运行条件下GIS局部放电严重程度评估方法

摘要：

运行条件下气体绝缘组合电器(gas insulated switchgears,GIS)的局部放电检测已取得了大量的应用,但对于检测到局部放电信号的严重程度评估仍然是亟待解决的难题.利用变电站现场GIS的局部放电检测数据,结合长短时记忆网络(long short-term memory network,LSTM)和Bagging集成学习方法,提出一种运行条件下GIS局部放电严重程度评估方法.先明确了用GIS设备未来1个月内的故障概率来定义局部放电严重程度,并基于该定义对大量的变电站现场检测数据确定了数据标签,建立了数据集.针对数据样本不均衡,利用Bagging集成学习方法将N个LSTM深度网络构建成适用于局部放电严重程度评估的集成学习模型.通过对由局部放电数据特征值、局部放电技术影响因素、设备运行信息等组成的特征向量进行分析,模型最终可以输出局部放电严重程度评估结果.通过与普通LSTM网络、反向传播神经网络(back propagation neural network,BPNN)以及Bagging-BPNN方法的对比,以及变电站现场检测案例分析,结果表明所提方法可以有效地对运行条件下GIS局部放电进行严重程度评估,易于实施,与普通LSTM、BPNN和Bagging-BPNN相比评估结果的可信度更高.

关键词：局部放电、严重程度评估、气体绝缘组合电器、长短时记忆网络、Bagging集成学习

所属期刊栏目：39

分类号：TM855(高电压技术)

资助基金：国家重点研发计划项目2017YFB0902705;国家电网公司科技项目

在线出版日期：2019-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1231-1240