CN102645620A - 基于时频特征参数的变电站多源局部放电检测方法及装置 - Google Patents

Abstract

本发明公开了基于时频特征参数的变电站多源局部放电检测方法及装置。该方法包括：在预设时间内采集UHF天线接收的超高频信号；从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。采用本发明，可以通过基于不同局部放电源所产生超高频放电信号在时域与频率的特征不同，运用模糊聚类的方法对其进行聚类，以分离不同局部放电源所产生的局部放电UHF信号。

Description

基于时频特征参数的变电站多源局部放电检测方法及装置

技术领域

本发明涉及电力系统高电压与绝缘技术领域，尤其涉及基于时频特征参数的变电站多源局部放电检测方法及装置。

背景技术

国内现有对变电站的局部放电进行监测及定位的方法基本都是先针对变电站内单个电力设备进行局部放电监测与定位，然后综合各个电力设备的监测情况评估整个变电站电力设备的局部放电状况。针对单个变电站设备（GIS地理信息系统、变压器、容性设备等）的局部放电检测，一般通过监测局部放电所产生的电信号、射频信号、声信号或者其他化学量或物理量来实现。在长期的检测与维修过程中，因为设备一直处于维护过程中，单个设备多处同时发生局部放电的可能性比较小，目前应用到单个设备的局部放电监测系统基本都不考虑多源局部放电的情况。

而针对整个变电站进行局部放电监测，变电站中的任何高压电力设备均可能会发生局部放电故障，要想对全站的一次电气设备实施监测，采用上述监测方式，就需要在每一个设备上都安装局部放电监测装置，这样可以自动区分不同电力设备的局部放电信号，但是这样需要安装多套局部放电监测装置，需要耗费大量的时间、财力进行设备采购及安装；测试时需携带多套不同类型仪器，操作不便；众多监测装置的维护和管理也需耗费大量的时间和人力。目前的监测形式难以适应今后智能变电站远程管理的发展需要。

发明内容

为了解决上述技术问题，本发明提供了基于时频特征参数的变电站多源局部放电检测方法及装置，能够检测由不同局部放电源所产生的局部放电UHF（Ultra High Frequency，超高频）信号。

本发明提供了基于时频参数的变电站多源局部放电信号检测分类方法，包括：

在预设时间内采集UHF天线接收的超高频信号；

从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

相应地，本发明还提供了基于时频参数的变电站多源局部放电信号检测分类装置，包括：

信号采集单元，用于在预设时间内采集UHF天线接收的超高频信号；

与所述信号采集单元相连的波形片段获取单元，用于从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

与所述波形片段获取单元相连的聚类分析单元，用于根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

与所述聚类分析单元相连的对比识别单元，用于将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

实施本发明，具有如下有益效果：

本发明在变电站场地内安装若干个宽带全向UHF天线传感器阵列接收局部放电发出的电磁波信号，可用一套装置对全站设备进行局部放电的监测，获取和定位整个变电站站域的放电情况。通过基于不同局部放电源所产生超高频放电信号在时域与频率的特征不同，运用模糊聚类的方法对其进行聚类，以分离不同局部放电源所产生的局部放电UHF信号。进一步地，可将其分类结果与系统定位结果的分类结果进行交叉对比，以确认多局部放电源的存在与定位的准确性。

附图说明

图1是典型放电UHF信号波形及其频谱；

图2是本发明基于时频参数的变电站多源局部放电信号检测分类方法的流程图；

图3是本发明基于时频参数的变电站多源局部放电信号检测分类方法的示意图；

图4是本发明基于时频参数的变电站多源局部放电信号检测分类方法的第一实施例流程图；

图5是本发明基于时频参数的变电站多源局部放电信号检测分类方法的第二实施例流程图；

图6是本发明基于时频参数的变电站多源局部放电信号检测分类装置的示意图；

图7是本发明基于时频参数的变电站多源局部放电信号检测分类装置的第一实施例的聚类分析单元示意图；

图8是本发明基于时频参数的变电站多源局部放电信号检测分类装置的第二实施例的参数设定单元示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

