專利名稱：基于奇異值分解算法的變壓器局部放電模式識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力技術(shù)領(lǐng)域，更具體地，涉及一種基于奇異值分解算法的變壓器局部放電模式識(shí)別方法。
背景技術(shù)：
局部放電是導(dǎo)致大型電力變壓器內(nèi)部絕緣劣化的主要原因之一，變壓器局部放電的在線監(jiān)測，能夠及時(shí)、準(zhǔn)確地判斷變壓器內(nèi)部絕緣狀態(tài)，對(duì)防止電力變壓器事故的發(fā)生具有重要意義。局部放電模式識(shí)別方法的二個(gè)主要問題是選擇特征量與設(shè)計(jì)分類器。在選擇統(tǒng)計(jì)特征參量作為局放特征量時(shí)，現(xiàn)有技術(shù)或者直接從眾多的統(tǒng)計(jì)參數(shù)中挑選幾個(gè)作為特征量，這種方法完全憑實(shí)踐經(jīng)驗(yàn)缺乏科學(xué)依據(jù)；或者采用基于主成分分析算法的特征選擇方法，但這種方法過程復(fù)雜，算法實(shí)現(xiàn)比較困難。在分類器構(gòu)造方面,現(xiàn)有技術(shù)主要是采用基于BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)算法的分類方法，這種方法存在對(duì)初始權(quán)值和閾值的選取敏感；容易陷入局部極小點(diǎn)，致使學(xué)習(xí)過程失效；算法收斂速度慢，效率低等不足。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于奇異值分解(SingularValue Decomposition, SVD)算法的局部放電模式識(shí)別方法,使識(shí)別、計(jì)算過程簡單，得到一種算法效率高、分類識(shí)別率高、能提高變壓器設(shè)備局部放電診斷的科學(xué)性和準(zhǔn)確性的識(shí)別方法。為實(shí)現(xiàn)上述目的，本發(fā)明所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，包括以下步驟步驟(I)搭建多種放電類型的人工缺陷實(shí)驗(yàn)環(huán)境并采集局部放電相關(guān)測量參量樣本數(shù)據(jù)；步驟(2)計(jì)算由第(I)步采集到的局部放電參量樣本數(shù)據(jù)的統(tǒng)計(jì)特征參量；步驟(3)構(gòu)成訓(xùn)練樣本矩陣和測試樣本矩陣，兩種樣本矩陣的組成結(jié)構(gòu)相同，矩陣的每一行是一種所述的統(tǒng)計(jì)特征參量，每一列是一個(gè)樣本；步驟(4)對(duì)所述訓(xùn)練樣本矩陣進(jìn)行奇異值分解，確定保留矩陣的最佳階數(shù)；步驟(5)根據(jù)經(jīng)奇異值分解得到的樣本矩陣生成分類模型，所述分類模型由類型特征空間描述矩陣和類中心描述向量組構(gòu)成；步驟(6)對(duì)測試樣本矩陣或者現(xiàn)場采集到的待分類的樣本進(jìn)行預(yù)處理得到待分類樣本向量，進(jìn)行分類識(shí)別。作為優(yōu)化方案，步驟(I)中所述人工缺陷實(shí)驗(yàn)環(huán)境包括表面放電、內(nèi)部放電和氣泡放電在內(nèi)的多種典型放電模型，以及空氣尖端放電和電暈放電在內(nèi)的多種干擾模型；每種類型的測量參量樣本數(shù)據(jù)包括脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發(fā)電平、脈沖個(gè)數(shù)、測量時(shí)長、偏移相位、測量時(shí)間、時(shí)間間隔、等效頻率、等效時(shí)長。
步驟(2)中所述的統(tǒng)計(jì)特征參量包括下述的部分或全部放電重復(fù)頻率、總放電次數(shù)、放電持續(xù)時(shí)間、正極性和負(fù)極性的最大放電量、正極性和負(fù)極性放電次數(shù)分布的加權(quán)平均放電相位、正極性和負(fù)極性放電次數(shù)分布的方差、正極性和負(fù)極性放電次數(shù)分布的偏斜度、正極性和負(fù)極性放電次數(shù)分布的陡峭度、放電次數(shù)分布圖的正負(fù)半周不對(duì)稱度、放電次數(shù)分布圖的正負(fù)半分布相關(guān)系數(shù)、正極性和負(fù)極性平均放電量分布的方差、正極性和負(fù)極性平均放電量分布的偏斜度、正極性和負(fù)極性平均放電量分布的陡峭度、平均放電量分布圖的正負(fù)半周不對(duì)稱度、平均放電量分布圖的正負(fù)半分布相關(guān)系數(shù)、脈沖幅度威布爾分布的阿爾法參數(shù)、脈沖幅度威布爾分布的貝塔參數(shù)。