本發(fā)明屬于電力變壓器局部放電模式識(shí)別技術(shù)領(lǐng)域，涉及一種變壓器局部放電超高頻信號(hào)多尺度能量特征線性識(shí)別方法。

背景技術(shù)：

大型電力變壓器是電網(wǎng)關(guān)鍵輸變電設(shè)備之一。變壓器內(nèi)部絕緣為油紙組合絕緣，其絕緣缺陷一方面可能在制造與運(yùn)輸過(guò)程中產(chǎn)生，另一方面可能由于電力系統(tǒng)過(guò)電壓、雷電沖擊大電流以及長(zhǎng)時(shí)間運(yùn)行過(guò)程中的絕緣失效老化等因素造成，絕緣缺陷會(huì)導(dǎo)致電力變壓器內(nèi)部發(fā)生局部放電現(xiàn)象。局部放電發(fā)生的同時(shí)，有熱、聲、臭氧、氧化氮等產(chǎn)生，腐蝕絕緣材料，使之脆化、碳化，造成不可恢復(fù)的損傷；同時(shí)放電產(chǎn)生帶電質(zhì)點(diǎn)，在電場(chǎng)作用下撞擊氣隙表面的絕緣材料，這種腐蝕和撞擊損傷的擴(kuò)大，可使整個(gè)絕緣擊穿或閃絡(luò)。

變壓器局部放電時(shí)伴有電脈沖、電磁輻射、聲、光、局部發(fā)熱以及放電導(dǎo)致絕緣材料分解出氣體等現(xiàn)象，通過(guò)這些現(xiàn)象可以檢測(cè)局部放電。隨著傳感器技術(shù)、數(shù)據(jù)采集技術(shù)等的不斷發(fā)展，局部放電的檢測(cè)超高頻和超寬頻方向發(fā)展。超高頻局部放電檢測(cè)法是通過(guò)接收變壓器內(nèi)部放電所產(chǎn)生的超高頻電信號(hào)，實(shí)現(xiàn)局部放電的檢測(cè)。

上個(gè)世紀(jì)90年代以來(lái)，模式識(shí)別方法開(kāi)始應(yīng)用于局部放電類型的識(shí)別，和傳統(tǒng)的依靠專家目測(cè)進(jìn)行放電類型判定相比，顯著提高了識(shí)別的科學(xué)性和有效性。對(duì)變壓器局部放電二維及三維統(tǒng)計(jì)圖譜進(jìn)行模式分析，是普遍采用的局部放電分析與絕緣故障診斷方法，但長(zhǎng)期監(jiān)測(cè)中的局部放電統(tǒng)計(jì)圖譜數(shù)據(jù)量大，海量數(shù)據(jù)不利于長(zhǎng)期監(jiān)測(cè)與遠(yuǎn)程識(shí)別的需要。隨著超高頻檢測(cè)技術(shù)的發(fā)展，由于超高頻波形信號(hào)所含頻域信息較為豐富，應(yīng)用于脈沖電流檢測(cè)法的局部放電模式識(shí)別技術(shù)被引入超高頻信號(hào)檢測(cè)法，但目前缺乏有效的局部放電超高頻信號(hào)波形特征參量以及快速識(shí)別方法。

因此，通過(guò)電力變壓器局部放電超高頻多尺度信號(hào)的識(shí)別，可以有效鑒別變壓器內(nèi)部絕緣缺陷及缺陷發(fā)展程度，有效判斷變壓器絕緣狀態(tài)，實(shí)現(xiàn)變壓器內(nèi)部放電性故障的預(yù)警預(yù)報(bào)，提高變壓器安全運(yùn)行水平。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種變壓器局部放電超高頻信號(hào)多尺度能量特征線性識(shí)別方法，具體包括如下技術(shù)方案：

