CN105938177A - 基于局部放电统计量的特征提取及识别方法 - Google Patents

Abstract

本发明公开了一种基于局部放电统计量的特征提取及识别方法，属于电力设备局部放电检测技术领域，该方法中，利用统计计算统计了局部放电不同放电量在每个工频相位上的放电次数，得到了局部放电二维统计矩阵以及能够直观表示放电特征的二维图谱；通过对二维统计矩阵进行奇异值分解得到了二维统计的特征向量，这一特征向量代表了不同放电量在不同的工频相位上发生的次数，根据本发明提取的特征向量，利用有监督的识别方法能够有效识别局部放电类型，以支持向量机为例，识别精度达到98％。

Description

基于局部放电统计量的特征提取及识别方法

技术领域：

本发明属于电力设备局部放电检测技术领域，具体涉及一种基于局部放电统计量的特征提取及识别方法，用于电力设备局部放电类型的识别。

背景技术：

电力设备的绝缘材料是保证电力设备正常运行的重要组件，但是由于绝缘材料在强电场作用下老化或绝缘材料加工缺陷，在电力设备运行中绝缘材料内部会出现局部放电，局部放电的发展会加速绝缘材料的老化，从而导致电力设备寿命缩短，所以必须尽早发现和识别局部放电的类型，采用措施减缓电力设备的老化。

根据局部放电统计量进行局部放电类型识别的方法较多，目前比较成熟的方法是基于相位的放电序列(PRPD，Phase Resolved Pluse Sequence)生成的放电相位谱图，如放电量-相位二维谱图和放电量-相位-放电次数三维谱图，这些谱图提供了29种特征参量，如偏斜度、峭度等，可以用于局部放电类型识别。

上述方法将放电特征分为正半轴和负半轴两个区域，而并没有细致的考虑每个放电相位上的统计特征，本发明根据不同放电量在不同相位上发生的次数作为统计参量，提出了一种新的局部放电二维统计矩阵及其二维统计图谱，从该二维统计矩阵中提取的特征向量可以用于放电类型的识别。

发明内容：

本发明的目的是为了解决更加有效提取能够识别局部放电类型的局部放电特征的问题，提供了一种基于局部放电统计量的特征提取及识别方法，并验证了特征参量在局部放电类型识别中的有效性。

为达到上述目的，本发明采用如下技术方案来实现的：

基于局部放电统计量的特征提取及识别方法，包括以下步骤：

1)对采集到的多个工频放电周期的局部放电信号进行工频相位-放电量-放电次数或者工频相位-放电幅值-放电次数的统计分析，得到局部放电二维统计矩阵；

2)计算局部放电二维统计矩阵的奇异值，得到二维统计矩阵的特征向量；

3)利用二维统计向量，采用有监督的学习方法对局部放电类型进行识别。

本发明进一步的改进在于，步骤1)中局部放电信号为由局部放电发生时激发的射频信号、脉冲电流信号、超高频信号和超声信号，多个工频放电周期是50～500个周期。

本发明进一步的改进在于，步骤1)中放电量的单位为pC，放电幅值的单位为mV、V或dB。

本发明进一步的改进在于，步骤1)中局部放电二维统计矩阵能够以二维图像的形式表示。

本发明进一步的改进在于，步骤1)的具体实现方法如下：

101)记录局部放电发生过程中多个工频周期的放电量和对应的放电相位或者放电幅值和对应的放电相位；

102)建立二维统计矩阵Pattern，得到某一个工频相位上不同放电量发生的次数，步骤如下：

a)第k次放电时，确定该次放电在二维统计矩阵中位置(i，j)，根据该次放电量和对应的工频相位按如下公式得到，

j＝M_pdk/Y_scale，i＝Phase_k/X_scale (1)

其中，k表示第k次放电，M_pdi是第k次放电的放电量或放电幅值，Y_scale是缩放比例，Phase_i是第k次放电发生的工频相位，X_scale是缩放比例，例如当X_scale为0.9°时，横坐标每一格表示0.9°，当Y_scale为10时，纵坐标每一格能够表示10pC或10mV、10V、10dB；

b)二维矩阵Pattern中的(i,j)处的值表示为在某一个放电相位Phasei发生对应放电量或放电幅值M_pdk的次数，即统计多个工频周期内某一个工频相位对应的某一个相同放电量或放电幅值发生的次数，上述结果根据公式(2)得到：

