基于向量机和人工鱼群优化的GIS设备智能识别方法

暂无

基于向量机和人工鱼群优化的GIS设备智能识别方法\n技术领域\n[0001] 本发明涉及电力设备内部缺陷识别方法，尤其涉及一种基于支持向量机和人工鱼群优化的GIS设备内部缺陷可视化智能识别方法技术领域。\n背景技术\n[0002] 气体绝缘组合电器(Gas Insulated Switchgear，GIS)在电力系统的变电站和发电厂中得到了广泛应用，随着电网电压等级和容量的不断提高，GIS设备故障率也随之增加。GIS设备具有占地空间小、安装方便和可靠性高的优点，但它是全封闭组合结构设备，一旦发生故障，需较长的维修时间，造成影响和损失都很大。因此，及时、准确地掌握GIS设备的运行状态具有十分重要的意义。\n[0003] GIS设备在制造、安装、运行过程中可能会引起部件松脱、脱落、遗漏、变形等缺陷，GIS内部这些缺陷会引发各种形式的局部放电。局部放电不仅是GIS设备内部缺陷的先兆和主要表现形式，且是导致GIS设备绝缘劣化的原因，它的持续发展将造成停电事故，影响电力系统的安全、可靠运行并给电网造成损失。\n[0004] 目前，针对GIS设备的局部放电检测主要包括脉冲电流法、化学检测法、超声波检测法、超高频检测法等，这些局部放电的检测方法均不能十分确定是否GIS设备内部存在缺陷，也不能在不拆卸GIS设备的情况下，可视、直观地确定和识别出GIS设备内部缺陷的性质和位置。\n[0005] X射线数字成像技术能实现在不拆卸设备，不停电情况下，对设备内部情况的可视化展现，该技术在医学和工业的无损评估与检测中有着广泛的应用，但在电力系统方面的应用并不多见。该技术可以解决GIS设备局部放电检测手段不能在不拆卸设备情况下，对设备内部的可视化检测。因此，局部放电检测法和X射线数字成像技术的联合使用不仅能减少仅用X射线数字成像技术检测GIS设备的工作量，同时能避免局部放电检测手段的不足。但局部放电检测法和X射线数字成像技术只能显示现场采集上来的数据，并没有数据的分析功能，更不能对设备内部缺陷进行识别。具体缺陷的判断需要电力专家对数据进行查看和分析，不利于现场问题的快速查找，且缺陷识别完全依赖现场专家的经验和水平，给GIS设备内部缺陷的诊定带来很大的不确定性。\n[0006] 支持向量机(Support Vector Machine，SVM)是基于统计学习理论的结构风险最小化原理解决了小样本、非线性等问题，提高其泛化能力，从而能很好地处理电力设备缺陷诊断所面临样本不足的问题。但SVM方法中某些参数的选择对其分类(即缺陷的识别)的准确率影响很大，因此，对SVM参数的合理选择能获得较好的分类效果。\n[0007] 人工鱼群智能优化算法具有良好的克服局部极值和取得全局极值的能力，其最先被应用于鲁棒PID控制器参数的优化中，得到了令人满意的结果。但到目前为止，还没有人将该算法应用于对支持向量机参数优化确定的方面。\n发明内容\n[0008] 本发明为了解决上述问题，提高对GIS设备内部是否存在缺陷的准确性，同时智能、直观、可视地确定和识别出GIS设备内部缺陷的性质和位置。\n[0009] 本发明提出了如下方案：\n[0010] 基于向量机和人工鱼群优化的GIS设备智能识别方法，本发明步骤为：\n[0011] A、对GIS设备进行局部放电的检测；\n[0012] B、将检测到的局部放电数据进行图谱特征提取；\n[0013] C、利用X射线数字成像检测系统，对局部放电区域进行可视化成像并形成X射线数字图片；\n[0014] D、将利用X射线数字成像检测系统获得的X射线数字图片进行特征提取；\n[0015] E、利用人工鱼群优化算法对SVM的规则化参数C″和核函数参数σ进行优化，确定规则化参数C″和核函数参数σ的取值；\n[0016] F、提取GIS缺陷范例库的局部放电图谱特征和X射线数字图片特征训练SVM；\n[0017] G、将新检测到的局部放电图谱特征和X射线数字图片特征输入到SVM中进行智能缺陷识别，并确定GIS设备内部是否存在缺陷，缺陷的性质和位置。