CN103149514B - 一种gis内多绝缘缺陷模式识别方法 - Google Patents

Abstract

本发明涉及一种GIS内多绝缘缺陷模式识别方法：步骤一，利用超高频电磁波传感器获取GIS混合故障信号；步骤二，对混合故障信号进行白化处理；步骤三，利用快速独立成分析算法对白化后的混合信号进行独立成分提取；步骤四，对提取的独立成分利用归一化、小波去噪进行后处理，以消除提取的独立成分本身具有的幅值不确定性；步骤五，使用步骤四处理后的独立成分的特征（盒维数、空缺率和与比对模型的相似系数），来描述提取的各独立成分对应的绝缘缺陷类型，并依靠独立成分的盒维数值剔除其中的噪声独立成分；步骤六，利用分类器进行分类。本发明方法可在更恶劣的故障情况下，识别出GIS内诱发局部放电故障的绝缘缺陷种类。另外，本发明方法提出一种获取分类器训练所需故障信号的方法，可提高获取的分类器对实际GIS的适应能力。

Description

一种GIS内多绝缘缺陷模式识别方法

技术领域

本发明涉及一种基于GIS内局部放电超高频电磁波信号的GIS绝缘缺陷模式的识别方法，尤其涉及一种GIS内多绝缘缺陷模式识别方法。

背景技术

GIS以其可紧凑布置，占地面积小；密封运行，故障率低，检修周期长等优点，在国内外电力系统中得，到广泛应用。由GIS绝缘缺陷（如毛刺，自由微粒等）造成的局部放电故障占到了GIS已有统计故障的一半以上。目前，国内外对于GIS内单一绝缘缺陷引发的局部放电（partial discharge，PD）故障信号（单一局放信号）的模式识别研究已有大量公认成果，但罕见针对GIS多绝缘缺陷诱发的局部放电故障的模式识别方法公布。

在单一绝缘缺陷模式识别研究成果中，多集中在分类算法和特征提取方法上。

1、王荣亮，岳亚林，杜伯学.采用神经网络与分形理论的电力设备局部放电模式识别研究[J].天津电力,2007(2),1:4.

2、田立斌、肖人岳、赵丽和何珊珊.一种GIS超高频局部放电信号识别方法,专利号201210260572.4.

上述两公开方法，提出的方法在单一局放信号的模式识别中获得了较好的测试效果，但该二者只适用于单一局放信号的模式识别，当发生多处或\和多种局部放电故障时，传感器获取的故障信号是多种或\和多个单一局放信号的混合，与混合前单一故障信号有很大不同；而且混合参数不同，导致混合信号具有无数种形式。上述两种方法无法根据传感器获取的混合信号识别出局部放电故障种类。

3、唐炬，孟庆红，王存超，李伟，姚陈果.局部放电混合信号的盲分离[J].高电压技术，2010,36(4):821-827.

二阶非平稳源（SONS）分离算法主要思想是利用源信号的非平稳性，将预白化传感器数据分成不重叠的块，估计每块的时滞方差矩阵。SONS算法计算复杂、计算时间长，不利于工程实际应用。相比SONS算法，快速独立成分析算法对源信号的平稳性无严苛要求，收敛速度呈三次方，算法分布并行、计算简单，占用内存空间小适于大规模数据处理；并且根据源信号的统计特性，通过挑选算法的目标函数中非二次非线性函数的形式，可使算法灵活的适用于各种实际问题，更适于工程应用。

发明中给出的训练数据获取方法以单一局放信号的数学模型为基础，通过对其进行扩展得到相关训练数据，所使用的建模方法主要参考文献4提出的以高斯函数来拟合局部放电信号的各个波峰对局放信号进行模型构建的建模方法。

4、周倩，唐炬，唐铭，等.GIS内4种典型缺陷的局部放电超高频数学模型构建[J].中国电机工程学报,2006,26(8).99-105.