$\begin{array}{c}{\mathrm{Pattern}}_{i,j}=count({\mathrm{Phase}}_k,M_{pdk})\\ =\left\{\begin{array}{cc}if& i={\mathrm{Phase}}_k/X_{scale}andj=M_{pdk}/Y_{scale},{\mathrm{Pattern}}_{i,j}={\mathrm{Pattern}}_{i,j}+1\\ else& contiune\end{array}\right.\end{array}---\left(2\right)$

本发明进一步的改进在于，步骤2)的具体实现方法如下：

201)对二维统计矩阵进行奇异值分解；

202)提取奇异值序列中最大值对应的特征向量，即得到本发明方法的特征参量。

本发明进一步的改进在于，步骤3)中有监督学习的模型采用支持向量机、神经网络或者K邻居原则有监督学习的机器学习模型。

本发明对比已有技术具有以下创新点：

1.提出了新的局部放电二维统计矩阵和相应的二维谱图，能够直观的反应不同放电类型的特征；

2.采用奇异值分解从局部放电二维统计矩阵中提取了新的统计特征参量，可以用于局部放电类型识别。

本发明对比已有技术具有以下显著优点：

1、对比原有PRPD谱图识别方法，本发明更为细致的考虑了每个工频相位上不同局部放电量发生的次数，提取了新的二维统计矩阵和新的二维谱图，能够直观的反应放电类型的特征；

2、利用奇异值分解从局部放电二维矩阵中提取了特征向量，该特征向量可以反映不同放电类型在每个工频相位上与放电量和放电次数相关的统计特征。

综上所述，本发明提出了一种新的局部放电识别方法，利用本发明中二维谱图可以直观的表示不同放电类型特征，利用本发明中提出的特征参量可以有效的进行局部放电类型识别。

附图说明：

图1为本发明方法二维统计矩阵对应的二维图像，其中，图1(a)为放电类型P1的二维特征矩阵对应的二维图像，图1(b)为放电类型P2的二维特征矩阵对应的二维图像，图1(c)为放电类型P1的二维特征矩阵对应的二维图像，图1(d)为放电类型P4的二维特征矩阵对应的二维图像。

图2为本发明方法二维统计矩阵特征参量提取结果，其中，图2(a)为放电类型P1的特征向量，图2(b)为放电类型P2的特征向量，图2(c)为放电类型P3的特征向量，图2(d)为放电类型P4的特征向量。

具体实施方式：

以下结合附图对本发明做出进一步的说明。

本发明的基本思想是基于局部放电统计量建立二维统计矩阵，对二维统计矩阵进行奇异值分解提取特征参量，利用提取的特征参量进行局部放电类型识别，具体流程如下：

1)采集多组四种放电类型(分别是放电类型1、2、3、4，下文简称P1，P2，P3和P4)多个工频周期局部放电脉冲电流信号，本实验的工频周期个数为500个，采用IEC60270的标准局部放电测量电路，使用的示波器其带宽为100MHz～3GHz，其采样率为10MS/s；

2)设置初始变量：Y_scale，X_scale，不同放电类型的二维统计矩阵P1Pattern，P2Pattern，P3Pattern和P4Pattern；

3)针对每种放电类型，建立二维统计矩阵，具体步骤如下：

a)读取第m组500个周期的局部放电射频数据；

b)顺序读取第m组中每个放电量及其对应的工频相位，计算其在二维统计矩阵中的位置，采用如下公式计算。

j＝M_pdk/Y_scale，i＝Phase_k/X_scale (1)

其中，k表示第m组中的第k次放电，M_pdi是第k次放电的放电量(或放电幅值)，Y_scale是缩放比例，Phase_i是第k次放电发生的工频相位，X_scale是缩放比例，例如当X_scale为0.9°时，横坐标每一格表示0.9°，当Y_scale为10时，纵坐标每一格可以表示10pC(或10mV、10V、10dB)。

c)根据得到的位置i和j，对Pattern中(i，j)位置的值(放电次数)加1处理，公式如下所示

$\begin{array}{c}{\mathrm{Pattern}}_{i,j}=count({\mathrm{Phase}}_k,M_{pdk})\\ =\left\{\begin{array}{cc}if& i={\mathrm{Phase}}_k/X_{scale}andj=M_{pdk}/Y_{scale},{\mathrm{Pattern}}_{i,j}={\mathrm{Pattern}}_{i,j}+1\\ else& contiune\end{array}\right.\end{array}---\left(2\right)$