绝缘故障是电力设备在运行中最主要的可能故障之一，电力设备发生绝缘故障前，一般都会有一个逐渐发展的局部放电过程，最终导致绝缘击穿。如果在这个过程能够对运行设备进行局部放电监测和诊断，及时发现局部放电信号，提前对缺陷进行处理，就能有效避免绝缘击穿故障的发生。对局部放电位置的定位，也有助于制定更有针对性的检修处理方案，减少停电时间，提高检修效率。

超高频（UHF）电磁波法是局部放电检测的一种新方法，该方法通过UHF天线传感器接收当电力设备内发生局部放电过程辐射的电磁波中的超高频段(300～3000MHz)信号来检测局部放电。超高频电磁波检测的优点为：检测频段较高，可以有效地避开常规局部放电测量中的电晕、开关操作等多种电气干扰；检测频带宽，所以其检测灵敏度很高，且电磁波在空气中的传播速度近似光速，通过构建一个UHF天线矩阵，利用传播到天线矩阵内各个UHF天线的UHF信号的时差可以用来计算局部放电源的位置。相对于单个电力设备的局部放电监测而言，由于整个变电站的局部放电监测的电力设备对象多，所以多个电力设备同时发生局部放电的可能性大，在监测过程中区分不同局部放电源所激发的UHF信号，以便更加准确的定位。

图1是典型放电UHF信号波形及其频谱。

如图1所示，对变电站电力设备的局部放电信号进行分类整理，可以将其归纳为针尖放电，沿面放电、悬浮放电、金属微粒、绝缘内部放电等。另外电力设备中局部放电发生空间的绝缘介质可能为空气，SF6和绝缘油等。理论上而言，不同的放电类型，局部放电形成的机理不同，其放电的过程不尽相同。其所激发的局部放电UHF信号在时域内与频域内的特性则不尽相同。另外局部放电所激发UHF信号的特性受到局部放电空间的绝缘介质有关，同时也和局部放电周围空间电力设备的几何结构与所用材料，接受UHF信号的传感器与局部放电源之间的空间距离与路径有关，因为上述因素会影响UHF信号的传播。

试验研究也证实了上述理论分析。以下数据给出了相同的放电形式在不同的绝缘介质中所激发的UHF信号频谱分布不同，以及不同放电形式在相同绝缘介质中所激发的UHF信号频谱分布不同的示例。基于GIS实物模型的四种缺陷模拟试验结果也反映出不同的放电类型其放电波形及频谱不同，试验结果如图1所示。而下表则总结了不同放电类型所产生的UHF信号的频带分布特征。表1：

以上试验结果充分证明，对于局部放电：相同的绝缘介质不同的放电类型，相同的放电类型不同的绝缘介质，其激发的UHF信号波形及其频谱特征存在很大的差异。对变电站局部放电进行整体监测，可以通过分析所监测到的局部放电UHF信号的波形及频谱特性，用以区分多源局部放电信号。

图2是本发明基于时频参数的变电站多源局部放电信号检测分类方法的流程图，包括：

S101：在预设时间内采集UHF天线接收的超高频信号；

S102：从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

S103：根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

S104：将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

变电站局部放电监测与定位系统所监测的对象为所监测变电站整体。变电站中存在众多的电力设备，如变压器，断路器，互感器，避雷器等，不排除整个变电站存在多个局部放电源，同时产生局部放电的可能性，如果存在这样的情况，判断是否存在多源局部放电信号，并对其进行定位与识别成为变电站整体监测与定位系统的关键性能。本发明在变电站场地内安装宽带全向UHF天线传感器阵列接收局部放电发出的电磁波信号，可用一套装置对全站设备进行局部放电的监测，获取和定位整个变电站站域的放电情况。

首先，连续采集UHF天线接收的UHF信号；然后，获取所述UHF信号内包含的局部放电UHF脉冲波形的片段，组成波形片段序列；当所述UHF天线阵列由一根天线组成时，所述波形片段序列只包括该跟天线接收的UHF信号所包含的波形片段；当所述UHF天线阵列由多根天线组成时，所述波形片段序列包括由这些天线接收的UHF信号所包含的波形片段。最后，从所述波形片段序列中提取时频参数确定特征向量，以该特征向量进行模糊聚类分析，根据聚类分析的结果与典型的UHF脉冲波形的特征进行对比，确定所述局部放电UHF脉冲波形的类型。当所述波形片段序列只包括单根天线接收的UHF信号所包含的波形片段时，可由该波形片段序列提取时频参数，进行聚类分析；当所述波形片段序列包括由多天线接收的UHF信号所包含的波形片段时，可从该波形片段序列中根据实际需要从中选取波形片段序列提取时频参数，进行聚类分析。通过将聚类分析的结果与与预设的超高频脉冲波形的特征进行对比，可以分离不同局部放电源所产生的局部放电UHF信号，从而对其进行定位与识别。通过该装置首先粗选有缺陷的设备或设备部件，确定设备或设备部件有了缺陷和故障风险后再进行深入分析和定位，成本低，效率高。

