本发明涉及gis设备技术领域，尤其涉及一种gis设备内部的异物缺陷的检测方法及系统。
背景技术：
气体绝缘金属封闭开关设备(gasinsulatedswitchgear,gis)内部异物的产生可能发生于设备制造过程，厂内装配过程，设备运输过程，现场安装过程及gis设备运行过程中。截至2018年底，对某电力公司近5五年组合电器故障情况统计分析，363kv及以上组合电器设备投运时间不足5年的故障次数为44次，占全部故障80％，故障主要原因为异物引起，包括绝缘击穿放电32次、占比72.7％，主要体现出在组合电器生产过程中，出厂前分装及总装和现场交接过程对组合电器内部清理不到位，在组合电器投入初期运行后，异物在机械振动及电场作用下，逐渐暴露出来导致放电故障。gis设备运行中异物在电压作用下获得电荷并发生移动，当电压达到一定值时，这些异物所受的电场力、重力、粘滞阻力等合力使得异物在接地外壳和高压导体之间跳动，在跳动过程中未接触高压导体时发生局部放电。异物的运动特性取决于异物的材料、形状等因素，且由于gis设备内部异物部位不同，受力情况不仅受到gis设备径向电场力作用，同时会受到轴向电场力作用，使得异物逐步靠近盆式绝缘子等绝缘部件，引发电场畸变，造成设备内部绝缘件表面闪络故障。
在目前电力系统中，对于gis设备内部的异物检测大多是基于超声信号所开展的，但是利用超声信号仅仅只能辅助电力系统的工作人员判断gis设备中是否存在异物缺陷，而不能很好的判断异物缺陷的形状和大小等等信息以及评估缺陷的危险度，这就使得工作人员往往是在影响电力运营的事故发生后才会去拆解gis设备进行维修，大大增加了维修成本和降低了维修效率，同时与提高电网运行稳定性的目标不相符。
技术实现要素：
本发明实施例提供一种gis设备内部的异物缺陷的检测方法及系统，以解决现有技术不能有效检测gis设备内部异物缺陷的形状和大小等等信息的问题。
第一方面，提供一种gis设备内部的异物缺陷的检测方法，包括：
每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号；
提取每段所述超声信号的特征分量和所述振动信号的特征分量，得到每一特征分量矩阵；
将每一所述特征分量矩阵输入到异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述特征分量矩阵对应的异物缺陷类别；
其中，所述异物缺陷分类模型为o(xi)＝h(xi)w，o(xi)表示输出的每一所述特征分量矩阵对应的异物缺陷类别，xi表示所述特征分量矩阵，h(xi)表示所述特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，w表示权值。
第二方面，提供一种gis设备内部的异物缺陷的检测系统，包括：
采集模块，用于每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号；
提取模块，用于提取每段所述超声信号的特征分量和所述振动信号的特征分量，得到每一特征分量矩阵；
分类模块，用于将每一所述特征分量矩阵输入到异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述特征分量矩阵对应的异物缺陷类别；
其中，所述异物缺陷分类模型为o(xi)＝h(xi)w，o(xi)表示输出的每一所述特征分量矩阵对应的异物缺陷类别，xi表示所述特征分量矩阵，h(xi)表示所述特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，w表示权值。
这样，本发明实施例，通过对超声传感器和振动传感器采集gis设备内部的异物缺陷信号分析处理，由异物缺陷分类模型输出异物缺陷类别，检测高效且检测结果准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的gis设备内部的异物缺陷的检测方法的流程图；
图2是本发明实施例的gis设备内部的异物缺陷的检测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种gis设备内部的异物缺陷的检测方法。如图1所示，该方法包括如下的步骤：