一種變壓器局部放電超高頻信號(hào)多尺度能量特征線性識(shí)別方法，該方法包括以下步驟：

S1：采集局部放電超高頻信號(hào)數(shù)據(jù)；

S2：采用小波包分解局部放電超高頻信號(hào)得到多尺度信號(hào)；

S3：提取多尺度能量參數(shù)；

S4：構(gòu)造線性判別分析方法，對(duì)局部放電超高頻信號(hào)進(jìn)行識(shí)別。

進(jìn)一步，所述步驟S1具體包括：

S11：數(shù)據(jù)采集：采集電力變壓器油紙絕緣缺陷的局部放電超高頻信號(hào)數(shù)據(jù)；

S12：建立初始數(shù)據(jù)樣本集：將電力變壓器局部放電信號(hào)進(jìn)行處理，建立電力變壓器超高頻信號(hào)初始數(shù)據(jù)樣本集。

進(jìn)一步，所述步驟S2具體包括：

S21：構(gòu)建五層小波包；

S22：采用小波包對(duì)局部放電超高頻信號(hào)進(jìn)行分解，每個(gè)超高頻信號(hào)得到32個(gè)局部放電超高頻信號(hào)的多尺度分解信號(hào)。

進(jìn)一步，所述步驟S3包括：

S31：構(gòu)建多尺度能量參數(shù)的計(jì)算數(shù)學(xué)模型；

S32：選取1～16個(gè)局部放電超高頻多尺度分解信號(hào)作為特征信號(hào)；

S33：提取局部放電超高頻信號(hào)的多尺度能量參數(shù)。

進(jìn)一步，所述步驟S4具體包括：

S41：基于K最近鄰法，構(gòu)造線性判別分析方法；

S42：采用線性判別分析方法對(duì)局部放電超高頻多尺度能量特征進(jìn)行識(shí)別；

S43：采用Bootstrap算法計(jì)算局部放電超高頻脈沖信號(hào)模式識(shí)別率，檢驗(yàn)線性判別分析方法的泛化能力。

本發(fā)明的有益效果在于：根據(jù)本發(fā)明的識(shí)別方法，同現(xiàn)有的電力變壓器局部放電信號(hào)統(tǒng)計(jì)特征圖譜相并列，區(qū)別特征在于超高頻信號(hào)波形特征豐富，提取的單個(gè)信號(hào)的多尺度能量特征具有線性特征，可以采用線性分類器對(duì)其進(jìn)行有效識(shí)別，因此大大提高了局部放電信號(hào)識(shí)別的計(jì)算速度，從而有效提高電力變壓器狀態(tài)監(jiān)測(cè)與故障診斷的效率。

附圖說(shuō)明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行說(shuō)明：

圖1為本發(fā)明所述方法的流程示意圖；

圖2為經(jīng)線性判別分析降維后的局部放電三維特征量；

圖3為經(jīng)線性判別分析降維后的局部放電三維特征量在各維上的投影。

具體實(shí)施方式

下面將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。

通過(guò)采集變壓器不同油紙絕緣缺陷的局部放電超高頻信號(hào)，構(gòu)建局部放電超高頻信號(hào)數(shù)據(jù)庫(kù)，能夠識(shí)別局部放電的類型，圖1為本發(fā)明所述方法的流程示意圖，如圖所示，該方法的具體步驟如下：

步驟1：設(shè)計(jì)四種油紙絕緣內(nèi)部典型局部放電模型，主要包括油中氣隙放電模型、油中沿面放電模型、油中懸浮電極放電模型、油中電暈放電模型，采用超高頻天線采集四種絕緣缺陷的局部放電超高頻信號(hào)，建立電力變壓器超高頻信號(hào)初始數(shù)據(jù)樣本集。

步驟2：小波包分解得到信號(hào)的時(shí)頻窗劃分比相同分解深度的小波分解更精細(xì)，能得到更多信號(hào)分量數(shù)，有利于考察局部放電超高頻信號(hào)的細(xì)節(jié)特征。本發(fā)明通過(guò)5層小波包變換分解局部放電超高頻信號(hào)得到多尺度信號(hào)，第五層每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一組小波包分解系數(shù)，局部放電超高頻信號(hào)通過(guò)小波包分解后可得到對(duì)應(yīng)多尺度系數(shù)的信號(hào)分量，進(jìn)一步計(jì)算出各信號(hào)分量參數(shù)，即得到信號(hào)的多尺度特征參數(shù)。

