CN106199351A - 局部放电信号的分类方法和装置 - Google Patents
局部放电信号的分类方法和装置 Download PDFInfo
- Publication number
- CN106199351A CN106199351A CN201610480384.0A CN201610480384A CN106199351A CN 106199351 A CN106199351 A CN 106199351A CN 201610480384 A CN201610480384 A CN 201610480384A CN 106199351 A CN106199351 A CN 106199351A
- Authority
- CN
- China
- Prior art keywords
- intrinsic mode
- characteristic
- determining
- partial discharge
- entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 92
- 238000005070 sampling Methods 0.000 claims abstract description 79
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 239000003822 epoxy resin Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229920000647 polyepoxide Polymers 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种局部放电信号的分类方法和装置。局部放电信号的分类方法包括：获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取采样信号序列的特征内禀模态函数，其中，特征内禀模态函数是与局部放电信号对应的内禀模态函数；根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及根据特征内禀模态函数的熵确定局部放电信号的种类。通过本发明，解决了相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题。
Description
技术领域
本发明涉及信号处理领域，具体而言，涉及一种局部放电信号的分类方法和装置。
背景技术
原始信号在传输的过程中会受到干扰，导致采集时得到的信号不仅包括原始信号，还包括干扰信号。为了提取采集信号中的有用信息，可以根据原始信号的特点，在采集信号中提取原始信号的特征信息，达到去除干扰、提取有用信息的效果。
局部放电通常是指电力设备绝缘体内部或绝缘表面局部电场集中产生的放电过程，在放电过程中，会伴随着声、光、热和化学反应等现象，在局部放电的作用下，会加剧电力设备绝缘材料的老化，最终导致绝缘击穿发生故障，因此，检测局部放电信号是电力设备绝缘状态评估及故障定位的关键，直接关系到电力设备的检修及维护方案的制定，进而影响到电力系统的稳定运行，对局部放电信号进行分类，可以根据采集到的局部放电信号诊断现场电力设备的绝缘状况。但是，电力设备所在现场的电磁环境通常十分复杂，包括周期性窄带干扰、白噪声等众多干扰信号，极端情况下局部放电信号可能被强大的噪声所掩盖，难以识别采集信号中的局部放电原始信号，导致无法提取采集信号中局部放电信号的特征信息，也就无法根据采集信号对电力设备的绝缘情况进行诊断和分类。
目前常用的在局部放电采集信号中提取特征参数的方法主要包括基于图谱的相位统计方法和奇异谱熵分析方法(Singular Spectrum Entropy Analysis，简称SSEA)。基于图谱的相位统计方法应用广泛，但造成时域信息的大量浪费。SSEA方法是将信息熵理论引入基于主成分分析的奇异谱分析(Singular Spectrum Analysis，简称SSA)的方法，SSA方法是处理混沌系统一维时间序列的常用方法，将信息熵理论引入SSA方法得到的SSEA方法能够进一步反映信号的复杂性和无规则程度，然而SSA方法本质上是一种二阶统计的线性分析方法，难以充分反映信号的非线性特性，并且嵌入维数、延迟时间的选取以及噪声强弱对分析结果影响较大。
针对相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种局部放电信号的分类方法和装置，以解决相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种局部放电信号的分类方法。该方法包括：获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取采样信号序列的特征内禀模态函数，其中，特征内禀模态函数是与局部放电信号对应的内禀模态函数；根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及根据特征内禀模态函数的熵确定局部放电信号的种类。