发明内容

为解决上述问题，本发明方法公开一种GIS内多绝缘缺陷模式识别方法，它在单一绝缘缺陷模式识别的基础上，引入快速独立成分析算法来提取混合局放信号中的独立成分（作为对参与混合的单一局放信号的估计）；对提取的独立成分进行适当处理，之后对其进行特征提取和模式识别。本发明的目的在于在更恶劣的故障情况下，识别出GIS内诱发局部放电故障的绝缘缺陷种类。另外，本发明方法提出一种获取分类器训练所需故障信号的方法，可提高获取的分类器对实际GIS局放故障的适应能力。

为实现上述目的，本发明采用如下技术方案：

一种GIS内多绝缘缺陷模式识别方法，它的步骤为：

步骤一，利用超高频电磁波传感器获取GIS混合局部放电故障信号；

步骤二，对混合故障信号进行白化预处理；

步骤三，利用快速独立成分析算法对白化后的混合信号进行独立成分提取；

步骤四，对提取的独立成分利用归一化、小波去噪进行后处理，以消除提取的独立成分本身具有的幅值不确定性；

步骤五，使用步骤四处理后的独立成分的特征（盒维数、空缺率和与比对模型的相似系数），来描述提取的各独立成分对应的绝缘缺陷类型，并依靠独立成分的盒维数值剔除其中的噪声独立成分；

步骤六，以各绝缘缺陷诱发的PD信号波形的数学模型为基础，通过对其进行畸变、取反来获取训练数据，以提高训练所得分类器对环境的适应性，利用分类器对步骤五获取的特征进行分类。

所述步骤二中，数据白化预处理过程为：求取混合信号矩阵X的相关矩阵R，R的特征值分解结果为：R＝QΣ²Q^T

式中，Σ为由R的特征值组成的对角矩阵，正交阵Q的列向量为这些特征值对应的特征向量，则白化矩阵为:H＝Σ^-1Q^T，白化预处理结果为：

$\tilde{X}=\mathrm{HX}$

所述步骤三中，定义：E{·}为求均值函数，G{·}为非平方的非线性函数。选择非平方非线性函数G{·}的表达式为：G(v)＝v³/3，以G′{·}、G″{·}分别表示G{·}的一次、二次导数；其中v为具有零均值与和单位方差的高斯随机变量。令k（k为自然数）表示白化后混合信号矩阵的秩，则1≤k≤n（n为有效检测到故障信号的传感器个数），那么混合信号中的独立成分个数与k相等。

设混合信号第i个独立成分为（其中，w_i为W的第i行，w_i(num)表示w_i的第num次迭代结果，上标T表示求转置）。那么，k个独立成分的计算过程为：

（1）置计数变量i＝1，且i为自然数；

（2）置计数变量j＝0（j为整数），对混合信号的第i个独立成分y_i对应的w_i赋初值w_i(0)；

（3）对w_i(j)进行一次迭代求取迭代结果w_i(j+1)，迭代过程如下：

$w_i(j+1)=E\left\{\tilde{X}{G}^{\′}\right\{w_i^T\left(j\right)\tilde{X}\left\}\right\}-E\left\{G^{\′\′}\left(w_i^T\left(j\right)\tilde{X}\right)\right\}{w}_i^T\left(j\right);$

（4）如果|w_i(j+1)-w_i(j)|＜ε（实数ε＞0，为迭代精度），则令w_i＝w_i(j+1)，求出的独立成分为进入（5）；否则，令j＝j+1，返回（3）继续进行迭代；

（5）如果此时i≤1则进入（7）；若不是，则进入（6）；

（6）令w_λ（λ＝1,2,…,i-1）表示已求出的各独立成分对应的分离矩阵W的行向量，为避免w_i与w_λ具有相同的方向，对其进行正交化：

$w_i=w_i-\underset{\mathrm{\λ}=1}{\overset{i-1}{\mathrm{\Σ}}}{w}_i^T{w}_{\mathrm{\λ}}{w}_{\mathrm{\λ}}$

