(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111409449.X (22)申请日 2021.11.25 (71)申请人 国网浙江省电力有限公司金华供电 公司 地址 321017 浙江省金华市 婺城区双溪西 路420号 (72)发明人 盛骏　陈文通　钱肖　虞驰　 吴雪峰　刘乃杰　方玉群　范旭明　 杨怀仁　黄晓峰　赵新语　王颖剑　 吴胥阳　汪卫国　金慧波　赵凯美　 方凯　陈亢　王翊之　洪亮　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 代理人 项军(51)Int.Cl. G01R 31/12(2006.01) G06F 30/27(2020.01) G06F 17/15(2006.01) (54)发明名称 局部放电源光学智能定位方法及装置 (57)摘要 为了克服现有技术中存在的问题， 本发明提 出了局部放电源光学定位方法及装置， 实现GIL 中局放源的精确定位。 为达到所述目的， 本发明 局部放电源光学定位方法， 包 括： 搭建GIL实验检 测平台； 在GIL实验检测平台中进行GIL局放仿真 模型构建， 分析光学信号传播特性； 构建光学仿 真指纹库： 对探测点采集到的光辐照度进行数据 处理， 得到光学仿真指纹库； 运用光学仿真指纹 库对构造的ReliefF ‑ANFIS模型进行匹配训练， 并将实验采集的局放光学指纹与局放光学仿真 指纹库中的数据进行模式匹配， 确定局放源在 GIL中的实际位置。 本发明这样挑选出的特征避 免了传统算法在没有降维的情况下导致算法输 入特征过多， 出现特 征冗余的现象。 权利要求书3页 说明书11页 附图4页 CN 114414950 A 2022.04.29 CN 114414950 A 1.局部放电源光学定位方法， 其特 征在于， 包括： 搭建GIL实验检测平台； 在GIL实验检测平台 中进行GI L局放仿真模型构建， 分析光学信号传播特性； 构建光学仿真指纹库： 对探测点采集到的光辐照度进行数据处理， 得到光学仿真指纹 库； 将ReliefF算法与ANFIS算法结合， 建立局放定位匹配模型； 运用光学仿真指纹库对构造 的ReliefF ‑ANFIS模型进行匹配训练， 并将实验采集的局 放光学指纹与局 放光学仿真指纹库中的数据进行模式匹配， 确定局 放源在GIL中的实际位 置。 2.根据权利要求1所述的局部放电源光学定位方法， 其特征在于， 光学定位仿真指纹库 的建立方法具体为： 在模型的N个位置进行局放光学仿真实验， 令Lj为局放源的位置， j＝1, 2,…,N； 对于每一次仿真实验， 通过M个探测点进行光辐照度检测， 记Si为探测点编号， i＝ 1,2,…,M； 当仿真局放源位于Lj时， 探测点Si检测到的局放 光辐照度表示 为 对每次仿真实验 采集到的传感器光学辐照度进行[ ‑1,1]的归一 化处理： 由此构建了光学仿真指纹库 ψ： 其中， M是光学传感器的数量， N是模拟局放源的数量； 列向量是局放源的光学仿真指 纹， 即当局部放电发生在Lj位置时各仿真探测点接收到的局放 光辐照度。 3.根据权利 要求1或2其中任一所述的局部放电源光学定位方法， 其特征在于， Relie fF 搜索k个H和M样本， 并将它们对每个特征权重的贡献取平均值； 对于特征A， 给定一个随机选 择的实例R， 然后从R样 本的同类样 本中选取k个最近邻样 本H， 同时从不同类样本中选取k个 最近邻样本M； 然后不断更新特征的权重， 进行m次循环计算， 直到依次计算出所有样本， 得 到单个特 征的最终权 重： 式中： W(A)i表示第i次迭代中的A特征值的权重， 并且初始值为0； Hj表示k个与R同类的 最近邻样本， Mj(C)表示k个不与R同类的最近邻样本， p(C)是C类的概率； diff(A,R,Hj)表示权　利　要　求　书 1/3 页 2 CN 114414950 A 2特征A上样本R和样本Hj之间的距离， diff(A,R,Mj(C))表示特征A上样本R与样本Mj(C)之间 的距离； 距离公式如下： 4.根据权利 要求1或2其中任一所述的局部放电源光学定位方法， 其特征在于， ANFIS的 结构包括6层； 第1层为输入层， 输入层将网络的输入信号传 送到下一层中， 输入 值x＝[x1,x2,...,xn]T 为归一化后的特 征参数， 是精确值； 第2层是隶属函数层， 节点为隶属函数， 对输入信号进行模糊化运算， 从输入值获得模 糊聚类， 选用隶属函数为高斯 函数： 式中： i＝1,2,...,n， j＝1,2,...,m， m为每个输入对应隶属函数个 数， cij和σij分别表示 隶属函数的中心和宽度； 第3层是模糊推理层， 代表 “AND”操作， 每个神经元代表一条模糊规则， 将模糊化后的各 个输入信号相乘， 计算出每条规则的适应度， 计算公式如下： 式中： 表示上一层节点的隶属度； ωij为规则的可信度； 第4层为归一化层， 每个神经元代表一条输出变量模糊度划分， 采用平均判别法进行归 一化计算， 求得输出节点， 归一 化过程表示 为： 第5层为反模糊化层。 在该层的每个节点上计算规则的加权值采用一阶多项式确定， 具 体为： 式中： r为该层节点个数， 是归一化层的输出， pr是网络的后续参数， yr为后续参数的 线性组合； 最后一层为输出层， 实际输出 是将反模糊层中各规则的输出相加得到的：权　利　要　求　书 2/3 页 3 CN 114414950 A 3