进一步地，根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵包括：确定采样信号序列的功率谱密度；根据功率谱密度确定采样信号序列的主要频率；根据高阶奇异谱分析方法通过主要频率确定高阶奇异谱熵分析参数；以及通过高阶奇异谱熵分析参数确定特征内禀模态函数的熵。
进一步地，提取采样信号序列的特征内禀模态函数包括：根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数；分别确定局部放电信号的特征参数和多个内禀模态函数的特征参数；以及根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数。
进一步地，多个内禀模态函数的中心频率各不相同，根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数包括：在采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；根据经验模态分解方法分别对多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，多个内禀模态函数集合中的每个内禀模态函数集合均包括多个内禀模态函数；以及对多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，其中，根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数包括：根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个平均内禀模态函数中确定特征内禀模态函数。
进一步地，特征内禀模态函数为多个特征内禀模态函数，根据特征内禀模态函数的熵确定局部放电信号的种类包括：根据多个特征内禀模态函数的熵组成熵特征向量；以及通过RBF神经网络算法对熵特征向量执行分类，以确定局部放电信号的种类。
为了实现上述目的，根据本发明的一个方面，提供了一种局部放电信号的分类装置。该装置包括：获取单元，用于获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取单元，用于提取采样信号序列的特征内禀模态函数，其中，特征内禀模态函数是与局部放电信号对应的内禀模态函数；第一确定单元，用于根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及第二确定单元，用于根据特征内禀模态函数的熵确定局部放电信号的种类。
进一步地，第一确定单元包括：第一确定模块，用于确定采样信号序列的功率谱密度，根据功率谱密度确定采样信号序列的主要频率，根据高阶奇异谱分析方法通过主要频率确定高阶奇异谱熵分析参数，以及通过高阶奇异谱熵分析参数确定特征内禀模态函数的熵。
进一步地，提取单元包括：分解模块，用于根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数；第二确定模块，用于分别确定局部放电信号的特征参数和多个内禀模态函数的特征参数；以及第三确定模块，用于根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数。
进一步地，多个内禀模态函数的中心频率各不相同，分解模块包括：添加子模块，用于在采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；分解子模块，用于根据经验模态分解方法分别对多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，多个内禀模态函数集合中的每个内禀模态函数集合均包括多个内禀模态函数；以及计算子模块，用于对多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，其中，第三确定模块包括：确定子模块，用于根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个平均内禀模态函数中确定特征内禀模态函数。
进一步地，特征内禀模态函数为多个特征内禀模态函数，第二确定单元包括：组成模块，用于根据多个特征内禀模态函数的熵组成熵特征向量；以及分类模块，用于通过RBF神经网络算法对熵特征向量执行分类，以确定局部放电信号的种类。