步驟3：多尺度能量系數(shù)的計(jì)算方法如下：

假設(shè)被測(cè)信號(hào)s＝{s_i:i＝1,2,…,n}經(jīng)小波或小波包分解后得到的全部系數(shù)為c＝{c_j,k:j＝1,2,…,n；k＝0,1,…,2ⁿ-1}，全部系數(shù)的總能量為：

$e_t=\underset{j,k}{\Σ}{c}_{j,k}^2---\left(1\right)$

多尺度能量參數(shù)定義為：

$E_k=\frac{\underset{j}{\Σ}{c}_{j,k}^2}{e_t}\×100\%---\left(2\right)$

局部放電超高頻信號(hào)小波第一層分解信號(hào)分量(d1)包含的主要是噪聲信號(hào)，因此，局部放電超高頻信號(hào)第一層分解的小波系數(shù)不參與局部放電超高頻信號(hào)多尺度能量參數(shù)的計(jì)算。對(duì)應(yīng)于一個(gè)N層的小波分解，局部放電超高頻信號(hào)小波分解后的多尺度能量參數(shù)向量為E＝{E_k:k＝1,2,…,N}，依次對(duì)應(yīng)于a_N、d_N、d_N－1、……、d₂系數(shù)。同樣，對(duì)于局部放電超高頻信號(hào)N層小波包分解，由(1,1)包繼續(xù)分解的小波包系數(shù)，也主要包含的是噪聲信號(hào)，不參與多尺度參數(shù)提取，參與多尺度參數(shù)提取的小波包為(N,0)、(N,1)、(N,2)、……、(N,2^N-1)，相應(yīng)的局部放電超高頻信號(hào)小波包分解多尺度能量參數(shù)向量為E＝{E_k:k＝1,2,…,2^N-1}。而且可知，多尺度能量參數(shù)向量中各參數(shù)是歸一化參數(shù)。

步驟4：構(gòu)造線性判別分析方法，對(duì)局部放電超高頻信號(hào)進(jìn)行識(shí)別。

K最近鄰方法

K最近鄰方法(K-Nearest Neighbor，KNN)是一種基于統(tǒng)計(jì)的懶惰學(xué)習(xí)算法，是由Cover和Hart于1968年提出的。KNN方法在很多領(lǐng)域都有應(yīng)用，在文本自動(dòng)分類領(lǐng)域，KNN被證明是效果最好的方法之一，該方法為最近鄰(NN)決策規(guī)則的推廣。假定有c個(gè)類w₁,w₂,…,w_c的模式識(shí)別問(wèn)題,每類有標(biāo)明類別的樣本N_i個(gè)，i＝1,2,…,c。我們可以規(guī)定w_i類的判別函數(shù)為：

$g_i\left(x\right)=\left|\right|minx-x_i^k\left|\right|,k=1,2,\mathrm{\Λ},N_i---\left(3\right)$

其中x_i的角標(biāo)i表示w_i類，k表示w_i類N_i個(gè)樣本中的第k個(gè)。按照式(5.1)，決策規(guī)則可以寫(xiě)為：若g_j(x)＝min(g_i(x)),i＝1,2,…,c，則決策x∈w_j。

對(duì)未知樣本x_u，我們只要比較x_u與N個(gè)已知類別的樣本S之間的馬式距離：

$d=\sqrt{{(t_u-m)}^T{C}^{-1}(t_u-m)}---\left(4\right)$

式中m和C分別為S的平均值和協(xié)方差。判定x與離它最近的樣本同類。由于未知樣本x的決策完全取決于最近鄰樣本，對(duì)于不同的樣本集最近鄰樣本具有偶然性，因而導(dǎo)致最近鄰決策可靠性不高。

線性判別分析法

線性判別分析法(LDA)是基于Fisher準(zhǔn)則，以樣本的可分性為目標(biāo)尋找一組線性變換，使樣本類內(nèi)離散度最小且類間離散度最大，也稱為Fisher線性判別(FLD)。