w_i＝w_i/‖w_i‖

（注：此处“＝”表示赋值，将“＝”右侧的运算结果赋给“＝”左侧的变量或符号）

（7）判断i≥k是否成立，若成立则独立成分计算结束，输出结果；若不成立，则令i＝i+1，进入（2）进行迭代。

以行向量表示混合信号X对应的一个独立成分经过num次处理后的结果，其中1≤i≤k；则为快速独立成分分析算法提取的初始独立成分。

所述步骤四中，小波去噪的主要过程为：

（1)使用五阶Symlets小波对信号进行五层小波分解，得到其各层高频系数和低频系数；

(2)使用极大极小值原则选择各层高频系数的阀值T_i,i＝1,2,…,5，阀值满足：

$T_i={\mathrm{\σ}}_n^{\left(i\right)}\sqrt{2\ln m}$

其中，为第i层分解的高频分量的标准差，m为信号的长度也即采样点数；采用软阀值函数对各层高频系数进行阀值量化处理；

(3)使用小波分解的低频系数和阀值量化处理后的高频系数进行小波重构得到去噪后的故障信号。

所述步骤五中，所述特征矩阵C表示为：

其中，相似系数的确定为：将信号放电时刻与比对模型对齐，利用放电时刻调整后的信号，求解用于识别独立成分y_i对应的绝缘缺陷的相似系数特征；

分形特征的确定为：提高去噪后故障信号的变化剧烈程度，并将其纵横坐标转换为无量纲值，使其具有相同的单位尺度即使信号绝对值的最大值与其采样点个数大小相同：其中，m为所包含的数据个数（即采样点数）；然后求取盒维数D，利用盒维数D识别噪声信号，即：若D≥1.25，认为为噪声信号，终止处理，对于下一个独立成分重新进行上述操作，否则继续进行识别过程；

求取空缺率为：利用尺寸为δ＝48个采样点间隔的盒子去覆盖去；除去不包含数据点的盒子，统计含有τ个点的盒子出现的概率P(τ,δ)，进而得到在尺寸为δ＝48个采样点间隔的盒子下的的空缺率Λ(δ)。

所述步骤六中，分类器训练数据获取为：根据GIS实际电磁噪声环境，确定GIS PD信号数学模型中噪声幅值的基准值；通过对GIS PD信号数学模型进行畸变和取反（也即符号翻转）得到分类器训练数据；畸变包括：添加幅值在噪声含量基准值附近变化的可加性噪声，对模型中除首个尖波峰外的波峰进行幅值和半峰脉宽进行调整；在畸变所得信号的基础上，改变已得训练信号的符号获取另外一组数据，该二组数据共同组成训练信号；提取所有训练信号的特征（盒维数、空缺率以及相似系数），这些特征组成分类器设计所需的训练数据；

建立全连接前馈BP神经网络作为分类器，它包括两个隐藏层和一个输入层、一个输出层，其中每层各M+2个神经元，M为适用局部放电故障的种类数，也即构造的单一局放信号数学模型的个数；第一隐藏层、第二隐藏层和输出层神经元的激活函数f依次为：f＝logsig(v)，f＝tansig(v)，f＝purelin(v)，其中v为输入神经元的数据的代数和；训练时采用Levenberg-Marquardt算法进行权值调整；

识别时，将提取的特征列向量C分别赋给输入层各神经元，神经网络的输出即为分类结果。

所述信号放电时刻调整方法为：

假设单一局放信号数学模型F_i(s)绝对值的最大值出现在s＝q处（即，出现在第q个采样点处；s为数学模型的自变量，表示采样点），1≤q≤m（m为的数据点数）；中绝对值最大的数据出现在该行向量的第p_i列，则1≤p_i≤m（m为的数据点数）。

当q≥p_i时：

$y_i^{\left(3\right)}(1:q-p_i)=y_i^{\left(2\right)}(p_i+m-q+1:m)$

$y_i^{\left(3\right)}(q-p_i+1:q-1)=y_i^{\left(2\right)}(1:p_i-1)$

$y_i^{\left(3\right)}(q:m)=y_i^{\left(2\right)}(p_i:p_i+m-q)$

当q＜p_i时：

$y_i^{\left(3\right)}(1:m+q-p_i)=y_i^{\left(2\right)}(p_i-q+1:m)$

$y_i^{\left(3\right)}(m+q-p_i+1:m)=y_i^{\left(2\right)}(1:p_i-q)$

其中：表示将的位于第a₃列至第a₄列（1≤a₃≤a₄≤m）位置上的数据赋给位于第a₁列至第a₂列（1≤a₁≤a₂≤m）的数据存储位置，且要求a₂-a₁＝a₄-a₃，m为所包含的数据个数（即采样点数）。即为独立成分调整放电时刻后的结果。

本发明的有益效果是：

GIS系统在实际运行中，一定概率上存在发生由多绝缘缺陷引起的局部放电故障，此时基于单一局放故障设计的模式识别系统无法正常工作。而本发明方法公开的GIS多绝缘缺陷模式识别方法，不仅适用于单一放电故障，同时也适用于多绝缘缺陷引起的混合局放信号的模式识别，较前者具有更完善的识别功能和更强的故障、环境适应性。并且，本发明给出的分类器训练数据获取方法可以灵活的参考GIS实际情况，使得设计的分类器更好的契合实际故障信号。

