中文引用格式： 張運，張超，張士勇，等. 基于SGMD-LSTM的GIS局部放電故障診斷方法[J]. 電子技術應用，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
氣體絕緣開關設備（Gas Insulated Switchgear, GIS）由于其可靠性高、占地面積小等優勢，在變電站中廣泛使用[1-2]。GIS設備的絕緣性故障導致嚴重的電場畸變，局部放電嚴重危害著電網的運行，實現準確快速的故障診斷至關重要。
局部放電會產生電脈沖、超聲波等物理現象，物理信號中包含著豐富的時域故障信息且含大量噪聲，亟需一種抗噪性能好的方法對故障信號進行處理。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驗，后者不適用于非線性信號；經驗模態分解（Empirical Mode Decomposition, EMD）及其改進方法則存在模態混疊、計算效率低以及虛假分量含噪較多等問題[4]；變分模態分解（Variational Mode Decomposition, VMD）關鍵參數的設定可以使用算法進行自適應尋優[5]，但其適應度函數的選擇物理意義不明顯，難以選擇合適的目標函數。潘海洋[6]在辛幾何的基礎上提出了辛幾何模態分解（Symplectic Geometry Mode Decomposition, SGMD），可以將時間序列分解成若干具有獨立模態的辛幾何模態分量，并且無需主管自定義參數，能有效地重構模態和消除噪聲。鄭直等[7]使用SGMD對實測液壓泵多模態故障振動信號進行分解重構，實現對液壓泵不同故障的診斷；王維軍等[8]使用SGMD二次分解碳排放時間序列的預處理，能進一步提高預測精度，表現良好。本文將抗噪性能良好的SGMD引入局部放電故障診斷領域，對故障信號進行分解和處理。
在模式識別方面，常見的機器學習方法有支持向量機（Support Vector Machine, SVM）[9]、隨機森林（Random Forest, RF）[10]等。SVM對小樣本數據集的分類表現良好，但對核函數的選擇沒有通用標準；RF則對噪聲數據敏感；深度學習及其組合變式對數據量的需求極大且運算環境嚴苛。長短時記憶神經網絡（Long Short Term Memory, LSTM）是循環神經網絡（Recurrent Neural Network, RNN）的一種，多用于時序數據預測，能較好應對故障產生的累積效應，能多方位考慮局部放電故障對預測結果的影響，數據需求不大、預測分類性能優良，但一些研究[11-12]的LSTM關鍵參數人為設定、識別效果較差。本文利用魚鷹-柯西變異的麻雀優化算法（Osprey-Cauchy-Sparrow Search Algorithm, OCSSA），對LSTM中的隱含層節點數和學習率進行優化，進而實現故障分類。
本文提出一種基于SGMD與OCSSA-LSTM的GIS局部放電故障診斷方法，創新點如下：
（1）將辛幾何模態分解首次引入局部放電的故障診斷，進行多維混合域的特征提取；
（2）使用混沌理論、魚鷹優化、柯西異變三種策略改進麻雀優化算法，使其收斂速度、精確性大大提升，實現LSTM關鍵參數的尋優；
（3）結合110 kV變電站GIS實際運維數據，驗證本文模型的有效性。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006326
作者信息：
張運，張超，張士勇，馬鵬墀，楊光，丁浩
（國網江蘇省電力有限公司 鹽城供電分公司，江蘇 鹽城 224000）