本发明通过获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取采样信号序列的特征内禀模态函数，其中，特征内禀模态函数是与局部放电信号对应的内禀模态函数；根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及根据特征内禀模态函数的熵确定局部放电信号的种类，解决了相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题，进而达到了更准确地根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明第一实施例的局部放电信号的分类方法的流程图；
图2是根据本发明第二实施例的局部放电信号的分类方法的流程图；
图3是根据本发明实施例的产生不同种类局部放电信号的实验原理图；
图4是根据本发明实施例的不同种类局部放电信号的采样信号序列的示意图；
图5是根据本发明实施例的不同种类局部放电信号的熵特征向量的示意图；以及
图6是根据本发明实施例的局部放电信号的分类装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的实施例提供了一种局部放电信号的分类方法。
图1是根据本发明第一实施例的局部放电信号的分类方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取采样信号序列。
采样信号序列为对局部放电信号执行采样得到的信号序列。局部放电信号是局部放电现象产生的信号，局部放电现象是电力设备等部件在绝缘能力下降之后出现的放电现象，采样信号序列可以是对局部放电信号执行采样得到的电流、电压等信号的序列。
步骤S102，提取采样信号序列的特征内禀模态函数。
特征内禀模态函数是与局部放电信号对应的内禀模态函数(Intrinsic ModeFunction，简称IMF)。一个信号可以分解为多个内禀模态函数，通过对信号进行分解，可以得到信号包含的多个内禀模态函数。该实施例中所述的特征内禀模态函数是指与局部放电信号相对应的内禀模态函数。对采样信号序列进行分解之后，可以得到多个内禀模态函数，其中，部分内禀模态函数代表所采集的原始信号，另一部分内禀模态函数则是在采集信号的过程中携带的噪声。提取采样信号序列中的特征内禀模态函数，是在采样信号序列的内禀模态函数中提取与局部放电信号对应的内禀模态函数。
步骤S103，根据高阶奇异谱熵分析(Higher order Singular Spectrum EntropyAnalysis，简称HSSEA)方法确定特征内禀模态函数的熵。
熵可以表示物质的物理状态，可以通过高阶奇异谱熵分析方法确定特征内禀模态函数的熵以确定局部放电信号的状态，也即可以对局部放电信号进行分类。
步骤S104，根据特征内禀模态函数的熵确定局部放电信号的种类。
在确定出特征内禀模态函数的熵之后，根据特征内禀模态函数的熵确定局部放电信号的种类。局部放电可以分为多种情况，不同情况下的局部放电信号不同。例如，电力设备可能会出现悬浮电位、沿面放电和尖端电晕等多个种类的缺陷，不同的缺陷会产生不同特征的局部放电信号，通过特征内禀模态函数的熵可以确定局部放电信号的种类，以判断电力设备出现哪种类型的局部放电现象，在现场检测之前就可以对电力设备的缺陷进行预判。
该实施例提供的局部放电信号的分类方法，通过获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取采样信号序列的特征内禀模态函数；根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及根据特征内禀模态函数的熵确定局部放电信号的种类，解决了相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题，进而达到了更准确地根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的效果。
根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵的具体步骤可以如下：确定采样信号序列的功率谱密度；根据功率谱密度确定采样信号序列的主要频率；根据高阶奇异谱分析方法通过主要频率确定高阶奇异谱熵分析参数；通过高阶奇异谱熵分析参数确定特征内禀模态函数的熵。
提取采样信号序列的特征内禀模态函数的具体步骤可以如下：根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数；分别确定局部放电信号的特征参数和多个内禀模态函数的特征参数；以及根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数。