\n[0018] 步骤A中对GIS设备进行局部放电的检测应采用超声波检测法和超高频检测法。\n[0019] 步骤B中将检测到的局部放电数据进行图谱特征提取是指对检测到的局部放电数据进行时域自相关分析和能谱特征的提取；其中图谱特征中的时域自相关分析如下：\n[0020] \n[0021] 其中，ρx(τ)为时域自相关分析、τ为时差、x(t)为局部放电数据中放电量Q随时间t的信号序列；\n[0022] 能谱表达式为：\n[0023] \n[0024] 其中，Wx(ω)为能谱、ω是角频率、ρx(τ)是时域自相关分析。\n[0025] 步骤C的具体步骤为，\n[0026] C1：在GIS设备局部放电位置的一侧紧贴设备外侧放置平板探测器、另一侧在四角支架上放置高频X射线机，且高频X射线机的X射线发射窗口中心对准GIS设备局部放电位置，使平板探测器中心、高频X射线机的X射线发射窗口中心和GIS设备局部放电位置在一条直线上；\n[0027] C2：高频X射线机通过电缆与高频X射线机控制箱相连；\n[0028] C3：将平板探测器通过X射线数字检测数据线与X射线数字检测笔记本电脑工作站相连；\n[0029] C4：根据生产现场高频X射线机、GIS设备局部放电位置等条件，设定电压\n80-300kV、电流0.8-3mA、透照时间60-180s，高频X射线机的焦距在680-720mm；\n[0030] C5：设定X射线数字成像系统参数后，启动高频X射线机控制箱的射线发射按钮，对GIS设备内部局部放电位置区域进行透照并获得数字图片；\n[0031] C6：将数字图片在X射线数字检测笔记本电脑工作站进行滤波去噪等分析处理，得到满意的图像效果，以完成对比、测量的后续工作；\n[0032] C7：透照不同部位，重复步骤c1、c4、c5和c6。\n[0033] 步骤D的是指利用X射线数字成像检测系统获得的X射线数字图片进行直方图特征提取。\n[0034] 步骤E的步骤为：\n[0035] E1：初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数；\n[0036] E2：利用式 计算人工鱼当前状态的食物浓度，Xi，分别\n表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大小；\n[0037] E3：对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；\n[0038] E4：对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为；\n[0039] E5：如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。\n[0040] 支持向量机是一种研究有限样本情况下基于统计学习理论的VC维理论和结构风险最小化原则基础上的新机器学习方法，这种方法利用核函数将样本映射到高维特征空间并在此空间构造最优线性分类超平面，以获得最大的推广能力。\n[0041] 假定(xi，yi)i＝1，2，L，n，xi∈Rd，yi∈{-1，+1}为样本训练集，其中xi∈Rd表示d维的特征向量，yi∈{-1，+1}表示特征向量xi归属的类别，n为样本数。在非线性情况下，利用非线性变换 将样本集原空间进行转换，样本空间两分类问题表示为：\n[0042] i＝1，2，L，n\n[0043] 式中：ω是权值向量，b为偏差。\n[0044] 另外，考虑到某些样本会存在不能被上式的分类超平面正确划分。因而，引入非负松弛因子εi来规定最大分类间隔和最小错误划分样本。规则化常数C″决定对错分样本错误的惩罚程度。因此，求解最优分类超平面的问题被转变为：\n[0045] \n[0046] s.t. i＝1，2，L，n\n[0047] 利用拉格朗日函数，上式转变为对偶问题进行求解：\n[0048] \n[0049] s.t. 0≤αi≤C，i＝1，2，L，n\n[0050] 上式中，αi只有一小部分不为0，其对应的训练样本是支持向量，则最优决策函数：\n[0051] \n[0052] 上式中， 核函数，sgn为符号函数，结果为+1或-1，n是支持向\n量的数目，本发明选取径向基核函数。