中文引用格式： 张运，张超，张士勇，等. 基于SGMD-LSTM的GIS局部放电故障诊断方法[J]. 电子技术应用，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
气体绝缘开关设备（Gas Insulated Switchgear, GIS）由于其可靠性高、占地面积小等优势，在变电站中广泛使用[1-2]。GIS设备的绝缘性故障导致严重的电场畸变，局部放电严重危害着电网的运行，实现准确快速的故障诊断至关重要。
局部放电会产生电脉冲、超声波等物理现象，物理信号中包含着丰富的时域故障信息且含大量噪声，亟需一种抗噪性能好的方法对故障信号进行处理。常见方法有小波去噪和傅里叶变换等[3]，小波去噪依赖于专家经验，后者不适用于非线性信号；经验模态分解（Empirical Mode Decomposition, EMD）及其改进方法则存在模态混叠、计算效率低以及虚假分量含噪较多等问题[4]；变分模态分解（Variational Mode Decomposition, VMD）关键参数的设定可以使用算法进行自适应寻优[5]，但其适应度函数的选择物理意义不明显，难以选择合适的目标函数。潘海洋[6]在辛几何的基础上提出了辛几何模态分解（Symplectic Geometry Mode Decomposition, SGMD），可以将时间序列分解成若干具有独立模态的辛几何模态分量，并且无需主管自定义参数，能有效地重构模态和消除噪声。郑直等[7]使用SGMD对实测液压泵多模态故障振动信号进行分解重构，实现对液压泵不同故障的诊断；王维军等[8]使用SGMD二次分解碳排放时间序列的预处理，能进一步提高预测精度，表现良好。本文将抗噪性能良好的SGMD引入局部放电故障诊断领域，对故障信号进行分解和处理。
在模式识别方面，常见的机器学习方法有支持向量机（Support Vector Machine, SVM）[9]、随机森林（Random Forest, RF）[10]等。SVM对小样本数据集的分类表现良好，但对核函数的选择没有通用标准；RF则对噪声数据敏感；深度学习及其组合变式对数据量的需求极大且运算环境严苛。长短时记忆神经网络（Long Short Term Memory, LSTM）是循环神经网络（Recurrent Neural Network, RNN）的一种，多用于时序数据预测，能较好应对故障产生的累积效应，能多方位考虑局部放电故障对预测结果的影响，数据需求不大、预测分类性能优良，但一些研究[11-12]的LSTM关键参数人为设定、识别效果较差。本文利用鱼鹰-柯西变异的麻雀优化算法（Osprey-Cauchy-Sparrow Search Algorithm, OCSSA），对LSTM中的隐含层节点数和学习率进行优化，进而实现故障分类。
本文提出一种基于SGMD与OCSSA-LSTM的GIS局部放电故障诊断方法，创新点如下：
（1）将辛几何模态分解首次引入局部放电的故障诊断，进行多维混合域的特征提取；
（2）使用混沌理论、鱼鹰优化、柯西异变三种策略改进麻雀优化算法，使其收敛速度、精确性大大提升，实现LSTM关键参数的寻优；
（3）结合110 kV变电站GIS实际运维数据，验证本文模型的有效性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006326
作者信息：
张运，张超，张士勇，马鹏墀，杨光，丁浩
（国网江苏省电力有限公司 盐城供电分公司，江苏 盐城 224000）