图3是本发明基于时频参数的变电站多源局部放电信号检测分类方法的示意图；

图4是本发明基于时频参数的变电站多源局部放电信号检测分类方法的第一实施例流程图，与图2相比，本发明实施例的采用传统的模糊聚类方法对时频特征向量进行分类。

S201：在预设时间内采集UHF天线接收的超高频信号；

S202：从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

S203：根据所述波形片段序列计算时频参数，确定时频特征向量；

S204：计算设定聚类分析的分类数，根据所述时频特征向量获取模糊聚类的目标函数的极小值；

S205：在所述目标函数取极小值时，将各个聚类原型矢量组成最佳模糊分类矩阵；

S206：根据所述最佳模糊分类矩阵，获取各类分类信号的聚类中心；

S207：将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

在变电站安装数个宽带全向UHF天线传感器，构成UHF天线阵列，接收全站范围内激发的UHF信号。局部放电监测系统采用脉冲触发方式检测UHF天线接收的UHF信号，并对检测的信号分段进行采集与存储。整个检测过程是连续的，天线阵内n个天线接收的UHF信号是同步采集并存储的，该存储的信号为一含局部放电UHF脉冲的波形片段序列a。每个局部放电UHF脉冲的波形片段组所含的波形数与UHF天线阵所含UHF天线数相等。系统采样率在1.5GS/s以上。以记录的局部放电UHF脉冲的波形片段序列中分离出同一根天线获取的局部放电UHF脉冲波形序列b，如图3所示，提取序列b中局部放电脉冲的时频参数t₀，f₀，T，W，并已之作为局部放电UHF脉冲信号的特征量。

采用传统的模糊聚类方法，以提取的时频参数为特征量，对记录的变电站局部放电UHF脉冲的波形片段b进行分类。确定分类数，以及每类信号的典型波形及其时频参数。具体地，求取所使用的时频参数有：中心时间t₀，中心频率f₀，等效时长T，等效频宽W等，其计算公式为：

$t_0=\frac{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{t}_i{s}_i{\left(t_i\right)}^2}{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{s}_i{\left(t_i\right)}^2}---\left(1\right)$

$f_0=\frac{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{f}_i{\left|X_i\left(f_i\right)\right|}^2}{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{\left|X_i\left(f_i\right)\right|}^2}---\left(2\right)$

$T=\sqrt{\frac{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{(t_i-t_0)}^2{s}_i{\left(t_i\right)}^2}{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{s}_i{\left(t_i\right)}^2}}---\left(3\right)$

$W=\sqrt{\frac{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{(f_i-f_0)}^2{\left|X_i\left(f_i\right)\right|}^2}{\underset{i=0}{\overset{K}{\mathrm{\Σ}}}{\left|X_i\left(f_i\right)\right|}^2}}---\left(4\right)$

式中，K是局放电脉冲信号的采样点数，s_i(t_i)是在t_i时刻的采样数据（i为采样波形的采集序号。每个存储的局部放电UHF波形采集数据时间都已经归一化到参考时间零点）。X_i(f_i)是经过FFT变换以后的采样信号频率分量。所计算的四个特征参数，中心时间t₀是归一化的信号的时间重心，用于表征UHF信号峰值部分所处的时间位置。中心频率f₀则表征了信号的能量主要集中的频带。等效时长T表征了UHF信号持续的时间，等效频宽W则表征了UHF信号的频带分布宽度。通过特征参数的提取，每一个脉冲信号均可对应一组独立的特征参数，利用特征参数可以绘制局部放电波形的时频图谱。

