数减小较多；因此，当对一个叶节点进行分割时，计算所有分裂对应的增益值，选择增益最大的进行分割，增益公式为：

47、

48、在模型训练的过程中不断地去拟合残差，通过增益的大小得到输出数据

49、进一步的，步骤3的具体步骤为：

50、步骤3.1，选取故障识别模型中优化参数，具体为决策树数目、数的最大深度、最小叶子节点权重之和、学习率、子样本占训练样本比例和动态编码规则；

51、步骤3.2，输入确定故障识别参数，利用动态编码规则规范化贝叶斯网络，并训练故障识别优化模型，首先，需要确定动态编码代理函数，选择目标函数响应值为y＝[f(x1),f(x2),…,f(xn)]，并以此设计高斯动态编码过程作为代理函数；其中，将样本x＝[x1,x2,…,xn]目标函数响应值为y＝[f(x1),f(x2),…,f(xn)]进行组合，组合为sn：

52、sn＝(xi,f(xi)),{i＝1,2,...n}

53、n优选为5；

54、由于损失函数服从高斯分布f(x)～gp(0,k)，则f(xn)的高斯分布如下式所示：

55、

56、式中，k(·)为核函数，表示x的协方差；

57、通过协方差公式不断地加入新的样本数据(xi,f(xi))，不断地去估计后验概率的分布；

58、步骤3.3，经过高斯过程模型之后通过采集函数pi选取下一个超参数组合采样点xn+1，其中pi公式如下式所示；

59、

60、其中，φ(·)表示正态累计分布函数；μ(x)表示f(x)的均值函数；ε表示用来调节搜索方向；f(x+)表示目前的最优值；

61、步骤3.4，在经过采集函数确定了下一个参数组合的采集点之后，训练模型并得到模型的故障分类值；通过十折交叉验证得到最高准确率作为目标要求，若预测分类结果和准确值之间的误差达到目标要求，输出最佳超参数组合；

62、步骤3.5，若预测分类结果和准确值之间的误差没有达到目标要求，则将(xn+1,f(xn+1))加入高斯模型，则协方差矩阵更新如下式所示：

63、

64、kt＝[k(xi+1，x1),k(xi+1，x2),…,k(xi+1,xi)]

65、利用更新后的协方差矩阵估计出ft+1的后验概率分布如下式所示：

66、

67、步骤3.6，重复步骤3.3、步骤3.4和步骤3.5，当找到符合目标要求的超参数组合或者达到迭代次数，则停止迭代；

68、经过动态编码贝叶斯网络优化得到故障识别模型的最终参数。

69、优选的，步骤5进行有效性验证时，每一类局放数据的前50％用于训练贝叶斯参数并建立故障识别模型，而后50％则用于测试故障识别方法的准确性，测试结果对应混淆矩阵进行验证。

70、本发明相比现有技术具有以下优点：

71、本发明基于多源感知树模式学习与动态贝叶斯编码的基于多源感知树模式学习与动态贝叶斯编码的gis典型绝缘缺陷局放故障识别方法，实用性强，采用多源传感器感知融合，可以根据实际需求增加或减少传感器种类及传感器个数；效率高，模型能够适应于多输入量的学习，并通过动态编码贝叶斯网络方法对模型参数进行优化，提高了模型在实际使用过程中的识别效率；识别更加智能准确，针对不同的传感器数据，不断地学习优化识别模型，使得gis故障识别更加智能、更加准确。