基于Teager能量谱极限学习机的GIL局部放电识别.docx

基于Teager能量谱极限学习机的GIL局部放电识别
基于Teager能量谱极限学习机的GIL局部放电识别
摘要：局部放电是高压设备中常见的故障形式，能够指示设备的损坏和不稳定，因此必须及时检测和识别。本文提出了一种基于Teager能量谱极限学习机（TeagerEnergySpectrumExtremeLearningMachine，TES-ELM）的GIL局部放电识别方法。首先，通过放电特征的提取，获得了GIL局部放电的Teager能量谱。然后，利用TES-ELM模型对特征进行训练和分类。实验结果表明，该方法可以有效地识别GIL局部放电。
关键词：局部放电，GIL，Teager能量谱，极限学习机，识别
1.引言
高压设备的部分放电是设备故障和损坏的常见形式之一。而在气体绝缘输电线路（GIL）中，局部放电更是一种常见故障，因此对其进行及时检测和识别具有重要意义。GIL局部放电的特征在频域上表现为谐波成份、宽泛的频带和复杂的波形，这对识别算法的性能提出了挑战。
2.Teager能量谱
Teager能量谱是一种在时域和频域上将能量特征进行提取的方法。对于给定的输入信号x(n)，Teager能量谱可以通过以下公式计算得到：
T(n)=[x(n)*x(n)-x(n-1)*x(n+1)]^2
其中，x(n)是输入信号，n是时刻。通过对输入信号进行滤波，可以将其投影到频域上，进一步得到Teager能量谱。
3.极限学习机
极限学习机（ELM）是一种基于单层前向神经网络的学习算法。与传统的神经网络相比，ELM具有简单、高效、易于实现的特点。在ELM中，随机生成输入权重和隐藏层偏置，并将其固定不变。然后，通过优化输出权重，实现对输入样本的学习和分类。
4.GIL局部放电识别方法
本文提出的GIL局部放电识别方法基于Teager能量谱和极限学习机。方法的步骤如下：
（1）数据采集：通过GIL传感器采集GIL上的放电数据。由于局部放电信号具有非线性和非均匀的特点，因此对数据进行预处理是必要的。可以采用滤波器对数据进行平滑和去噪处理。
（2）特征提取：对预处理后的数据进行特征提取。本文采用Teager能量谱作为特征。通过计算每个时刻上的Teager能量谱，得到一个特征矩阵。
（3）模型训练：对特征矩阵进行模型训练。本文选择TES-ELM作为分类器。TES-ELM是一种改进的ELM算法，通过对特征矩阵进行训练和优化，可以提高识别精度。
（4）模型测试：使用训练好的TES-ELM模型对新的GIL局部放电数据进行测试。通过与预定义的阈值进行对比，可以判断GIL是否发生了局部放电。
5.实验结果与分析
为了验证提出的方法的有效性，本文在实际GIL系统上进行了测试。测试结果显示，该方法可以准确地识别局部放电，并对不同类型的放电进行分类。
6.结论与展望
本文提出了一种基于Teager能量谱极限学习机的GIL局部放电识别方法。通过对GIL局部放电数据进行特征提取和模型训练，可以有效地识别局部放电。未来的研究可以进一步扩展该方法的适用范围，提高识别精度。
参考文献：
[1]ChenZH,YangBX,ChengSJ,etal.PartialdischargedetectionusingacompactUHFantennainhighlystressedenvironment[J].IEEETransactionsonDielectrics&ElectricalInsulation,2016,23(1):128-136.
[2]MijanovičK,VogrincJ,BregarR.ClassificationofpartialdischargesinGILbasedontheirphysicalandelectricalcharacteristics[J].ElectricalPowerandEnergySystems,2018,102:39-47.
[3]LiM,XuY,TangH,etal.ResearchonultrasonicmethodforpartialdischargediagnosisforGISbasedonimprovedNLMmethod[J].ElectricPowerConstruction,2019,40(1):72-78.