根据提取的时频参数确定特征向量，以特征向量进行模糊聚类分析。优选地，本发明使用模糊聚类分析，其原理如下：

聚类分析是多元统计分析的一种，它把一个没有类别标记的样本集按某种准则划分成若干个子集，相似的样本尽可能归为一类，不相似的样本划分到不同的类中。模糊数学是用来处理人的经验与认知先验信息的不确定问题，处理含有大量未知信息的局部放电现场检测数据即是这样的问题。利用模糊聚类对局部放电的数据进行处理是有意义的。

经过特征提取的信号，可借助模糊聚类对局部放电脉冲信号的特征参数进行处理。假设c为需要划分的类数，则有2≤c≤K，Pi（i=1，2，…，c）表示第i类的聚类原型矢量，则模糊聚类的目标函数Jm为

$J_m(U,P)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2---\left(5\right)$

其中μ_k为第i个脉冲的第k个特征参数，m称为加权指数，d_ik为某一脉冲样本x_k与第i类聚类原型Pi之间的欧几里得距离，表示该样本与聚类原型之间的失真度，即

(d_k)²=||x_k-p_i||          （6）

聚类的准则即为取J_m(U,P)的极小值min{J_m(U,P)}。

在给定聚类类别数c，初始化聚类原型P以及加权指数m后，可求得使得J_m(U,P)为最小的μ_ik值为

${\mathrm{\μ}}_{\mathrm{ik}}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}}---\left(7\right)$

以及J_m(U,P)为最小值时p_i的值为

$p_i=\frac{1}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m{x}_k---\left(8\right)$

通过上述迭代计算即可得到最佳模糊分类矩阵和聚类中心，随后根据最佳模糊分类矩阵得到c类信号，即完成了对局部放电脉冲的模糊聚类处理。将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

当所述聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征不相匹配时，确定该分类为干扰信号的波形。

图5是本发明基于时频参数的变电站多源局部放电信号检测分类方法的第二实施例流程图，与图4的第一实施例相比，图5的流程图根据时频特征向量的迭代分类，自动获取分类数以及各个分类的聚类中心。它的优点在于提高了模糊聚类的智能性和自适应性。

S301：在预设时间内采集UHF天线接收的超高频信号；

S302：从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

S303：根据所述波形片段序列计算时频参数，确定时频特征向量；

S304：以每个时频特征向量作为假定中心，根据其它时频特征向量与该假定中心的距离，获取该假定中心的可能性权值；

S305：取可能性权值最大的假定中心作为第一聚类中心，并将该可能性权值作为最大权值Pmax；

S306：设定可能性权值最小值Pmin=ε×Pmax，根据所述可能性权值Pi>Pmin,确定分类数，其中，ε为预设的分类系数；

S 307：将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型；

S308：当所述聚类分析的结果中包含与预设的超高频脉冲波形的特征不相匹配的聚类中心时，确定该分类为干扰信号的波形。

传统的聚类的分类数根据数据事先选定，在计算过程中，为了进一步提高运算的自动性，本实施例采用下面算法对聚类数及聚类中心进行自动计算。它是考虑局部放电UHF信号特征参数向量在多维空间分布密度的一种自适应算法。

下面结合本发明的时频参数，具体介绍局部放电UHF脉冲的波形片段分类数及聚类中心求取：

将采集的局部放电UHF信号提取的时频参数t₀，f₀，T，W构建成一个特征向量Xi（i为所采集UHF信号的序号）。由所有采集的UHF信号提取的时频参数特征向量组成一集合{x1,x2,…,xn}，并假设集合中每一向量元素都为潜在的聚类中心。为按照式（9），评估各点为聚类中心的可能性Pi，取可能性最大的点为第一类的中心。

$\left\{\begin{array}{c}{P}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}^{-\mathrm{\α}{\left|\right|x_i-x_j\left|\right|}^2}\\ \mathrm{\α}=\frac{4}{r_a^2}\end{array}\right.---\left(9\right)$

Pi是集合中某点与其他所有点的距离的函数。一个含有更多“邻居”的点，其为聚类中心的可能性更大。ra是一个常数，用来定义“邻居”的有效半径距离。

假设x1^*，P1^*为计算出来的第一个聚类中心及其为聚类中心的可能性，根据式（10）重新计算各点为聚类中心的可能性。

$\left\{\begin{array}{c}{P}_i\⇐P_i-P_1^{*}{e}^{-\mathrm{\β}{\left|\right|x_i-x_1^{*}\left|\right|}^2}\\ \mathrm{\β}=\frac{4}{r_b^2}\end{array}\right.---\left(10\right)$