步驟(3)中構(gòu)成所述訓(xùn)練樣本矩陣的具體方法為，計(jì)算局放樣本信號(hào)的統(tǒng)計(jì)特征參量，并構(gòu)成列向量作為矩陣的列向量，每一種所述放電類型的樣本數(shù)據(jù)連續(xù)放置在矩陣的列中，矩陣每一行代表一種統(tǒng)計(jì)特征參量，并做數(shù)據(jù)歸一化計(jì)算。作為優(yōu)化方案，每種放電類型的訓(xùn)練樣本和測試樣本數(shù)量取2:1的比例。步驟(4)中所述保留矩陣的最佳階數(shù)的判斷方法具體為，奇異值分解后得到特征空間描述矩陣、奇異值矩陣和樣本空間描述矩陣；對(duì)樣本空間描述矩陣計(jì)算其類內(nèi)散射矩陣、類間散射矩陣、全部樣本的總散射矩陣，計(jì)算得到判斷聚類程度的表征值；比較表征值和閾值大小，當(dāng)表征值小于閾值時(shí)，判定為最佳階數(shù)。步驟(6)中分類識(shí)別方法具體為，對(duì)測試樣本矩陣或者現(xiàn)場采集到的待分類的樣本進(jìn)行預(yù)處理，得到待分類樣本向量，然后用步驟(5)得到的類型特征空間描述矩陣做線性變換，得到降維后的樣本描述空間的向量，再計(jì)算該向量與步驟(5)得到的類中心描述向量組中的每個(gè)向量的相似度大小，將最相似的一組作為分類判定結(jié)果。所述預(yù)處理過程包括計(jì)算統(tǒng)計(jì)特征參量、樣本向量歸一化。本發(fā)明采用奇異值分解算法選擇對(duì)識(shí)別時(shí)的區(qū)別能力較好的特征，計(jì)算比主成分分析法簡單，執(zhí)行效率高，對(duì)現(xiàn)有的統(tǒng)計(jì)特征參量，一次篩選得到的結(jié)果可多次使用，不必每次計(jì)算。本申請方案所述的方法克服了采用基于BP神經(jīng)網(wǎng)絡(luò)算法的分類方法所帶來的問題，采用SVD算法輸出的樣本關(guān)聯(lián)矩陣，計(jì)算類別中心點(diǎn)，用測算樣本到類別中心的距離，算法簡單，效率高。通過本發(fā)明所構(gòu)思的以上技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下的有益效果1、算法效率高因?yàn)椴襟E(4)中采取對(duì)樣本矩陣進(jìn)行奇異值分解，一次分解算法得到了樣本矩陣的奇異值矩陣、特征空間描述矩陣和類型空間描述矩陣三方面的信息，從功能上講，相當(dāng)于完成了兩個(gè)方向上主成分分析算法實(shí)現(xiàn)的功能；通過奇異值分解對(duì)樣本矩陣進(jìn)行了降維，分類算法在降維后的空間進(jìn)行，算法效率得到了提高。2、信息利用率高本發(fā)明的方法充分利用了奇異值分解后各矩陣代表的物理意義，在步驟(4)中利用了分解后的樣本空間描述矩陣來判斷保留矩陣的最佳階數(shù)和降維的類中心描述向量組，還利用保留的奇異值矩陣和特征空間描述矩陣得到降維了的類型特征空間描述矩陣。3、分類算法實(shí)現(xiàn)過程簡單步驟(5)中分類模型直接由奇異值分解后的保留矩陣計(jì)算得到，相比采用現(xiàn)有神經(jīng)網(wǎng)絡(luò)算法的分類方法，不需要額外構(gòu)造分類器。4、識(shí)別率高因?yàn)榕袛啾Ａ艟仃嚨碾A數(shù)方法沒有采取傳統(tǒng)的由奇異值的貢獻(xiàn)率大小來判斷，在步驟(4)中的確定最佳保留矩陣的階數(shù)方法使得保留矩陣在過濾掉不相關(guān)的冗余信息的同時(shí)盡可能反映原始數(shù)據(jù)的信息。


圖1是本發(fā)明一種實(shí)施例的總體流程圖，圖2是基于奇異值分解的算法流程示意圖，圖3是確定保留矩陣最佳階數(shù)的方法示意圖，圖4是奇異值分解后保留矩陣示意圖。