附图说明

图1为本发明方法的流程图。

图2为实现多个独立成分提取的程序框图（注：图1和图2中的“＝”表示赋值，即：将“＝”右侧的运算结果赋给“＝”左侧的变量或符号）。

图3为小波分解高频分量阀值处理效果示意图。

图4为GIS内高压导电杆金属突出物绝缘缺陷引起的局部放电故障超高频电磁。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

1、数据预处理

假设，超高频电磁波传感器获取的混合故障信号矩阵X为n×m维，即有n（n为自然数）台传感器捕获到有效信号且每个传感器传来的故障信号的采样点数为正整数m。

求取混合信号矩阵X的相关矩阵R，则R位于第i行第j列（i,j＝1,2,…,m）的元素R_ij为：

$R_{\mathrm{ij}}=\mathrm{\ζ}(x_i,x_j)=\left|\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\left(k\right)x_j\left(k\right)\right|/\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2\left(k\right)\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_j^2\left(k\right)}$

其中：x_i、x_j（i,j＝1,2,…,m）依次为X的第i、j列数据各自组成的列向量；ζ(x_i,x_j)为求取向量x_i和x_j的相似系数；x_i(k)为X的第i个列向量的第k行的数据，x_j(k)为X的第j列组成的列向量向量的第k行的数据。

相关矩阵R的特征值分解结果为：R＝QΣ²Q^T

式中，Σ为由R的特征值组成的对角矩阵；正交阵Q的列向量为这些特征值对应的特征向量；上标T表示求转置。则白化矩阵为:H＝Σ^-1Q^T。白化预处理结果为：

$\tilde{X}=\mathrm{HX}.$

2、基于快速独立成分分析的信号分离

独立成分分析的目的为：寻找正交分离矩阵W，使得对混合前源信号矩阵S的估计Y满足快速独立成分析算法是目前应用最广的独立成分分析方法，其原理为通过最大化负熵得到出混合信号中所蕴含的独立成分，进而求出W。

定义：E{·}为求均值函数；G{·}为非平方的非线性函数，一般根据源信号的特性进行选择。因GIS内PD信号为超高斯、偏态分布信号，所以选择非线性函数的表达式为：G(v)＝v³/3，以G′{·}、G″{·}依次为G{·}的一次、二次导数，其中v为具有零均值与和单位方差的高斯随机变量。令k（k为自然数）表示白化后混合信号矩阵的秩，则1≤k≤n（n为有效检测到故障信号的传感器个数，n为自然数），那么混合信号中的独立成分个数与k相等。

设混合信号的一个独立成分为（其中，w_i为W的第i行，w_i(num)表示w_i的第num次迭代结果，上标T表示求转置）。那么，k个独立成分的计算过程为：

步骤一置计数用变量i＝1，且i为自然数；

步骤二置计数用变量j＝0（j为整数），对混合信号的第i个独立成分y_i对应的w_i赋初值w_i(0)；

步骤三对w_i(j)进行一次迭代求取w_i(j+1)，迭代过程如下：

$w_i(j+1)=E\left\{\tilde{X}{G}^{\′}\right\{w_i^T\left(j\right)\tilde{X}\left\}\right\}-E\left\{G^{\′\′}\left(w_i^T\left(j\right)\tilde{X}\right)\right\}{w}_i^T\left(j\right);$

步骤四如果|w_i(j+1)-w_i(j)|＜ε（实数ε＞0，为迭代精度），则令w_i＝w_i(j+1)，求出的独立成分为，进入步骤五；否则，令j＝j+1，返回步骤三继续进行迭代；

步骤五如果此时i≤1则进入步骤七；若不是，则进入步骤六；

步骤六令w_λ（λ＝1,2,…,i-1）表示已求出的各独立成分对应的分离矩阵W的行向量，为避免w_i与w_λ具有相同的方向，对其进行正交化：

$w_i=w_i-\underset{\mathrm{\λ}=1}{\overset{i-1}{\mathrm{\Σ}}}{w}_i^T{w}_{\mathrm{\λ}}{w}_{\mathrm{\λ}}$

w_i＝w_i/‖w_i‖

（注：此处“＝”表示赋值，将“＝”右侧的运算结果赋给“＝”左侧的变量或符号）

步骤七判断i≥k是否成立，若成立则独立成分计算结束，输出结果；若不成立，则令i＝i+1，进入步骤二进行迭代。

以行向量表示白化后混合信号X对应的一个独立成分经过num次运算处理后的结果，其中1≤i≤k，则为快速独立成分分析算法提取的初始独立成分。

3、信号后处理

因快速独立成分分析算法对源信号的估计存在不确定性，主要表现在幅值和符号的不确定。符号不确定性的处理，在分类器设计中会进行叙述。为消除幅值不确定对后续信号处理的影响，需对其进行处理，主要包括归一化处理及小波去噪。