式中r_b也为一常数，用来定义需要减少为聚类中心可能性Pi的x1^*的“邻居”的有效半径。这样x₁ ^*附近的点为潜在聚类中心的可能性大大减少。再依据式（10）的计算结果选取新的P_i最大值P2^*对应的点为第二个聚类中心x₂ ^*。以此类推，求出第k个聚类中心x_k ^*,P_k ^*之后可按式（11）求取各点新的P_i，

$P_i\⇐P_i-P_k^{*}{e}^{-\mathrm{\β}{\left|\right|x_i-x_k^{*}\left|\right|}^2}---\left(11\right)$

取最大值对应的点定位为第k+1个聚类中心，直至所求的新的聚类中心对应的Pi小于εP1^*，ε为一设定极小数，实际计算中，可根据情况在0.15～0.2之间选取。

本发明基于不同局部放电源所产生超高频放电信号在时域与频率的特征不同，运用模糊聚类的方法对其进行聚类，以分离不同局部放电源所产生的局部放电UHF信号。并将其分类结果与系统定位结果的分类结果进行交叉对比，以确认多局部放电源的存在与定位的准确性。

当根据聚类分析的结果与典型的UHF脉冲波形的对比，无法确定所述局部放电UHF脉冲波形的类型时，确定该类型为干扰信号的波形。

另外，各种类似放电的干扰信号，如电力电子器件、发动机等，也会更有可能被射频天线接收，本发明具备将干扰分离的能力。当一类放电UHF脉冲波形的片段没有找到相应的定位结果时，可以确定该类型为干扰信号的波形。

图6是本发明基于时频参数的变电站多源局部放电信号检测分类装置的示意图，包括：

信号采集单元，用于在预设时间内采集UHF天线接收的超高频信号；

与所述信号采集单元相连的波形片段获取单元，用于从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

与所述波形片段获取单元相连的聚类分析单元，用于根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

与所述聚类分析单元相连的对比识别单元，用于将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

图6与图2相对应，上述各个单元的运行方式与方法中的相同。

图7是本发明基于时频参数的变电站多源局部放电信号检测分类装置的第一实施例的聚类分析单元示意图。在本实施例中，采用传统的聚类分析方法对时频特征向量进行聚类分析。

在第一实施例中，所述聚类分析单元包括：

参数设定单元，用于计算设定聚类分析的分类数，根据所述时频特征向量获取模糊聚类的目标函数的极小值；

与所述参数设定单元相连的最佳分类单元，用于在所述目标函数取极小值时，将各个聚类原型矢量组成最佳模糊分类矩阵；

与所述最佳分类单元相连的聚类中心确定单元，用于根据所述最佳模糊分类矩阵，获取各类分类信号的聚类中心。

图7与图4相对应，图中各个单元的运行方式与方法中的相同。

图8是本发明基于时频参数的变电站多源局部放电信号检测分类装置的第二实施例的参数设定单元示意图。与图7相比，图8实施例采用智能性和自适应性更强的聚类分析方法对时频特征向量进行聚类分析。

在第二实施例中，所述参数设定单元包括：

可能性分析单元，用于以每个时频特征向量作为假定中心，根据其它时频特征向量与该假定中心的距离，获取该假定中心的可能性权值；

与所述可能性分析单元相连的第一聚类中心单元，用于取可能性权值最大的假定中心作为第一聚类中心，并将该可能性权值作为最大权值Pmax；

与所述第一聚类中心单元相连的聚类中心确定单元，用于设定可能性权值Pmin=ε×Pmax，根据所述可能性权值Pi>Pmin,确定分类数，其中，ε为预设的分类系数。

图8与图5相对应，图中各个单元的运行方式与方法中的相同。

如图8所示，所述聚类中心确定单元包括：分类系数设定单元，用于预设所述分类系数ε。

在其中一个实施例中，本发明基于时频参数的变电站多源局部放电信号检测分类装置，还包括：

与所述对比识别单元相连的干扰判断单元，用于在所述聚类分析的结果中包含与预设的超高频脉冲波形的特征不相匹配的聚类中心时，确定该分类为干扰信号的波形。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于时频参数的变电站多源局部放电信号检测分类方法，其特征在于，包括：