步骤s101：每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号。
具体的，分别通过超声传感器和振动传感器检测超声信号和振动信号。超声传感器和振动传感器可安装在gis设备上，用于将gis设备内部的物理信息转换为电信号。
其中，预设时间间隔和预设时长可根据经验和实际情况设置。应当理解的是，每段预设时长的超声信号和每段预设时长的振动信号对应，即不仅时长相等，且起始时间和截止时间也相同。
步骤s102：提取每段超声信号的特征分量和振动信号的特征分量，得到每一特征分量矩阵。
具体的，该步骤可包括如下的过程：
(1)根据每段超声信号的波形图，从每段超声信号中截取一段特征超声信号。
其中，超声信号的波形图的横坐标为时间，纵坐标为幅值。截取的特征超声信号中的幅值包括大于预设超声阈值的幅值。
(2)根据每段振动信号的波形图，从每段振动信号中截取一段特征振动信号。
其中，振动信号的波形图的横坐标为时间，纵坐标为幅值。截取的特征振动信号中的幅值包括大于预设振动阈值的幅值。
此外，应当理解的是，截取的每段特征超声信号和每段特征振动信号对应，即不仅时长相等，且起始时间和截止时间也相同。
(3)将每段特征超声信号和特征振动信号通过离散傅里叶变换，得到每段特征超声信号的频域图和特征振动信号的频域图。
(4)根据每段特征超声信号的频域图和特征振动信号的频域图，提取每段特征超声信号的特征分量和特征振动信号的特征分量，得到每一特征分量矩阵。
其中，特征分量矩阵可用xi＝[xi′；xi″]表示。i为采集的超声信号和振动信号的序号。例如，采集的第一段超声信号和振动信号的序号为1，采集的第二段超声信号和振动信号的序号为2，以此类推。
具体的，超声信号的特征分量为超声信号的频率和幅值，可以用
具体的，振动信号的特征分量为振动信号的频率和幅值，可以用
步骤s103：将每一特征分量矩阵输入到异物缺陷分类模型中，且通过异物缺陷分类模型输出每一特征分量矩阵对应的异物缺陷类别。
本发明实施例的异物缺陷分类模型基于单隐层前馈神经网络。具体的，异物缺陷分类模型为：
o(xi)＝h(xi)w。
其中，o(xi)表示输出的每一特征分量矩阵对应的异物缺陷类别。xi表示特征分量矩阵。h(xi)表示特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，即
本发明一优选的实施例中，异物缺陷类别通过异物缺陷的形状、尺寸和数量等信息进行划分。例如，可将异物缺陷类别分为四类，分别是：(1)单个半径1mm的均分半球体；(2)半径1mm的球体；(3)半径0.5mm的球体；(4)两个半径1mm的均分半球体。应当理解的是，本发明实施例的异物缺陷类别并不以上述举例为限，还可以包括其他类别。
因此，通过上述的过程，可得到每段超声信号和振动信号对应的异物缺陷类别，从而可以确定异物缺陷的数量、形状和尺寸等，以便根据异物缺陷的数量、形状和尺寸等确定异物缺陷所带来的危险的等级，以及，可重构异物缺陷在gis设备内部的三维动态运动过程，从而可便于指导对gis设备的检修。此外，通过采用超声信号和振动信号两种信号进行分析，有利于消除噪声干扰，使得检测的结果更加准确。
优选的，异物缺陷分类模型可预先采用样本进行训练，以便确定较准确的权值，从而使得检测的结果更加准确。
具体的，步骤s101之前，该检测方法还包括：
采用训练样本训练异物缺陷分类模型，确定权值。
其中，训练样本包括：超声信号的特征分量，振动信号的特征分量，以及，超声信号的特征分量和振动信号的特征分量对应的标准异物缺陷类别。
该训练的过程具体包括如下的步骤：
(1)设置异物缺陷分类模型的随机权值。
(2)将训练样本的超声信号的特征分量和振动信号的特征分量输入异物缺陷分类模型中，且通过异物缺陷分类模型输出每一训练样本对应的异物缺陷类别。
(3)计算训练样本的标准异物缺陷类别与异物缺陷分类模型输出的训练样本对应的异物缺陷类别的差值，得到每一训练样本的训练误差。