规则化参数C″和核函数参数σ的大小选择直接影响到SVM的分类准确性，因此合理的选取参数对SVM理论很重要。但SVM参数选取的现有方法都比较繁琐、费时且效果不好。因此，本发明提出利用人工鱼群优化(Artificial Fish School Optimization，AFSO)算法获得SVM参数。\n[0053] 人工鱼群智能优化算法AFSO是一种基于模拟鱼群行为的智能优化算法，它采用了自下而上的设计方法，对寻优空间的形式和性质并没有特殊要求。本发明将SVM的规则化参数C″和核函数参数σ分别构造为人工鱼的个体模型，然后人工鱼个体在寻优的过程中自适应地选择合适的行为，最终SVM的规则化参数C″和核函数参数σ的全局最优结果通过鱼群中每个个体的局部寻优而得到。\n[0054] A.食物浓度\n[0055] 食物浓度是衡量人工鱼当前所处位置优劣的标志，其作用类似于粒子群优化算法中的适应度。在本发明中，食物浓度是衡量SVM规则化参数C″和核函数参数σ当前所处位置优劣的标志。本发明根据SVM规则化参数C″和核函数参数σ作为人工鱼个体模型的特殊性，所采用的食物浓度评价函数为：\n[0056] \n[0057] 式中，Xi， 分别表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前所处位置的均值，N表示鱼群的大小。\n[0058] B觅食行为：在本发明中的觅食行为就是SVM中规则化参数C″和核函数参数σ根据食物浓度像鱼那样循着食物多的方向进行游动的一种行为。人工鱼当前状态Xi在其感知范围(di，j＝||Xi-Xj||≤Visual)内随机选择一个目标状态Xj，如果该状态的食物浓度Yj优于当前状态Xi的食物浓度Yi，则按Xinextm＝Xim+Random(AF_Step)(Xjm-Xim)/di，j Yi＜Yj，向该状态Xj方向前进一步；反之，Xi在其感知范围内重新随机选择状态Xj，判断是否满足前进条件。反复尝试try_number次后，如仍不满足前进条件的话，则按Xinextm＝Xim+Random(AF_Step)Yi≥Yj，随机移动一步。其中，m＝1，2；Xjm、Xim和Xinextm分别表示状态向量Xi，Xj以及人工鱼下一步状态向量Xinextm的m个分量。Random(AF_Step)表示[0，AF_Step]间的随机数。以下各式中的符号含义与此相同。\n[0059] C聚群行为：在本发明中的聚群行为指的是依据SVM中规则化参数C″和核函数参数σ所形成的多条人工鱼个体，在游动过程中尽量向周围临近伙伴们的中心移动，以避免过分拥挤。人工鱼对当前状态Xi搜索其感知范围di，j内的伙伴数目nf，如果(nf/N)＜δ，这表明伙伴中心有较多的食物且不太拥挤，则按下式计算伙伴中心位置Xc。\n[0060] \n[0061] 式中，Xcm表示中心位置状态向量Xc的第m个元素；Xjm表示第j(j＝1，2，...，nf)个伙伴的第m个分量。计算该中心位置的食物浓度Yc，如果Yi＜Yc，则表明伙伴中心位置安全度较高并且不太拥挤，按下式向伙伴的中心位置方向前进一步；否则执行觅食行为。\n[0062] Xinextm＝Xim+Random(AF_Step)(Xcm-Xim)/du，c\n[0063] D追尾行为：在本发明中的追尾行为指的是依据SVM中规则化参数C″和核函数参数σ而形成的多条人工鱼个体向临近的最活跃者追逐的行为。探索人工鱼当前状态Xi的感知范围内状态最优的邻居Xmax，如果Yi＜Ymax，并且Xmax领域内伙伴的数目nf，满足(nf/N)＜δ，这表明Xmax的附近有较多的食物且不太拥挤，则按下式向Xmax的位置方向前进一步；\n否则执行觅食行为。\n[0064] Xinextm＝Xim+Random(AF_Step)(Xmaxm-Xim)/di，max\n[0065] 式中，Xmaxm表示状态向量Xmax的第m个分量。