模式識(shí)別中的特征提取問(wèn)題可簡(jiǎn)單陳述為：給定N個(gè)n維樣本x_i，分別屬于c₁,c₂,…,c_K類，目標(biāo)是在基于優(yōu)化某種準(zhǔn)則的基礎(chǔ)上，尋找一個(gè)變換T，得到l維向量y_i＝T(x_i)(l<n)。LDA目標(biāo)是從高維特征空間里提取出最具有判別能力的低維特征，這些特征能幫助將同一個(gè)類別的所有樣本聚集在一起，不同類別的樣本盡量分開(kāi)，即選擇使得樣本類間離散度和樣本類內(nèi)離散度的比值最大的特征(Fisher準(zhǔn)則)。樣本的類間散度矩陣S_w、類內(nèi)散度矩陣S_b分別定義為：

$S_w=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}\underset{m=1}{\overset{n_i}{\&Sigma;}}{(x_{im}-\stackrel{\&OverBar;}{X_i})}^T(x_{im}-\stackrel{\&OverBar;}{X_i})---\left(5\right)$

$S_b=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}{(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})}^T(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})---\left(6\right)$

式(5)中：x_im為第i模式類樣本中的第m個(gè)樣本。然后，LDA就是搜尋某一投影方向矩陣w∈R_p，使得Fisher準(zhǔn)則最大：

$J\left(w\right)=\arg \underset{w}{max}\frac{w^T{S}_{b}w}{w^T{S}_{w}w}---\left(7\right)$

在數(shù)學(xué)上，容易證明使得上述準(zhǔn)則函數(shù)最大化的w的第k列向量w_k∈R^p(k＝1,2,…,r)必須滿足：

S_bw_k＝λ_kS_ww_k (8)

其中λ_k為最大本征值，w_k為與其對(duì)應(yīng)的本征矢量。由于S_b的秩為z＝c-1或更低，這樣非零本征值的個(gè)數(shù)，即對(duì)應(yīng)于特征變量空間的維數(shù)，將至多只有r＝min(p,z)個(gè)。

實(shí)驗(yàn)及結(jié)果分析

將局部放電超高頻信號(hào)的多尺度能量特征參數(shù)輸入到模式識(shí)別分類器中，對(duì)四種局部放電類型進(jìn)行了識(shí)別。選用75組局部放電差高頻信號(hào)特征量作為訓(xùn)練樣本訓(xùn)練分類器，剩下的局部放電超高頻信號(hào)特征量作為測(cè)試樣本。此外，定義分類器識(shí)別可靠率為：

P_j＝y(tǒng)_j/y_t (9)

y_j為第j類局部放電超高頻信號(hào)識(shí)別正確數(shù)目，y_t為總的局部放電超高頻信號(hào)數(shù)目。計(jì)算識(shí)別正確的各類放電樣本總數(shù)(不包括每類正確識(shí)別的訓(xùn)練樣本數(shù)，即75個(gè)樣本)與各類待識(shí)樣本總數(shù)(75)的比值，即得到識(shí)別正確率。

圖2與3為經(jīng)線性判別分析降維后的局部放電三維特征量及其在各維上的投影，可見(jiàn)局部放電超高頻信號(hào)多尺度特征參量經(jīng)線性判別分析處理后的特征參量能夠有效分開(kāi)，尤其是氣隙和電暈放電與另兩種局部放電信號(hào)可以完全分開(kāi)。線性分類器的識(shí)別正確率分別達(dá)到了98.77％，93.33％，91.05％，97.11％，線性分類器的模式識(shí)別時(shí)間為0.22s，能夠?qū)崿F(xiàn)電力變壓器局部放電實(shí)時(shí)監(jiān)測(cè)與模式識(shí)別。

最后說(shuō)明的是，以上優(yōu)選實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非限制，盡管通過(guò)上述優(yōu)選實(shí)施例已經(jīng)對(duì)本發(fā)明進(jìn)行了詳細(xì)的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細(xì)節(jié)上對(duì)其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書(shū)所限定的范圍。