3.1 归一化处理

令： $a=\max \left(\right|y_i^{\left(0\right)}\left|\right)$

其中：max(·)为求取最大值。令：

$y_i^{\left(1\right)}=y_i^{\left(0\right)}/a$

则，即为归一化的结果。

3.2 小波去噪

(1)使用五阶Symlets小波对进行五层小波分解，得到其各层高频系数g_i（i＝1,2,…5）和低频系数h_i（i＝1,2,…5）。

(2)使用极大极小值原则选择各层高频系数的阀值T_i,i＝1,2,…,5，阀值满足：

$T_i={\mathrm{\σ}}_n^{\left(i\right)}\sqrt{2\ln m}$

其中，为第i层分解的高频分量g_i的标准差，m为所包含的数据个数（即采样点数）。采用软阀值函数对各层高频系数g_i(i＝1,2,…,5)进行阀值量化处理，具体为：

$g_i^{\left(1\right)}=\left\{\begin{array}{cc}{g}_i-T_i\mathrm{sgn}\left(g_i\right)& \left|g_i\right|\&GreaterEqual;T_i\\ 0& \left|g_i\right|<T_i\end{array}\right.,$ 其中sgn(·)为求取变量符号作为返回值的函数。

(3)使用小波分解的低频系数h_i（i＝1,2,…5）和阀值量化处理后的高频系数（i＝1,2,…5）进行小波重构得到去噪后的故障信号，因小波重构方法固定且为已有技术，此处不再赘述。

4、特征提取

提取的特征主要包括：分形特征（盒维数和空缺率）以及与特定绝缘缺陷引起的单一局放信号的数学模型之间的相似系数。

特征矩阵可表示为：

4.1 相似系数

因建立的数学模型具有特定的放电时刻，而传感器捕获的故障信号往往与建立的数学模型具有不同的放电时刻，造成相似系数失去衡量二者之间相似性的意义。故，求取相似系数之前需将信号放电时刻与比对模型对齐。

以高斯函数为基础拟合常见局部放电故障信号的数学模型为其中：s表示采样点，s＝1,2，…,m，m为所包含的数据个数（即采样点数）；i＝1,2,…,M（自然数M为构造的数学模型个数）；j＝1,2,…N，N为模型中所包含的波峰个数。附图4给出了例子，表1给出了附图4中数学模型的具体参数。

表1 示例数学模型的参数

aj	bj	cj
			-1	3998	20
0.1429	4500	300
			-0.1257	5502	400
0.06	6310	770
			-0.06	7411	700

假设单一局放信号数学模型F_i(s)（i＝1,2,…,M）绝对值的最大值出现在s＝q点处（即，出现在第q个采样点处；s为数学模型的自变量，表示采样点）,1≤q≤m（m为的数据点数）；中绝对值最大的数据出现在该行向量的第p_i列，则1≤p_i≤m（m为的数据点数）。

(1)信号放电时刻调整

当q≥p_i时：

$y_i^{\left(3\right)}(1:q-p_i)=y_i^{\left(2\right)}(p_i+m-q+1:m)$

$y_i^{\left(3\right)}(q-p_i+1:q-1)=y_i^{\left(2\right)}(1:p_i-1)$

$y_i^{\left(3\right)}(q:m)=y_i^{\left(2\right)}(p_i:p_i+m-q)$

当q＜p_i时：

$y_i^{\left(3\right)}(1:m+q-p_i)=y_i^{\left(2\right)}(p_i-q+1:m)$

$y_i^{\left(3\right)}(m+q-p_i+1:m)=y_i^{\left(2\right)}(1:p_i-q)$

其中：表示将行向量的位于第a₃列至第a₄列（1≤a₃≤a₄≤m）位置上的数据赋给位于第a₁列至第a₂列（1≤a₁≤a₂≤m）的数据存储位置，且要求a₂-a₁＝a₄-a₃，m为所包含的数据个数（即采样点数）。即为独立成分调整放电时刻后的结果。