应当理解的是，对于每一异物缺陷类别可以用二进制数组成的矩阵表示。即训练样本属于该异物缺陷类别，则该异物缺陷类别的取值为1，其他异物缺陷类别的取值为0。这样，就可以进行训练样本的标准异物缺陷类别与异物缺陷分类模型输出的训练样本对应的异物缺陷类别的差值计算。
(4)根据每一训练样本的训练误差，计算能量函数。
具体的，能量函数用下式表示：
其中，j(w)表示能量函数。ek和en均表示训练样本的训练误差。n和k均表示训练样本的训练误差的序号，k＝1，2，……，l，n＝1，2，……，l。
本发明实施例在elm(extremelearningmachines，极限学习机)算法的基础上，引入最小误差熵(minimumerrorentropy，mee)准则，通过如下的过程推导得到能量函数：
采用误差熵来评价训练误差，即：
其中，hα(e)表示误差熵。α表示误差熵的阶数，α≠1，α>0。vα(e)表示信息的势能。具体的，vα(e)采用下式表示：
vα(e)＝∫pα(e)de＝e[pα-1(e)]。
其中，p(e)表示训练误差的概率密度函数。e[pα-1(e)]表示期望算子。一般的，p(e)由parzen窗方法估计，如下式所示：
其中，高斯核
结合vα(e)＝∫pα(e)de＝e[pα-1(e)]和
由于-log单调递增，因此，误差熵hα(e)的最小化，即信息的势能vα(e)的最大化。
基于上式即可定义能量函数为
通过能量函数的最大化，可以获得权值的最优解，即：
(5)确定最大能量函数对应的每一训练样本的训练误差为标准训练误差。
(6)根据每一训练样本的标准训练误差和每一训练样本的超声信号的特征分量和振动信号的特征分量，采用权值公式，计算得到权值。
具体的，权值公式为：w＝(htλh)-1htλt。
其中，h＝[(h(x1))t,(h(x2))t,…,(h(xl))t]t。h是隐层节点的输出矩阵。
gσ表示宽度为σ的高斯核。ej表示训练样本的标准训练误差，j表示标准训练误差的序号，j＝1，2，……，l。t表示训练样本的标准异物缺陷类别矩阵。t可以用t＝[t1,t2,…tj,…,tl]t表示。tj表示与第j个训练样本对应的标准异物缺陷类别矩阵，可以用下式表示tj＝[tj,1,tj,2,…tj,m]t，m表示类别数。
因此，通过上述的训练过程，针对训练样本的非高斯噪声，引入最小误差熵准则，通过对权值的自主更新过程，得到一种适用于多模态分布噪声的极限学习机算法，以确定最优的权值，使采用该权值的异物缺陷分类模型输出的异物缺陷类别较准确。
在本发明一具体的实施例中，通过检测得到的异物缺陷类别的准确率为98％，现有技术的准确率为90％，由此可见本发明实施例的检测方法的准确率比现有技术高。
本发明实施例的检测方法得到的异物缺陷类别可应用于重构gis设备内部异物缺陷的三维动态过程，以及，应用于gis设备的危险度评估。
具体的，通过本发明实施例的检测方法确定异物缺陷类别后，可以利用计算机仿真技术，根据异物缺陷类别中的形状、尺寸和数量等信息计算异物在gis设备内部的飞行轨迹，仿真重构gis设备内部异物缺陷的三维动态过程，并显示该三维动态过程，使得相关工作人员能够直观地了解gis设备内部的异物缺陷的运动状态。
具体的，可以建立一套危险度评估准则，根据专家经验将异物的形状、尺寸和数量等信息划分为不同的危险等级，将检测得到的异物缺陷类别匹配所处的危险等级，最终给出所测gis设备的危险度评估结果。评估结果分为危险、轻微以及安全三种情况。当评估结果为危险时，为防止该结果是由于环境的影响所造成的，可采用二次检测的办法，即再重新检测一次，重新采集数据，再次预测，若结果仍然是危险时，则给出危险的评估结论，及时告知检修人员，为其诊断缺陷发展趋势并提供检修建议；若显示结果为轻微时，则需要记录在案，以便于及时关注；显示结果为安全时，则无需关注。
综上，本发明实施例的gis设备内部的异物缺陷的检测方法，利用极限学习机网络训练，得到gis设备内部的异物缺陷分类模型，通过对超声传感器和振动传感器采集的gis设备内部的异物缺陷信号分析处理，由异物缺陷分类模型输出异物缺陷类别，检测高效且检测结果准确，以便辅助工作人员判断是否需要拆卸gis设备排除隐患，为后期的维修提供建议，从而大大提高了检修效率，以及，可以及时发现异物缺陷从而减少因gis设备内部缺陷造成的经济损失，确保电网运行的稳定性，促进实现智能电网的目标。