具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。如圖1實(shí)施例所示，本發(fā)明是一種基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，包括以下步驟(I)搭建人工缺陷實(shí)驗(yàn)環(huán)境并采集數(shù)據(jù)。具體而言，可以設(shè)置表面放電、內(nèi)部放電和氣泡放電等在內(nèi)的多種典型放電模型，以及空氣尖端放電和電暈放電等在內(nèi)的多種干擾模型；采用超高頻局部放電測量系統(tǒng)在實(shí)驗(yàn)室中進(jìn)行數(shù)據(jù)采集，每種類型的測量參量包括脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發(fā)電平、脈沖個(gè)數(shù)、測量時(shí)長、偏移相位、測量時(shí)間、時(shí)間間隔、等效頻率、等效時(shí)長。分別獲取這些模型的多個(gè)樣本數(shù)據(jù)，取每類三分之二數(shù)量的樣本用于訓(xùn)練，其余樣本用于測試。(2)計(jì)算每個(gè)樣本的統(tǒng)計(jì)特征參量。具體而言,包括以下統(tǒng)計(jì)特征參數(shù)放電重復(fù)頻率、總放電次數(shù)、放電持續(xù)時(shí)間、正極性和負(fù)極性的最大放電量、正極性和負(fù)極性放電次數(shù)分布的加權(quán)平均放電相位、正極性和負(fù)極性放電次數(shù)分布的方差、正極性和負(fù)極性放電次數(shù)分布的偏斜度、正極性和負(fù)極性放電次數(shù)分布的陡峭度、放電次數(shù)分布圖的正負(fù)半周不對(duì)稱度、放電次數(shù)分布圖的正負(fù)半分布相關(guān)系數(shù)、正極性和負(fù)極性平均放電量分布的方差、正極性和負(fù)極性平均放電量分布的偏斜度、正極性和負(fù)極性平均放電量分布的陡峭度、平均放電量分布圖的正負(fù)半周不對(duì)稱度、平均放電量分布圖的正負(fù)半分布相關(guān)系數(shù)、脈沖幅度威布爾分布的阿爾法參數(shù)、脈沖幅度威布爾分布的貝塔參數(shù)。作為一種實(shí)施例，我們選了 25種參數(shù)和4種缺陷模型，本發(fā)明并不限定使用另外的參數(shù)和缺陷模型。(3)構(gòu)成局放樣本數(shù)據(jù)矩陣A。具體而言，首先計(jì)算每個(gè)局部放電樣本信號(hào)的統(tǒng)計(jì)特征參量，按類別分組整理好，形成如下式所示的特征矩陣，矩陣的每一列存放一個(gè)樣本列向量，每一類的樣本連續(xù)放置在矩陣的列中，每一行代表一種統(tǒng)計(jì)特征參量。作為一種實(shí)施例，第(I)步共取了 4*40=160個(gè)樣本用于訓(xùn)練，由第(2)步從每個(gè)樣本計(jì)算出25個(gè)統(tǒng)計(jì)特征參量，下列的S矩陣中有25個(gè)行向量，4類樣本共160個(gè)樣本列向量。
權(quán)利要求
1.一種基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，包括以下步驟: 步驟(I)搭建多種放電類型的人工缺陷實(shí)驗(yàn)環(huán)境并采集局部放電相關(guān)測量參量樣本數(shù)據(jù)； 步驟(2)計(jì)算由第(I)步采集到的局部放電參量樣本數(shù)據(jù)的統(tǒng)計(jì)特征參量； 步驟(3)構(gòu)成訓(xùn)練樣本矩陣和測試樣本矩陣，兩種樣本矩陣的組成結(jié)構(gòu)相同，矩陣的每一行是一種所述的統(tǒng)計(jì)特征參量，每一列是一個(gè)樣本； 步驟(4)對(duì)所述訓(xùn)練樣本矩陣進(jìn)行奇異值分解，確定保留矩陣的最佳階數(shù)； 步驟(5)根據(jù)經(jīng)奇異值分解得到的樣本矩陣生成分類模型，所述分類模型由類型特征空間描述矩陣和類中心描述向量組構(gòu)成； 步驟(6)對(duì)測試樣本矩陣或者現(xiàn)場采集到的待分類的樣本進(jìn)行預(yù)處理得到待分類樣本向量，進(jìn)行分類識(shí)別。
2.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，步驟(I)中所述人工缺陷實(shí)驗(yàn)環(huán)境包括表面放電、內(nèi)部放電和氣泡放電在內(nèi)的多種典型放電模型，以及空氣尖端放電和電暈放電在內(nèi)的多種干擾模型；每種類型的測量參量樣本數(shù)據(jù)包括:脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發(fā)電平、脈沖個(gè)數(shù)、測量時(shí)長、偏移相位、測量時(shí)間、時(shí)間間隔、等效頻率、等效時(shí)長。