\n[0066] E公告板是用来记录最优人工鱼个体的状态。每条人工鱼个体在寻优过程中，每次行动完毕都要检验自身状态与公告板的状态，如果自身状态优于公告板状态，就将公告板的状态替换为自身状态，这样的话，公告板就记录下历史最优的状态，即SVM中规则化参数C″和核函数参数σ的最优值。\n[0067] 通过对人工鱼的行为描述我们可以看出，每条人工鱼探索它当前所处的环境状况，从而选择一个合适的行为，使得向最优方向前进最快。最终，人工鱼集结在几个局部极值的周围，且值较优的极值区域周围一般能集结较多条人工鱼。\n[0068] 本发明的有益效果为，利用人工鱼群优化算法确定SVM的参数，然后利用GIS缺陷范例库中局部放电图谱的特征和X射线数字图片的特征样本对SVM进行训练，训练完成后将新检测到的局部放电图谱特征和X射线数字图谱特征输入到SVM中并自动地获得GIS设备内部是否存在缺陷，缺陷的性质和位置，从而达到对GIS设备内部缺陷进行可视化智能识别的目的不仅可以降低盲目选择SVM参数对分类结果的影响并提高GIS设备内部缺陷识别的准确性。\n[0069] 下面结合附图及实例进一步说明本发明内容。\n附图说明\n[0070] 图1是本发明基于局部放电图谱特征和X射线数字图片特征的GIS设备内部缺陷可视化智能识别方法流程图；\n[0071] 图2是本发明GIS设备超声波局部放电检测示意图；\n[0072] 图3是本发明GIS设备超高频局部放电检测示意图；\n[0073] 图4是本发明GIS设备X射线数字成像局部放电检测示意图。\n具体实施方式\n[0074] 如图1，图2，图3，图4所示，基于向量机和人工鱼群优化的GIS设备智能识别方法，本发明步骤为：\n[0075] A、对GIS设备进行局部放电的检测；\n[0076] B、将检测到的局部放电数据进行图谱特征提取；\n[0077] C、利用X射线数字成像检测系统，对局部放电区域进行可视化成像并形成X射线数字图片；\n[0078] D、将利用X射线数字成像检测系统获得的X射线数字图片进行特征提取；\n[0079] E、利用人工鱼群优化算法对SVM的规则化参数C″和核函数参数σ进行优化，确定规则化参数C″和核函数参数σ的取值；\n[0080] F、提取GIS缺陷范例库的局部放电图谱特征和X射线数字图片特征训练SVM；\n[0081] G、将新检测到的局部放电图谱特征和X射线数字图片特征输入到SVM中进行智能缺陷识别，并确定GIS设备内部是否存在缺陷，缺陷的性质和位置。\n[0082] 步骤A中对GIS设备进行局部放电的检测应采用超声波检测法和超高频检测法。\n[0083] 步骤B中将检测到的局部放电数据进行图谱特征提取是指对检测到的局部放电数据进行时域自相关分析和能谱特征的提取；其中图谱特征中的时域自相关分析如下：\n[0084] \n[0085] 其中，ρx(τ)为时域自相关分析、τ为时差、x(t)为局部放电数据中放电量Q随时间t的信号序列；\n[0086] 能谱表达式为：\n[0087] \n[0088] 其中，Wx(ω)为能谱、ω是角频率、ρx(τ)是时域自相关分析。\n[0089] 步骤C的具体步骤为，\n[0090] C1：在GIS设备局部放电位置的一侧紧贴设备外侧放置平板探测器、另一侧在四角支架上放置高频X射线机，且高频X射线机的X射线发射窗口中心对准GIS设备局部放电位置，使平板探测器中心、高频X射线机的X射线发射窗口中心和GIS设备局部放电位置在一条直线上；\n[0091] C2：高频X射线机通过电缆与高频X射线机控制箱相连；\n[0092] C3：将平板探测器通过X射线数字检测数据线与X射线数字检测笔记本电脑工作站相连；\n[0093] C4：根据生产现场高频X射线机、GIS设备局部放电位置等条件，设定电压\n80-300kV、电流0.8-3mA、透照时间60-180s，高频X射线机的焦距在680-720mm；\n[0094] C5：设定X射线数字成像系统参数后，启动高频X射线机控制箱的射线发射按钮，对GIS设备内部局部放电位置区域进行透照并获得数字图片；\n[0095] C6：将数字图片在X射线数字检测笔记本电脑工作站进行滤波去噪等分析处理，得到满意的图像效果，以完成对比、测量的后续工作；\n[0096] C7：透照不同部位，重复步骤c1、c4、c5和c6。