本发明实施例还公开了一种gis设备内部的异物缺陷的检测系统。如图2所示，该检测系统包括如下模块：
采集模块201，用于每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号。
提取模块202，用于提取每段超声信号的特征分量和振动信号的特征分量，得到每一特征分量矩阵。
分类模块203，用于将每一特征分量矩阵输入到异物缺陷分类模型中，且通过异物缺陷分类模型输出每一特征分量矩阵对应的异物缺陷类别。
其中，异物缺陷分类模型为o(xi)＝h(xi)w，o(xi)表示输出的每一特征分量矩阵对应的异物缺陷类别，xi表示特征分量矩阵，h(xi)表示特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，w表示权值。
优选的，该检测系统还包括：
训练模块，用于采集一段预设时长的gis设备内部的超声信号和振动信号的步骤之前，采用训练样本训练异物缺陷分类模型，确定权值。
优选的，训练模块包括：
设置子模块，用于设置异物缺陷分类模型的随机权值。
分类子模块，用于将训练样本的超声信号的特征分量和振动信号的特征分量输入异物缺陷分类模型中，且通过异物缺陷分类模型输出每一训练样本对应的异物缺陷类别。
第一计算子模块，用于计算训练样本的标准异物缺陷类别与异物缺陷分类模型输出的训练样本对应的异物缺陷类别的差值，得到每一训练样本的训练误差。
第二计算子模块，用于根据每一训练样本的训练误差，计算能量函数。
确定子模块，用于确定最大能量函数对应的每一训练样本的训练误差为标准训练误差。
第三计算子模块，用于根据每一训练样本的标准训练误差和每一训练样本的超声信号的特征分量和振动信号的特征分量，采用权值公式，计算得到权值。
权值公式为：w＝(htλh)-1htλt。
其中，h＝[(h(x1))t,(h(x2))t,…,(h(xl))t]t，
优选的，能量函数为：
其中，j(w)表示能量函数，ek和en均表示训练样本的训练误差，n和k均表示训练样本的训练误差的序号，k＝1，2，……，l，n＝1，2，……，l。
优选的，超声信号的特征分量为超声信号的频率和幅值，振动信号的特征分量为振动信号的频率和幅值。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上，本发明实施例的gis设备内部的异物缺陷的检测系统，利用极限学习机网络训练，得到gis设备内部的异物缺陷分类模型，通过对超声传感器和振动传感器采集的gis设备内部的异物缺陷信号分析处理，由异物缺陷分类模型输出异物缺陷类别，检测高效且检测结果准确，以便辅助工作人员判断是否需要拆卸gis设备排除隐患，为后期的维修提供建议，从而大大提高了检修效率，以及，可以及时发现异物缺陷从而减少因gis设备内部缺陷造成的经济损失，确保电网运行的稳定性，促进实现智能电网的目标。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
1.一种gis设备内部的异物缺陷的检测方法，其特征在于，包括：
每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号；
提取每段所述超声信号的特征分量和所述振动信号的特征分量，得到每一特征分量矩阵；
将每一所述特征分量矩阵输入到异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述特征分量矩阵对应的异物缺陷类别；
其中，所述异物缺陷分类模型为o(xi)＝h(xi)w，o(xi)表示输出的每一所述特征分量矩阵对应的异物缺陷类别，xi表示所述特征分量矩阵，h(xi)表示所述特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，w表示权值。