3.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，步驟(2)中所述的統(tǒng)計(jì)特征參量包括下述的部分或全部:放電重復(fù)頻率、總放電次數(shù)、放電持續(xù)時(shí)間、正極性和負(fù)極性的最大放電量、正極性和負(fù)極性放電次數(shù)分布的加權(quán)平均放電相位、正極性和負(fù)極性放電次數(shù)分布的方差、正極性和負(fù)極性放電次數(shù)分布的偏斜度、正極性和負(fù)極性放電次數(shù)分布的陡峭度、放電次數(shù)分布圖的正負(fù)半周不對(duì)稱度、放電次數(shù)分布圖的正負(fù)半分布相關(guān)系數(shù)、正極性和負(fù)極性平均放電量分布的方差、正極性和負(fù)極性平均放電量分布的偏斜度、正極性和負(fù)極性平均放電量分布的陡峭度、平均放電量分布圖的正負(fù)半周不對(duì)稱度、平均放電量分布圖的正負(fù)半分布相關(guān)系數(shù)、脈沖幅度威布爾分布的阿爾法參數(shù)、脈沖幅度威布爾分布的貝塔參數(shù)。
4.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，步驟(3)中構(gòu)成所述訓(xùn)練樣本矩陣的具體方法為，計(jì)算局放樣本信號(hào)的統(tǒng)計(jì)特征參量，并構(gòu)成列向量作為矩陣的列向量，每一種所述放電類型的樣本數(shù)據(jù)連續(xù)放置在矩陣的列中，矩陣每一行代表一種統(tǒng)計(jì)特征參量，并做數(shù)據(jù)歸一化計(jì)算。
5.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，每種放電類型的訓(xùn)練樣本和測試樣本數(shù)量取2:1的比例。
6.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，步驟(4)中所述保留矩陣的最佳階數(shù)的判斷方法具體為，奇異值分解后得到特征空間描述矩陣、奇異值矩陣和樣本空間描述矩陣；對(duì)樣本空間描述矩陣計(jì)算其類內(nèi)散射矩陣、 類間散射矩陣、全部樣本的總散射矩陣，計(jì)算得到判斷聚類程度的表征值；比較表征值和閾值大小，當(dāng)表征值小于閾值時(shí)，判定為最佳階數(shù)。
7.根據(jù)權(quán)利要求1所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，步驟(6)中分類識(shí)別方法具體為，對(duì)測試樣本矩陣或者現(xiàn)場采集到的待分類的樣本進(jìn)行預(yù)處理，得到待分類樣本向量，然后用步驟(5)得到的類型特征空間描述矩陣做線性變換，得到降維后的樣本描述空間的向量，再計(jì)算該向量與步驟(5)得到的類中心描述向量組中的每個(gè)向量的相似度大小，將最相似的一組作為分類判定結(jié)果。
8.根據(jù) 權(quán)利要求7所述的基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，其特征在于，所述預(yù)處理過程包括:計(jì)算統(tǒng)計(jì)特征參量、樣本向量歸一化。
全文摘要
本發(fā)明公開了一種基于奇異值分解算法的變壓器局部放電模式識(shí)別方法，包括訓(xùn)練模型和分類識(shí)別過程，包括首先搭建人工缺陷實(shí)驗(yàn)環(huán)境并采集數(shù)據(jù)樣本，計(jì)算每個(gè)樣本的統(tǒng)計(jì)特征參量，構(gòu)成數(shù)據(jù)樣本矩陣；對(duì)樣本矩陣進(jìn)行奇異值分解，通過判斷保留矩陣的特征是否明顯，確定最佳保留矩陣的階數(shù)，從而得到降維后的類型特征描述矩陣和類中心描述向量組；對(duì)待識(shí)別的樣本進(jìn)行預(yù)處理得到樣本向量，用類型特征空間描述矩陣將其線性變換，得到降維后的樣本描述空間的向量，然后計(jì)算該向量與類型向量組中的每個(gè)向量的相似度大小，從而得到分類判斷結(jié)果。該算法簡單而且高效，能夠?qū)崿F(xiàn)局部放電檢測中干擾信號(hào)和放電信號(hào)的可靠區(qū)分，提高局部放電模式診斷的準(zhǔn)確性。
文檔編號(hào)G01R31/12GK103077402SQ20121058101
公開日2013年5月1日 申請日期2012年12月28日 優(yōu)先權(quán)日2012年12月28日
發(fā)明者謝齊家, 李成華, 阮羚, 李勁彬, 宿磊, 陳婷, 張新訪 申請人:湖北省電力公司電力科學(xué)研究院, 華中科技大學(xué), 國家電網(wǎng)公司