多个内禀模态函数的中心频率各不相同，根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数的具体步骤可以如下：在采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；根据经验模态分解方法分别对多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，多个内禀模态函数集合中的每个内禀模态函数集合均包括多个内禀模态函数；以及对多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，其中，根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数是在多个平均内禀模态函数中确定特征内禀模态函数。
特征内禀模态函数为多个特征内禀模态函数，根据特征内禀模态函数的熵确定局部放电信号的种类的具体步骤可以如下：根据多个特征内禀模态函数的熵组成熵特征向量；以及通过RBF神经网络算法对熵特征向量执行分类，以确定局部放电信号的种类。
图2是根据本发明第二实施例的局部放电信号的分类方法的流程图。该实施例可以作为上述实施例的一个优选实施例，如图2所示，该方法包括以下步骤：
步骤一，获取采样信号序列。
采样信号序列是对局部放电信号执行采样得到的信号序列。获取采样信号序列x(t)。
步骤二，对采样信号序列x(t)执行改进集合经验模态分解(Ensemble EmpiricalMode Decomposition，简称EEMD)，获得采样信号序列x(t)的内禀模态函数及残余函数R。
改进集合经验模态分解方法是在经验模态分解方法的基础上改进的分解方法，可以将信号按照自身特点分解为N个中心频率逐级降低的内禀模态函数之和。改进集合经验模态分解方法的具体实施方法如下：
在采样信号序列x(t)中添加高斯白噪声，并将添加高斯白噪声之后采样信号序列的记作sm(t)，将sm(t)根据经验模态分解方法分解为N个IMF和残余函数R。将上述过程重复M次，其中，M根据去噪效果和运算时间综合确定。也即，分别在采样信号序列x(t)中添加M次高斯白噪声并执行经验模态分解，最终得到M组分解结果，分别将M组分解结果中的IMF分量取平均值，得到改进集合经验模态分解方法的最终分解结果式中，cp(t)是IMF函数，r(t)是残余函数。
在获得N个IMF函数之后，在N个IMF函数中确定与局部放电信号对应的P个特征IMF，其中，P≤N。
步骤三，确定延迟参数L和嵌入维数m。
延迟参数L和嵌入维数m是高阶奇异谱熵分析方法的分析参数。要获取延迟参数L和嵌入维数m，首先计算采样信号序列x(t)的功率谱密度，结合谱图周期性及幅值大小选取主要频率fm，令τw＝1/fm。其次，令L1＝1，则最后，根据高阶奇异谱分析，通过取门限二次确定出m，在确定出m之后，按照公式计算L。
在确定延迟参数L和嵌入维数m之后，根据L、m对P个IMF分别执行高阶奇异谱熵分析以获取P个IMF的高阶奇异谱熵。具体地，高阶奇异谱熵分析方法可以通过以下步骤执行：
步骤四，应用Takens延迟坐标法对离散的采样信号序列x(t)进行相空间重构，获得相空间轨道矩阵X。
式中，Nm＝N-(m-1)·L为重构相空间向量的个数，τω＝(m-1)L·△t是时间窗。
步骤五，计算X的四阶累积量并令τ2＝τ3进行对角切片，构造矩阵A，其中，
高阶累积量谱具有盲高斯特性，理论上不但可以完全抑制高斯有色噪声的干扰，并可以反映系统的高阶相关非线性关系。一阶和二阶累积量分别表示信号均值和协方差函数，三阶累积量在信号对称分布时为零，应用较少，而四阶累积量能够描述概率分布陡峭程度，计算X的四阶累积量并进行对角切片，构造矩阵A。
步骤六，对A进行奇异值分解，Ax＝UTΛU，奇异谱Λ＝diag(λ1,λ2,…λm)。
步骤七，判断是否已进行P次高阶奇异谱熵分析，也即，判断P个特征内禀模态函数是否均已执行过高阶奇异谱熵分析。
步骤八，如果在步骤七判断出未进行P次高阶奇异谱熵分析，对下一个内禀模态函数执行高阶奇异谱熵分析，返回步骤四。
步骤九，如果在步骤七判断出已进行P次高阶奇异谱熵分析，计算熵值其中，
步骤十，使用步骤九计算出的P个内禀模态函数的熵值组成熵特征向量H＝(h1',h2'…hP')。
步骤十一，根据RBF神经网络算法对熵特征向量进行分类识别，以诊断局部放电信号的种类，判断电力设备的缺陷。
根据该实施例得到的熵特征向量能够充分反映局部放电信号的非线性特性等有效信息，对高斯噪声具有良好抑制能力，并且具有完全自适应的优点，对现场局部放电信号适用性较好。
在实验室中对该实施例提供的方法进行检验，使用设计的三种典型的局部放电缺陷的模型进行加压试验，并使用全向特高频传感器和高速数字采集系统获取局部放电信号的波形和数据。全向天线带宽0.2～2GHz，示波器采样率5GS/s，无局部放电高压试验电源100kV/AC。三种典型局部放电缺陷分别为：a)悬浮电位缺陷；b)沿面放电缺陷；c)尖端电晕缺陷，三种模型如图3所示，三种模型均包括接高压电极100和接地电极200，模型a)包括材料为环氧树脂的部件301和厚度为0.8mm的铜片302，模型b)包括材料为金属的凸起部件303和材料为环氧树脂的部件304。图3中的三种模型所采集的特高频信号示例时域波形如图4所示，每种模型采集72组数据。本实施例中取定EEMD分解参数，加入标准偏差0.2的辅助Gaussian白噪声，“筛选”迭代次数50，截断点数Nc＝100，相空间重构参数L＝2，m＝10，有效分解层数P＝6。运用本发明获得的高阶奇异谱熵特征向量部分结果见表1及图5，由表1及图5中可见，三种模型特征向量具有明显的差异性。