d)直至第m组数据统计完毕，得到第m组数据对应的二维统计矩阵Pattern_m，如图1所示，为四种放电类型二维统计矩阵的图像化表示，图中颜色越深表示该位置发生的放电次数越多；

e)对第m组的二维统计矩阵Pattern_m进行奇异值分解，得到对应的特征向量Feature_m，如图2所示为提取的四种放电类型的特征向量，从图中可以看出，四种放电类型的特征向量有明显不同，有利于局部放电类型的识别；

f)重复a～e操作，得到同一种放电类型的多组特征向量Feature；

g)重复a～f的操作，得到不同放电类型各自的多组特征向量为P1Feature_m1×n，P2Feature_m2×n，P3Feature_m3×n和P4Feature_m4×n；其中m1，m2，m3和m4是四种放电类型采集的样本数，n为特征向量中特征的个数；

4)利用得到的特征向量进行局部放电识别，具体步骤如下：

a)归一化特征参量，将特征量归一化到[-1,1]的范围内，公式如下所示：

$y=(ymax-y\min )*\frac{(x-xmin)}{(xmax-x\min )}+y\min ---\left(3\right)$

b)将四种放电类型的样本随机分为训练集和测试集；

c)利用支持向量机(SVM)根据训练集进行识别模型的训练，得到SVM的识别模型；

d)对测试集进行识别效果检验，得到的识别精度为98％。

Claims (7)

1.基于局部放电统计量的特征提取及识别方法，其特征在于，包括以下步骤：

1)对采集到的多个工频放电周期的局部放电信号进行工频相位-放电量-放电次数或者工频相位-放电幅值-放电次数的统计分析，得到局部放电二维统计矩阵；

2)计算局部放电二维统计矩阵的奇异值，得到二维统计矩阵的特征向量；

3)利用二维统计向量，采用有监督的学习方法对局部放电类型进行识别。

2.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤1)中局部放电信号为由局部放电发生时激发的射频信号、脉冲电流信号、超高频信号和超声信号，多个工频放电周期是50～500个周期。

3.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤1)中放电量的单位为pC，放电幅值的单位为mV、V或dB。

4.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤1)中局部放电二维统计矩阵能够以二维图像的形式表示。

5.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤1)的具体实现方法如下：

101)记录局部放电发生过程中多个工频周期的放电量和对应的放电相位或者放电幅值和对应的放电相位；

102)建立二维统计矩阵Pattern，得到某一个工频相位上不同放电量发生的次数，步骤如下：

a)第k次放电时，确定该次放电在二维统计矩阵中位置(i，j)，根据该次放电量和对应的工频相位按如下公式得到，

j＝M_pdk/Y_scale，i＝Phase_k/X_scale (1)

其中，k表示第k次放电，M_pdi是第k次放电的放电量或放电幅值，Y_scale是缩放比例，Phase_i是第k次放电发生的工频相位，X_scale是缩放比例，例如当X_scale为0.9°时，横坐标每一格表示0.9°，当Y_scale为10时，纵坐标每一格能够表示10pC或10mV、10V、10dB；

b)二维矩阵Pattern中的(i,j)处的值表示为在某一个放电相位Phasei发生对应放电量或放电幅值M_pdk的次数，即统计多个工频周期内某一个工频相位对应的某一个相同放电量或放电幅值发生的次数，上述结果根据公式(2)得到：

$\begin{array}{c}{\mathrm{Pattern}}_{i,j}=count({\mathrm{Phase}}_k,M_{pdk})\\ =\left\{\begin{array}{cc}if& i={\mathrm{Phase}}_k/X_{scale}andj=M_{pdk}/Y_{scale},{\mathrm{Pattern}}_{i,j}={\mathrm{Pattern}}_{i,j}+1\\ else& contiune\end{array}\right.\end{array}---\left(2\right)$

6.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤2)的具体实现方法如下：

201)对二维统计矩阵进行奇异值分解；

202)提取奇异值序列中最大值对应的特征向量，即得到本发明方法的特征参量。

7.根据权利要求1所述的基于局部放电统计量的特征参量提取及识别方法，其特征在于，步骤3)中有监督学习的模型采用支持向量机、神经网络或者K邻居原则有监督学习的机器学习模型。