在预设时间内采集UHF天线接收的超高频信号；

从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

2.根据权利要求1所述的基于时频参数的变电站多源局部放电信号检测分类方法，其特征在于，对时频特征向量进行模糊聚类分析的步骤，包括：

计算设定聚类分析的分类数，根据所述时频特征向量获取模糊聚类的目标函数的极小值；

在所述目标函数取极小值时，将各个聚类原型矢量组成最佳模糊分类矩阵；

根据所述最佳模糊分类矩阵，分类多源局部放电信号，并获取各类分类信号的聚类中心。

3.根据权利要求2所述的基于时频参数的变电站多源局部放电信号检测分类方法，其特征在于，计算设定聚类分析的分类数的计算步骤，包括：

以每个时频特征向量作为假定中心，根据其它时频特征向量与该假定中心的距离，获取该假定中心的可能性权值；

取可能性权值最大的假定中心作为第一聚类中心，并将该可能性权值作为最大权值Pmax；

设定可能性权值最小值Pmin=ε×Pmax，根据所述可能性权值Pi>Pmin,确定分类数，其中，ε为预设的分类系数。

4.根据权利要求3所述的基于时频参数的变电站多源局部放电信号检测分类方法，其特征在于：所述分类系数ε的范围包括，0.15≤ε≤0.2。

5.根据权利要求2至4任一项所述的基于时频参数的变电站多源局部放电信号检测分类方法，其特征在于，将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型的步骤，包括：

当所述聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征不相匹配时，确定该分类为干扰信号的波形。

6.一种基于时频参数的变电站多源局部放电信号检测分类装置，其特征在于，包括：

信号采集单元，用于在预设时间内采集UHF天线接收的超高频信号；

与所述信号采集单元相连的波形片段获取单元，用于从所述UHF天线获取所述超高频信号的脉冲波形的片段，组成波形片段序列；

与所述波形片段获取单元相连的聚类分析单元，用于根据所述波形片段序列计算时频参数，确定时频特征向量，对时频特征向量进行模糊聚类分析；

与所述聚类分析单元相连的对比识别单元，用于将聚类分析的结果中分好类的各类脉冲波形的特征与预设的超高频脉冲波形的特征进行对比，确定所述脉冲波形的类型。

7.根据权利要求6所述的基于时频参数的变电站多源局部放电信号检测分类装置，其特征在于，所述聚类分析单元包括：

参数设定单元，用于计算设定聚类分析的分类数，根据所述时频特征向量获取模糊聚类的目标函数的极小值；

与所述参数设定单元相连的最佳分类单元，用于在所述目标函数取极小值时，将各个聚类原型矢量组成最佳模糊分类矩阵；

与所述最佳分类单元相连的聚类中心确定单元，用于根据所述最佳模糊分类矩阵，分类多源局部放电信号，并获取各类分类信号的聚类中心。

8.根据权利要求7所述的基于时频参数的变电站多源局部放电信号检测分类装置，其特征在于，所述参数设定单元包括：

可能性分析单元，用于以每个时频特征向量作为假定中心，根据其它时频特征向量与该假定中心的距离，获取该假定中心的可能性权值；

与所述可能性分析单元相连的第一聚类中心单元，用于取可能性权值最大的假定中心作为第一聚类中心，并将该可能性权值作为最大权值Pmax；

与所述第一聚类中心单元相连的聚类中心确定单元，用于设定可能性权值最小值Pmin=ε×Pmax，根据所述可能性权值Pi>Pmin,确定分类数，其中，ε为预设的分类系数。

9.根据权利要求8所述的基于时频参数的变电站多源局部放电信号检测分类装置，其特征在于，所述聚类中心确定单元包括：分类系数设定单元，用于预设所述分类系数ε。

10.根据权利要求7至9所述的基于时频参数的变电站多源局部放电信号检测分类装置，其特征在于，还包括：

与所述对比识别单元相连的干扰判断单元，用于在所述聚类分析的结果中包含与预设的超高频脉冲波形的特征不相匹配的聚类中心时，确定该分类为干扰信号的波形。

Images