\n[0097] 步骤D的是指利用X射线数字成像检测系统获得的X射线数字图片进行直方图特征提取。\n[0098] 步骤E的步骤为：\n[0099] E1：初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数；\n[0100] E2：利用式 计算人工鱼当前状态的食物浓度，Xi，分别\n表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大小；\n[0101] E3：对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；\n[0102] E4：对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为；\n[0103] E5：如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。\n[0104] 本发明中对SVM规则化参数C″和核函数参数σ的每次迭代运算的鱼群大小设定为：N＝16；人工鱼活动范围设定为：scope_x11＝352、scope_x12＝0、scope_x21＝288、scope_x22＝0；人工鱼移动的步长设定为：AF_Step＝0.01；人工鱼的感知范围设定为：\nVisual＝0.01；人工鱼每次觅食时最大的试探次数设定为：try_number＝20；鱼群的拥挤度因子设定为：δ＝0.618；SVM共设计870个两类分类器。\n[0105] 本发明对SVM规则化参数C″和核函数参数σ随机进行初始化，并分别形成包含N条人工鱼的数据集E＝{Xi}，其中 代表第i条人工鱼的位置，并将其\n利用对鱼群算法进行初始化。鱼群中每条人工鱼的个体极值\ni＝1，2，...，N，以及鱼群最优位置Pgmost＝{Pgmost}的初始值都等于SVM规则化参数C″和核函数参数σ的初始位置。公告板的初始状态与鱼群初始最优状态相同。\n[0106] 1、食物浓度是衡量人工鱼当前所处位置优劣的标志\n[0107] 食物浓度是衡量人工鱼当前所处位置优劣的标志，其作用类似于粒子群优化算法中的适应度。在本发明中，食物浓度是衡量SVM规则化参数C″和核函数参数σ当前所处位置优劣的标志。本发明根据SVM中规则化参数C″和核函数参数σ作为人工鱼个体模型的特殊性，所采用的食物浓度评价函数为：\n[0108] \n[0109] 式中，Xi， 分别表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大小。\n[0110] 2、人工鱼群智能优化算法\n[0111] 在本发明中，利用人工鱼群优化算法优化确定SVM中规则化参数C″和核函数参数σ，以避免对SVM最佳参数的选择没有一个很好的手段，现有方法在计算耗时和效果方面都不是很理想的缺点。该优化算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻找SVM中规则化参数C″和核函数参数σ最优设置的目的。\n[0112] (1)觅食行为：在本发明中的觅食行为就是SVM中规则化参数C″和核函数参数σ根据食物浓度像鱼那样循着食物多的方向进行游动的一种行为。人工鱼当前状态Xi在其感知范围(di，j＝||Xi-Xj||≤Visual)内随机选择一个目标状态Xj，如果该状态的食物浓度Yj优于当前状态Xi的食物浓度Yi，则按Xinextm＝Xim+Random(AF_Step)(Xjm-Xim)/di，j，Yi＜Yj向该状态Xj方向前进一步；反之，Xi在其感知范围内重新随机选择状态Xj，判断是否满足前进条件。反复尝试try_number次后，如仍不满足前进条件的话，则按Xinextm＝Xim+Random(AF_Step)，Yi≥Yj随机移动一步。