2.根据权利要求1所述的检测方法，其特征在于，所述采集一段预设时长的gis设备内部的超声信号和振动信号的步骤之前，所述检测方法还包括：
采用训练样本训练所述异物缺陷分类模型，确定所述权值。
3.根据权利要求2所述的检测方法，其特征在于，所述采用训练样本训练所述异物缺陷分类模型，确定所述权值的步骤，包括：
设置所述异物缺陷分类模型的随机权值；
将训练样本的超声信号的特征分量和振动信号的特征分量输入所述异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述训练样本对应的异物缺陷类别；
计算所述训练样本的标准异物缺陷类别与所述异物缺陷分类模型输出的所述训练样本对应的异物缺陷类别的差值，得到每一所述训练样本的训练误差；
根据每一所述训练样本的训练误差，计算能量函数；
确定最大所述能量函数对应的每一所述训练样本的训练误差为标准训练误差；
根据每一所述训练样本的标准训练误差和每一所述训练样本的超声信号的特征分量和振动信号的特征分量，采用权值公式，计算得到所述权值；
其中，所述权值公式为：w＝(htλh)-1htλt；h＝[(h(x1))t，(h(x2))t，…，(h(xl))t]t，
4.根据权利要求3所述的检测方法，其特征在于，所述能量函数为：
其中，j(w)表示能量函数，ek和en均表示所述训练样本的训练误差，n和k均表示所述训练样本的训练误差的序号，k＝1，2，......，l，n＝1，2，......，l。
5.根据权利要求1所述的检测方法，其特征在于：所述超声信号的特征分量为所述超声信号的频率和幅值，所述振动信号的特征分量为所述振动信号的频率和幅值。
6.一种gis设备内部的异物缺陷的检测系统，其特征在于，包括：
采集模块，用于每隔预设时间间隔，采集一段预设时长的gis设备内部的超声信号和振动信号；
提取模块，用于提取每段所述超声信号的特征分量和所述振动信号的特征分量，得到每一特征分量矩阵；
分类模块，用于将每一所述特征分量矩阵输入到异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述特征分量矩阵对应的异物缺陷类别；
其中，所述异物缺陷分类模型为o(xi)＝h(xi)w，o(xi)表示输出的每一所述特征分量矩阵对应的异物缺陷类别，xi表示所述特征分量矩阵，h(xi)表示所述特征分量矩阵从输入空间到特征空间的非线性映射的矩阵，w表示权值。
7.根据权利要求6所述的检测系统，其特征在于，还包括：
训练模块，用于所述采集一段预设时长的gis设备内部的超声信号和振动信号的步骤之前，采用训练样本训练所述异物缺陷分类模型，确定所述权值。
8.根据权利要求7所述的检测系统，其特征在于，所述训练模块包括：
设置子模块，用于设置所述异物缺陷分类模型的随机权值；
分类子模块，用于将训练样本的超声信号的特征分量和振动信号的特征分量输入所述异物缺陷分类模型中，且通过所述异物缺陷分类模型输出每一所述训练样本对应的异物缺陷类别；
第一计算子模块，用于计算所述训练样本的标准异物缺陷类别与所述异物缺陷分类模型输出的所述训练样本对应的异物缺陷类别的差值，得到每一所述训练样本的训练误差；
第二计算子模块，用于根据每一所述训练样本的训练误差，计算能量函数；
确定子模块，用于确定最大所述能量函数对应的每一所述训练样本的训练误差为标准训练误差；
第三计算子模块，用于根据每一所述训练样本的标准训练误差和每一所述训练样本的超声信号的特征分量和振动信号的特征分量，采用权值公式，计算得到所述权值；
其中，所述权值公式为：w＝(htλh)-1htλt；h＝[(h(x1))t，(h(x2))t，…，(h(xl))t]t，
9.根据权利要求8所述的检测系统，其特征在于，所述能量函数为：
其中，j(w)表示能量函数，ek和en均表示所述训练样本的训练误差，n和k均表示所述训练样本的训练误差的序号，k＝1，2，......，l，n＝1，2，......，l。
10.根据权利要求6所述的检测系统，其特征在于：所述超声信号的特征分量为所述超声信号的频率和幅值，所述振动信号的特征分量为所述振动信号的频率和幅值。
技术总结