中文引用格式： 張運(yùn)，張超，張士勇，等. 基于SGMD-LSTM的GIS局部放電故障診斷方法[J]. 電子技術(shù)應(yīng)用，2025，51(2)：58-63.
英文引用格式： Zhang Yun，Zhang Chao，Zhang Shiyong，et al. GIS partial discharge fault diagnosis method based on SGMD-LSTM[J]. Application of Electronic Technique，2025，51(2)：58-63.
引言
氣體絕緣開關(guān)設(shè)備（Gas Insulated Switchgear, GIS）由于其可靠性高、占地面積小等優(yōu)勢(shì)，在變電站中廣泛使用[1-2]。GIS設(shè)備的絕緣性故障導(dǎo)致嚴(yán)重的電場(chǎng)畸變，局部放電嚴(yán)重危害著電網(wǎng)的運(yùn)行，實(shí)現(xiàn)準(zhǔn)確快速的故障診斷至關(guān)重要。
局部放電會(huì)產(chǎn)生電脈沖、超聲波等物理現(xiàn)象，物理信號(hào)中包含著豐富的時(shí)域故障信息且含大量噪聲，亟需一種抗噪性能好的方法對(duì)故障信號(hào)進(jìn)行處理。常見方法有小波去噪和傅里葉變換等[3]，小波去噪依賴于專家經(jīng)驗(yàn)，后者不適用于非線性信號(hào)；經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）及其改進(jìn)方法則存在模態(tài)混疊、計(jì)算效率低以及虛假分量含噪較多等問(wèn)題[4]；變分模態(tài)分解（Variational Mode Decomposition, VMD）關(guān)鍵參數(shù)的設(shè)定可以使用算法進(jìn)行自適應(yīng)尋優(yōu)[5]，但其適應(yīng)度函數(shù)的選擇物理意義不明顯，難以選擇合適的目標(biāo)函數(shù)。潘海洋[6]在辛幾何的基礎(chǔ)上提出了辛幾何模態(tài)分解（Symplectic Geometry Mode Decomposition, SGMD），可以將時(shí)間序列分解成若干具有獨(dú)立模態(tài)的辛幾何模態(tài)分量，并且無(wú)需主管自定義參數(shù)，能有效地重構(gòu)模態(tài)和消除噪聲。鄭直等[7]使用SGMD對(duì)實(shí)測(cè)液壓泵多模態(tài)故障振動(dòng)信號(hào)進(jìn)行分解重構(gòu)，實(shí)現(xiàn)對(duì)液壓泵不同故障的診斷；王維軍等[8]使用SGMD二次分解碳排放時(shí)間序列的預(yù)處理，能進(jìn)一步提高預(yù)測(cè)精度，表現(xiàn)良好。本文將抗噪性能良好的SGMD引入局部放電故障診斷領(lǐng)域，對(duì)故障信號(hào)進(jìn)行分解和處理。
在模式識(shí)別方面，常見的機(jī)器學(xué)習(xí)方法有支持向量機(jī)（Support Vector Machine, SVM）[9]、隨機(jī)森林（Random Forest, RF）[10]等。SVM對(duì)小樣本數(shù)據(jù)集的分類表現(xiàn)良好，但對(duì)核函數(shù)的選擇沒(méi)有通用標(biāo)準(zhǔn)；RF則對(duì)噪聲數(shù)據(jù)敏感；深度學(xué)習(xí)及其組合變式對(duì)數(shù)據(jù)量的需求極大且運(yùn)算環(huán)境嚴(yán)苛。長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory, LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）的一種，多用于時(shí)序數(shù)據(jù)預(yù)測(cè)，能較好應(yīng)對(duì)故障產(chǎn)生的累積效應(yīng)，能多方位考慮局部放電故障對(duì)預(yù)測(cè)結(jié)果的影響，數(shù)據(jù)需求不大、預(yù)測(cè)分類性能優(yōu)良，但一些研究[11-12]的LSTM關(guān)鍵參數(shù)人為設(shè)定、識(shí)別效果較差。本文利用魚鷹-柯西變異的麻雀優(yōu)化算法（Osprey-Cauchy-Sparrow Search Algorithm, OCSSA），對(duì)LSTM中的隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)率進(jìn)行優(yōu)化，進(jìn)而實(shí)現(xiàn)故障分類。
本文提出一種基于SGMD與OCSSA-LSTM的GIS局部放電故障診斷方法，創(chuàng)新點(diǎn)如下：
（1）將辛幾何模態(tài)分解首次引入局部放電的故障診斷，進(jìn)行多維混合域的特征提取；
（2）使用混沌理論、魚鷹優(yōu)化、柯西異變?nèi)N策略改進(jìn)麻雀優(yōu)化算法，使其收斂速度、精確性大大提升，實(shí)現(xiàn)LSTM關(guān)鍵參數(shù)的尋優(yōu)；
（3）結(jié)合110 kV變電站GIS實(shí)際運(yùn)維數(shù)據(jù)，驗(yàn)證本文模型的有效性。
本文詳細(xì)內(nèi)容請(qǐng)下載：
http://m.xxav2194.com/resource/share/2000006326
作者信息：
張運(yùn)，張超，張士勇，馬鵬墀，楊光，丁浩
（國(guó)網(wǎng)江蘇省電力有限公司 鹽城供電分公司，江蘇 鹽城 224000）