(2)求解相似系数

${\mathrm{cc}}_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i^{\left(3\right)}\left(k\right)F_j\left(k\right)-\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}(y_i^{\left(3\right)}\left(k\right)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{F}_j\left(k\right)/m)}{\sqrt{[\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(y_i^{\left(3\right)}\left(k\right)\right)}^2-{\left(\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i^{\left(3\right)}\left(k\right)\right)}^2/m][\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{F}_j^2\left(k\right)-{\left(\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{F}_j\left(k\right)\right)}^2/m]}}$

其中：cc_ij为与第j个数学模型F_j j＝1,2,…,M（M为正整数）的相似系数；表示行向量的第k个元素，即位于第k列的元素；F表示构建的单一局放信号的数学模型，下标j表示第j个数学模型；F_j(k)为数据序列F_j(s)（s＝1,2，…,m，m为所包含的数据个数，即采样点数）的第k个值，也即s＝k时F_j(s)的值；m为所包含的数据个数（即采样点数）。则任一独立成分均有M组相似系数，此即为本发明中用于识别对应绝缘缺陷的相似系数特征。

4.2 分形特征提取

(1)波形调整

为提高盒维数的分辨度，提高的变化剧烈程度，将的纵横坐标转换为无量纲值，使其具有相同的单位尺度。本发明中采用的转换关系为：

其中，m为所包含的数据个数（即采样点数）。

(2)求取盒维数D

设置δ₀为单位尺度，使用尺寸为δ_i＝2ⁱ·δ₀,i＝1,2,…,7的盒子去覆盖的波形，所需盒子数对应为N_i,i＝1,2,…,7。可得到7组[log(δ_i),-log(N_i)]数据对，对其进行线性拟合，所得直线的斜率即为盒维数D的数值。因的波形为平面图形，所以此处的盒子皆为平面上的正方形。

因把噪声看作是与故障信号相独立的信号，所以独立成分提取中会包含噪声成分，使用分类器对噪声成分进行识别的实际意义不大。通过求取噪声信号的盒维数，发现经小波去噪后的噪声信号的盒维数大于1.3，而经过小波去噪处理后的放电信号的盒维数一般小于1.2；采取折中盒维数数值1.25作为判定噪声信号和放电信号的阀值。即：当D≥1.25时，认为为噪声信号，终止处理，对于下一个独立成分重新进行上述操作，否则继续进行识别过程。

(3)求取空缺率

使用尺寸为δ＝48个采样点间隔的盒子去覆盖的波形，除去不包含数据点的盒子，统计含有τ个点的盒子出现的概率P(τ,δ)，令

$\left\{\begin{array}{c}{M}_1\left(\mathrm{\&tau;}\right)=\underset{\mathrm{\&tau;}=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&tau;P}(\mathrm{\&tau;},\mathrm{\&delta;})\\ M_2\left(\mathrm{\&tau;}\right)=\underset{\mathrm{\&tau;}=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&tau;}}^{2}P(\mathrm{\&tau;},\mathrm{\&delta;})\end{array}\right.$

其中：m为所包含的数据个数（即采样点数）；因的波形为平面图形，所以此处的盒子皆为平面上的正方形。

那么，在尺寸为δ＝48个采样点间隔的盒子下的空缺率Λ(δ)为：

$\mathrm{\&Lambda;}\left(\mathrm{\&delta;}\right)=\frac{M_2\left(\mathrm{\&tau;}\right)-{\left(M_1\left(\mathrm{\&tau;}\right)\right)}^2}{{\left(M_1\left(\mathrm{\&tau;}\right)\right)}^2}$

此即，本发明中用于识别对应绝缘缺陷的的空缺率特征。

5、分类器设计

(1)训练数据

实验室条件下获取的放电信号，往往波形较固定，不能表征实际GIS系统的各种干扰，故更适用于实际的训练数据是通过对GIS PD信号数学模型进行畸变和符号翻转得到。

根据GIS实际电磁噪声环境，确定GIS PD信号数学模型中噪声幅值的基准值；畸变包括：添加幅值在噪声含量基准值附近变化的可加性噪声，对模型中除首个尖波峰外的波峰进行幅值和半峰脉宽进行调整；在畸变所得信号的基础上，改变已得训练信号的符号获取另外一组数据，该二组数据共同组成训练信号；提取所有训练信号的特征（盒维数、空缺率以及相似系数），这些特征组成分类器设计所需的训练数据；

