CN103323749B - 多分类器信息融合的局部放电诊断方法 - Google Patents

Abstract

一种多分类器信息融合的局部放电诊断方法，包括步骤：1）信号采集：通过传感器采集电力设备的局部放电信号；2）信号预处理；3）放电特征提取：脉冲特征的提取和统计特征的提取；4）分类器识别：将提取的特征参数，作为输入向量，由神经网络分类器、模糊推理分类器和距离判别分类器分别给出针对电晕放电、悬浮电极放电、自由微粒放电、气隙放电、沿面放电五种放电类型的置信度结果；5）可能性判定；6）计算最终置信度。本发明不仅能够指出放电类型，还能给出具体的置信度，使得结论更加准确和全面，也可推广应用于故障诊断、模式识别等领域，具有广阔的市场前景和应用价值。

Description

多分类器信息融合的局部放电诊断方法

技术领域

本发明涉及的是高电压与绝缘技术领域中的局部放电检测技术，具体是一种多分类器信息融合的局部放电诊断方法，属于局部放电诊断过程中的一项核心技术，在各类军用或民用的检测系统中均可有广泛的应用。

技术背景

局部放电检测是监测大型电力设备的绝缘状态的重要手段。而不同的绝缘缺陷和放电类型对绝缘的破坏作用有很大的差异，因此对局部放电信号进行有效识别对及时发现绝缘故障隐患，判断故障类型，预测设备寿命，保障设备的可靠运行有着重要意义。在该领域内，近年来众多学者做了大量深入的研究。

在目前局部放电模式识别方法中，神经网络、决策树、模糊推理等方法得到了广泛应用。神经网络方法具有自组织学习能力、非线性处理等优点得到广泛应用；然而，当神经网络节点数较多时，训练将消耗大量时间。模糊推理算法通过归纳总结相近的表述信息以人工经验和专家决策为依据构建模糊规则，并连续执行规则以获取局部放电识别结果，克服了神经网络训练时间长和解释性差的不足。而该方法中，规则中的数据依赖于局部放电的统计特征参数，很难人工界定出模糊区间及定义真正合理的推理规则，由此可以预见此种系统构建需要花费巨大，且可靠性较差。决策树算法从样本数据中直接推断出分类规则的方案，结合基于规则的系统的优势，减少了构建系统所需的费用和时间。此算法虽可以简易地制定出分类规则，但其基于贪心搜索的思想，每次仅对一个属性进行判断，易忽视有用规则，识别效果不理想。

采用这些传统的方法进行分类时，由于仅使用特定的单一分类器进行分类，当先验知识不足时，很难选择最优的分类器。且单一分类器不能充分地利用各种特征，其分类能力往往比较有限，针对复杂的放电信号，往往无法得出准确的结论。

发明内容

本发明的目的在于解决上述单一分类器进行局部放电诊断的不足，提供了一种多分类器信息融合的局部放电诊断方法，依据多个分类器的分类结果及其置信度，按照一定的规则进行综合，最终给出可信的诊断结论，该结论包含局部放电类型及其置信度两个方面。

为了实现这样的目的，本发明的技术方案中，利用Matlab6.5开发语言，提供一种融合神经网络分类方法、模糊推理分类方法及距离判别分类方法的多分类器信息融合的局部放电诊断方法，包括如下具体的步骤：

步骤1）信号采集：通过传感器采集电力设备的局部放电信号；

步骤2）信号预处理：进行去噪处理；

步骤3）放电特征提取：脉冲特征的提取和统计特征的提取；

步骤4）分类器识别：将步骤3）中提取的特征参数，作为输入向量，由神经网络分类器、模糊推理分类器和距离判别分类器分别给出针对电晕放电、悬浮电极放电、自由微粒放电、气隙放电、沿面放电五种放电类型的置信度结果；

步骤5）可能性判定：依据每个分类器所给出的放电类型及其置信度，分别计算其放电类型的高、中、低可能性；

步骤6）计算最终置信度：综合三个分类器给出的放电可能性，并结合置信度，给出最终放电类型结论及其置信度。

所述的提取的脉冲特征是指最大放电量、平均放电量、放电次数、均方率和平均放电电流脉冲特征参数，所述提取的统计特征是指最大放电量-时间图谱中的偏斜度、突出度、相关系数、不对称度统计特征参数；提取平均放电量-时间图谱中的偏斜度、突出度、相关系数、不对称度统计特征参数。

所述的置信度表征了局放特征与放电类型的相似程度，每个分类器中局部放电类型隶属程度最高的类型即为该分类器所给出的局部放电类型。

与现有技术相比，本发明的有益效果是融合了神经网络分类器、模糊推理分类器及距离判别分类器的优点。并对于如何融合三种分类器，给出了明确有效的规则，不仅能够给出局部放电类型，还能给出结论的可信程度，解决了单一分类方法诊断结果准确性低的问题。可以广泛地用于不同电力设备、不同测试方法的局部放电诊断应用中。

附图说明

图1是本发明多分类器信息融合的局部放电诊断方法原理框图。

图2是神经网络分类方法具体流程图，其中，W为权向量，b为偏置，⊕表示求和。

图3是模糊推理分类方法具体流程图。

图4是距离判别分类方法具体流程图。

图5是可能性判别具体流程图。

具体实施方法

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例子仅旨在便于对本发明的理解，而对其不起任何限定作用。

本发明的具体流程为（图1）：

步骤1，信号采集。通过各类传感器（如超高频传感器、超声传感器、高频电流传感器、耦合电容传感器等）感应电力设备中所发出的局部放电信号，经过放大及模数转换后变成数字信号连续采集发送至信号预处理模块，连续采集信号的时间应不少于一个或多个工频周期（20毫秒）的整数倍，本例中为50个工频周期（1000毫秒）。