其中，m＝1，2；Xjm、Xim和Xinextm分别表示状态向量Xi，Xj以及人工鱼下一步状态向量Xinextm的m个分量。Random(AF_Step)表示[0，AF_Step]间的随机数。以下各式中的符号含义与此相同。\n[0113] (2)聚群行为：在本发明中的聚群行为指的是依据SVM中规则化参数C″和核函数参数σ而形成的多条人工鱼个体，在游动过程中尽量向周围临近伙伴们的中心移动以避免过分拥挤。人工鱼对当前状态Xi搜索其感知范围di，j内的伙伴数目nf，如果(nf/N)＜δ，这表明伙伴中心有较多的食物且不太拥挤，则按 计算伙伴中心位\n置Xc，其中，Xcm表示中心位置状态向量Xc的第m个元素；Xjm表示第j(j＝1，2，...，nf)个伙伴的第m个分量。计算该中心位置的食物浓度Yc，如果Yi＜Yc，则表明伙伴中心位置安全度较高并且不太拥挤，按式Xinextm＝Xim+Random(AF_Step)(Xcm-Xim)/di，c向伙伴的中心位置方向前进一步；否则执行觅食行为。\n[0114] (3)追尾行为：在本发明中的追尾行为指的是依据SVM规则化参数C″和核函数参数σ而形成的多条人工鱼个体向临近的最活跃者追捉的行为。探索人工鱼当前状态Xi其感知范围内状态最优的邻居Xmax，如果Yi＜Ymax，并且Xmax领域内伙伴的数目nf，满足(nf/N)＜δ，这表明Xmax的附近有较多的食物且不太拥挤，则按式Xinextm＝Xim+Random(AF_Step)(Xmaxm-Xim)/di，max(其中，Xmaxm表示状态向量Xmax的第m个分量)向Xmax的位置方向前进一步；\n否则执行觅食行为。\n[0115] (4)公告板是用来记录最优人工鱼个体的状态。每条人工鱼个体在寻优过程中，每次行动完毕都要检验自身状态与公告板的状态，如果自身状态优于公告板状态，就将公告板的状态替换为自身状态，这样的话，公告板就记录下历史最优的状态，即SVM中规则化参数C″和核函数参数σ在本次迭代中的最优值。\n[0116] 通过对人工鱼的行为描述我们可以看出，每条人工鱼探索它当前所处的环境状况，从而选择一个合适的行为，使得向最优方向前进最快。最终，人工鱼集结在几个局部极值的周围，且值较优的极值区域周围一般能集结较多条人工鱼。人工鱼群智能优化算法的具体实施如上述E步骤。\n[0117] 超声波局部放电检测包括超声波传感器1、超声波检测前端模块3、便携超声波工业电脑4；超声波检测电源及信号控制线5、超声波检测数据线6。利用超声波传感器1在GIS腔体2上移动，当GIS设备内部由于其内部缺陷产生局部放电情况时，超声波传感器就有可能接收到异常信号，反过来，当通过便携超声波工业电脑4上显示出的异常信号时，则也可认为GIS设备内部很可能存在缺陷产生局部放电情况。\n[0118] 超高频局部放电检测包括超高频传感器7；超高频检测前端模块9、便携超高频工业电脑10、超高频检测电源及信号控制线11、超高频检测数据线12。将两个超高频传感器\n7安装在盆式绝缘子8上，当GIS设备内部由于其内部缺陷产生局部放电情况时，超高频传感器就有可能接收到异常信号，反过来，当通过便携超高频工业电脑10上显示出的异常信号时，则也可认为GIS设备内部很可能存在缺陷产生局部放电情况。\n[0119] X射线数字成像局部放电检测包括高频X射线机13、高频X射线机控制箱14、四角架15、平板探测器16、X射线数字检测笔记本电脑工作站17、X射线数字检测数据线18、X射线发射窗19。通过图2和图3局部放电检测发现GIS设备内部可能存在局部放电位置\n20区域，在局部放电位置20的GIS设备一侧，紧贴GIS腔体2放置平板探测器16，在GIS设备另一侧，使高频X射线机13的X射线发射窗19正对着局部放电位置20，高频X射线机\n13的X射线焦距为700mm左右.。利用高频X射线机控制箱14控制高频X射线机13通过X射线发生窗19和平板探测器16对GIS设备内部局部放电位置进行透照，X射线数字检测笔记本电脑工作站17的电脑上显示的数字图像21可以清晰地看出被X光照射GIS局部放电位置20的内部缺陷22的情况。