提取所有训练信号的特征（盒维数、空缺率以及相似系数），这些特征组成分类器设计所需的训练数据。

(2)设计

使用含有两个隐藏层的全连接前馈BP神经网络作为分类器，其中每层各M+2个神经元（M为适用局部放电故障的类型数目，也即构造的单一局放信号数学模型的个数）。第一隐藏层、第二隐藏层和输出层（神经网络的第二层至第四层）神经元的激活函数f依次为：f＝logsig(v)，f＝tansig(v)，f＝purelin(v)，其中v为输入到神经元的数据的代数和。

(3)训练

使用批处理训练模式，使用Levenberg-Marquardt算法进行权值调整，此为已有技术，此处不再赘述。

(4)识别

将提取的特征列向量C分别赋给输入层各神经元，神经网络的输出即为分类结果。

Claims (5)

1.一种GIS内多绝缘缺陷模式识别方法，其特征是，它的步骤为：

步骤一，利用超高频电磁波传感器获取GIS混合故障信号；

步骤二，对混合故障信号进行白化处理；

步骤三，利用快速独立成分析算法对白化后的混合信号进行独立成分提取；

步骤四，对提取的独立成分进行归一化和小波去噪处理，以消除提取的独立成分本身具有的幅值不确定性；

步骤五，使用步骤四处理后的独立成分的特征：盒维数、空缺率和与比对模型的相似系数，来描述提取的各独立成分对应的绝缘缺陷类型，并依靠独立成分的盒维数值剔除其中的噪声独立成分；

步骤六，以各绝缘缺陷诱发的PD信号波形的数学模型为基础，通过对其进行畸变、取反来获取BP神经网络分类器训练数据，以提高训练所得分类器对环境的适应性；利用分类器对步骤五获取的特征进行识别；

所述步骤三中:

定义：E{·}为求均值函数，G{·}为非平方的非线性函数，选择非平方非线性函数G{·}的表达式为：G(v)＝v³/3，以G′{·}、G″{·}分别表示G{·}的一次、二次导数；其中v为具有零均值与和单位方差的高斯随机变量；令k表示白化后混合故障信号矩阵的秩，k为自然数，则1≤k≤n，n为有效检测到混合故障信号的传感器个数，n为自然数，那么混合故障信号中的独立成分个数与k相等；

设混合故障信号第i个独立成分为其中，w_i为W的第i行，w_i(num)表示w_i的第num次迭代结果，上标T表示求转置；那么，k个独立成分的计算过程为：

(1)置计数用变量i＝1，i为自然数；

(2)置计数用变量j＝0，j为整数，对混合故障信号的第i个独立成分y_i对应的w_i赋初值w_i(0)；

(3)对w_i(j)进行一次迭代求取w_i(j+1)，迭代过程如下：

$w_i(j+1)=E\left\{\tilde{X}{G}^{\&prime;}\right\{w_i^T\left(j\right)\tilde{X}\left\}\right\}-E\left\{G^{\&prime;\&prime;}\left(w_i^T\left(j\right)\tilde{X}\right)\right\}{w}_i^T\left(j\right);$

(4)如果|w_i(j+1)-w_i(j)|＜ε，ε＞0，为迭代精度，则令w_i＝w_i(j+1)，求出的独立成分为进入(5)；否则，令j＝j+1，返回(3)继续进行迭代；

(5)如果此时i≤1则进入(7)；若不是，则进入(6)；

(6)令w_λ，λ＝1,2,…,i-1，表示已求出的各独立成分对应的分离矩阵W的行向量，为避免w_i与w_λ具有相同的方向，对其进行正交化：

$w_i=w_i-\underset{\mathrm{\&lambda;}=1}{\overset{i-1}{\mathrm{\&Sigma;}}}{w}_i^T{w}_{\mathrm{\&lambda;}}{w}_{\mathrm{\&lambda;}}$