步骤2，信号预处理。对原始信号进行去噪等前期处理，采用FIR滤波及小波方法对信号中的窄带噪声及白噪声干扰进行抑制，更好的凸显局部放电脉冲，提高后续识别方法的准确性。

步骤3，特征提取。主要包括脉冲特征的提取和统计特征的提取，将两种方法所提取的13个特征结合起来称为放电特征，作为分类器的输入。

脉冲特征提取，对预处理后的局部放电信号，提取局部放电脉冲，进而计算50个工频周期内放电脉冲的最大放电量、平均放电量、放电次数、均方率、平均放电电流等脉冲特征参数。

统计特征提取，将连续多个工频周期采集到的局部放电信号叠加后以取得三维图谱。将工频相位按照0°～360°等间隔分为60个区间，放电量q按照0～1000pC等间隔分为200个区间。统计平面各网格区间内的放电次数n，即可得到三维图谱。从三维图谱可以得到提取最大放电量-时间和平均放电量-时间二维图谱。分别计算最大放电量-时间二维图谱中的偏斜度、突出度、相关系数，不对称度等统计特征参数及平均放电量-时间图谱中的偏斜度、突出度、相关系数，不对称度等统计特征参数，作为统计特征。

步骤4，分类器识别。本发明所融合的神经网络分类器、模糊推理分类器和距离判别分类器，均为有监督的学习方法。所使用的训练样本集合称为典型特征库。

神经网络分类器识别，本发明中采用的神经网络分类器为前向BP神经网络，该神经网络为两层网络结构，输入层为非阈值的非线性单元，输出层为使用非阈值的线性单元。输入层神经元与放电特征相对应，即每个神经元的输入值为相应的放电特征值，共有13个；输出层神经元与放电类型对应，即每个神经元的输出值为相应的放电类型的置信度，共有5个，分别为电晕放电、悬浮电极放电、自由微粒放电、气隙放电、沿面放电。

模糊推理分类器识别，通过特征模糊化，为局放特征量定义了相应的模糊变量，可以解决局部放电强度没有边界的问题。将每个局放特征模糊化，划分为强、中、弱三个等级。依据由典型特征库推导出的规则进行模糊推理，按照“AND”连接词，采用T范式，得到每条规则的输出模糊集，通过去模糊化的方式得到置信度。置信度最高的放电类型即为模糊推理分类器所给出的放电类型。每种类型都会有一个置信度，取其中置信度最高的对应的类型即为结果。

距离判别分类器识别，主要分为三步流程。首先，计算输入特征与已有特征库中所有典型放电特征的距离，该距离可以是欧式距离、内积或向量夹角。在本实施例中，采用L2欧式距离。其次，将所有距离按照从小到大排列，选出与输入特征距离最近的10条典型放电特征。最后，分别计算五种放电类型在这10条典型放电中的比例，即为各放电类型的置信度，置信度最高的类型即为距离判别器给出的放电类型。

以上三种分类器的放电类型结论应为电晕放电、悬浮电极放电、自由微粒放电、气隙放电、沿面放电五种放电类型中的一种，放电置信度最大值为1，最小值为0。

步骤5，可能性判别。将以上三种分类器所给出的放电置信度推出相应的可能性，其原则为置信度大于0.8的为可能性高；小于0.8且大于0.5的可能性为中；置信度小于0.5的可能性为低。

步骤6，置信度计算。对三种分类器所给出的可能性综合判别，若三种分类器给出的放电类型一致，则融合后的放电类型即为该放电类型，置信度为三种分类器置信度平均值；若三种分类器中有两种分类器给出的放电类型一致，且这两种分类器给出的可能性均为中或者高，则融合后的放电类型为这两种分类器给出的放电类型，置信度为这两种分类器置信度均值的2/3；若三种分类器给出放电类型均不一致，但有一种分类器给出的可能性为高，其他两种分类器可能性为低，则融合后放电类型为可能性为高的分类器的放电类型，置信度为该分类器置信度的1/3；其他情况下，融合后放电类型为未知，置信度为0。

步骤7诊断结论。给出最终的放电类型及其置信度。

Claims (2)

1.一种多分类器信息融合的局部放电诊断方法，其特征在于包括如下具体的步骤：

步骤1)信号采集：通过传感器采集电力设备的局部放电信号；

步骤2)信号预处理：进行去噪处理；

步骤3)放电特征提取：脉冲特征的提取和统计特征的提取；

步骤4)分类器识别：将步骤3)中提取的特征参数，作为输入向量，由神经网络分类器、模糊推理分类器和距离判别分类器分别给出针对电晕放电、悬浮电极放电、自由微粒放电、气隙放电、沿面放电五种放电类型的置信度结果；

步骤5)可能性判定：依据每个分类器所给出的放电类型及其置信度，分别计算其放电类型的高、中、低可能性；

步骤6)计算最终置信度：综合三个分类器给出的放电可能性，并结合置信度，给出最终放电类型结论及其置信度。

2.根据权利要求1所述的多分类器信息融合的局部放电诊断方法，其特征在于，提取的所述脉冲特征是指最大放电量、平均放电量、放电次数、均方率和平均放电电流脉冲特征参数；提取的所述统计特征是指最大放电量-时间图谱中的偏斜度、突出度、相关系数、不对称度统计特征参数，以及平均放电量-时间图谱中的偏斜度、突出度、相关系数、不对称度统计特征参数。