w_i＝w_i/||w_i||

(7)判断i≥k是否成立，若成立则独立成分计算结束，输出结果；若不成立，则令i＝i+1，进入(2)进行迭代；

以行向量表示混合故障信号X对应的一个独立成分经过num次运算处理后的结果，其中1≤i≤k，则为快速独立成分分析算法提取的初始独立成分。

2.如权利要求1所述的GIS内多绝缘缺陷模式识别方法，其特征是，所述步骤四中，小波去噪的主要过程为：

(1)使用五阶Symlets小波对信号进行五层小波分解，得到其各层高频系数和低频系数；

(2)使用极大极小值原则选择各层高频系数的阀值T_i,i＝1,2,…,5，阀值满足：

$T_i={\mathrm{\&sigma;}}_n^{\left(i\right)}\sqrt{2\ln m}$

其中，为第i层分解的高频分量的标准差，m为信号的长度也即采样点数；采用软阀值函数对各层高频系数进行阀值量化处理；

(3)使用小波分解的低频系数和阀值量化处理后的高频系数进行小波重构得到去噪后的故障信号。

3.如权利要求1所述的GIS内多绝缘缺陷模式识别方法，其特征是，所述步骤五中，所述独立成分的特征组成特征矩阵C：

其中，相似系数的确定为：将信号放电时刻与比对模型对齐，利用放电时刻调整后的信号求解用于独立成分模式识别的相似系数；

分形特征的确定为：提高去噪后故障信号的变化剧烈程度，并将其纵横坐标转换为无量纲值，使其具有相同的单位尺度即使信号绝对值的最大值与其采样点个数大小相同：其中，m为所包含的数据个数即采样点数；然后求取盒维数D；利用盒维数D识别噪声信号，即：若D≥1.25，认为为噪声信号，终止处理，对于下一个独立成分重新进行上述操作，否则继续进行识别过程；

求取空缺率为：利用尺寸为δ＝48个采样点间隔的盒子去覆盖去除去不包含数据点的盒子，统计含有τ个点的盒子出现的概率P(τ,δ)，进而得到在尺寸为δ＝48个采样点间隔的盒子下的的空缺率Λ(δ)。

4.如权利要求1所述的GIS内多绝缘缺陷模式识别方法，其特征是，所述步骤六中，分类器训练数据的获取：根据GIS实际电磁噪声环境，确定GIS PD信号数学模型中噪声幅值的基准值；通过对GIS PD信号数学模型进行畸变和取反也即符号翻转得到分类器的训练数据，获得一组数据；畸变包括：添加幅值在噪声含量基准值附近变化的可加性噪声，对模型中除首个尖波峰外的波峰进行幅值和半峰脉宽进行调整；在畸变所得信号的基础上，改变已得训练信号的符号获取另外一组数据，该二组数据共同组成训练信号；提取所有训练信号的特征：盒维数、空缺率以及相似系数，这些特征组成分类器设计所需的训练数据；

建立全连接前馈BP神经网络作为分类器，它包括两个隐藏层和一个输入层、一个输出层，其中每层各M+2个神经元，M为适用局部放电故障的种类数，也即构建的单一局放信号数学模型的个数；第一隐藏层、第二隐藏层和输出层神经元的激活函数f依次为：f＝logsig(μ)，f＝tansig(μ)，f＝purelin(μ)，其中μ为输入神经元的数据的代数和；训练时采用Levenberg-Marquardt算法进行权值调整；

识别时，将提取的特征矩阵C分别赋给输入层各神经元，神经网络的输出即为分类结果。

5.如权利要求4所述的GIS内多绝缘缺陷模式识别方法，其特征是，所述信号放电时刻调整方法为：

假设单一局放信号数学模型F_i(s)绝对值的最大值出现在s＝q点处，即，出现在第q个采样点处；s为数学模型的自变量，表示采样点,1≤q≤m，m为的数据点数；行向量中绝对值最大的数据出现在该行向量的第p_i列，则1≤p_i≤m，m为的数据点数；

当q≥p_i时：

$y_i^{\left(3\right)}=(1:q-p_i)=y_i^{\left(2\right)}(p_i+m-q+1:m)$

$y_i^{\left(3\right)}(q-p_i+1:q-1)=y_i^{\left(2\right)}(1:p_i-1)$

$y_i^{\left(3\right)}(q:m)=y_i^{\left(2\right)}(p_i:p_i+m-q)$

当q＜p_i时：

$y_i^{\left(3\right)}(1:m+q-p_i)=y_i^{\left(2\right)}(p_i-q+1:m)$

$y_i^{\left(3\right)}(m+q-p_i+1:m)=y_i^{\left(2\right)}(1:p_i-q)$

其中：表示将行向量的位于第a₃列至第a₄列位置上的数据赋给位于第a₁列至第a₂列的数据存储位置，1≤a₃≤a₄≤m，1≤a₁≤a₂≤m，且要求a₂-a₁＝a₄-a₃，m为所包含的数据个数即采样点数，即为独立成分调整放电时刻后的结果。