表1不同缺陷类型的高阶奇异谱熵特征向量的部分实验结果
随机选取其中32组作为训练样本，剩余40组作为测试样本。使用高斯函数作为径向基函数。分类结果见表2。
表2对测试样本的分类结果
| 缺陷类型 | 悬浮 | 沿面 | 尖端 | 识别正确率 |
| 悬浮电位 | 40 | 0 | 0 | 100％ |
| 沿面放电 | 0 | 37 | 3 | 92.5％ |
| 尖端电晕 | 1 | 1 | 38 | 95％ |
由表2中可见，对局部放电种类的识别正确率较高。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的实施例还提供了一种局部放电信号的分类装置。需要说明的是，本发明实施例的局部放电信号的分类装置可以用于执行本发明的局部放电信号的分类方法。
图6是根据本发明实施例的局部放电信号的分类装置的示意图。如图6所示，该装置包括获取单元10，提取单元20，第一确定单元30和第二确定单元40。
获取单元10用于获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取单元20用于提取采样信号序列的特征内禀模态函数；第一确定单元30用于根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；第二确定单元40用于根据特征内禀模态函数的熵确定局部放电信号的种类
该实施例提供的局部放电信号的分类装置，通过获取采样信号序列，其中，采样信号序列为对局部放电信号执行采样得到的信号序列；提取采样信号序列的特征内禀模态函数；根据高阶奇异谱熵分析方法确定特征内禀模态函数的熵；以及根据特征内禀模态函数的熵确定局部放电信号的种类，解决了相关技术中难于根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的问题，进而达到了更准确地根据局部放电信号的采集信号对电力设备的绝缘状况进行分类的效果。
优选地，第一确定单元30可以包括：第一确定模块，用于确定采样信号序列的功率谱密度，根据功率谱密度确定采样信号序列的主要频率，根据高阶奇异谱分析方法通过主要频率确定高阶奇异谱熵分析参数，以及通过高阶奇异谱熵分析参数确定特征内禀模态函数的熵。
优选地，提取单元20可以包括：分解模块，用于根据经验模态分解方法对采样信号序列执行分解，得到采样信号序列的多个内禀模态函数；第二确定模块，用于分别确定局部放电信号的特征参数和多个内禀模态函数的特征参数；以及第三确定模块，用于根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个内禀模态函数中确定特征内禀模态函数。
多个内禀模态函数的中心频率各不相同，优选地，分解模块可以包括：添加子模块，用于在采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；分解子模块，用于根据经验模态分解方法分别对多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，多个内禀模态函数集合中的每个内禀模态函数集合均包括多个内禀模态函数；以及计算子模块，用于对多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，其中，第三确定模块可以包括：确定子模块，用于根据局部放电信号的特征参数和多个内禀模态函数的特征参数在多个平均内禀模态函数中确定特征内禀模态函数。
特征内禀模态函数为多个特征内禀模态函数，优选地，第二确定单元40可以包括：组成模块，用于根据多个特征内禀模态函数的熵组成熵特征向量；以及分类模块，用于通过RBF神经网络算法对熵特征向量执行分类，以确定局部放电信号的种类。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种局部放电信号的分类方法，其特征在于，包括：
获取采样信号序列，其中，所述采样信号序列为对局部放电信号执行采样得到的信号序列；
提取所述采样信号序列的特征内禀模态函数，其中，所述特征内禀模态函数是与所述局部放电信号对应的内禀模态函数；
根据高阶奇异谱熵分析方法确定所述特征内禀模态函数的熵；以及
根据所述特征内禀模态函数的熵确定所述局部放电信号的种类。
2.根据权利要求1所述的方法，其特征在于，根据高阶奇异谱熵分析方法确定所述特征内禀模态函数的熵包括：
确定所述采样信号序列的功率谱密度；
根据所述功率谱密度确定所述采样信号序列的主要频率；
根据高阶奇异谱分析方法通过所述主要频率确定高阶奇异谱熵分析参数；以及
通过所述高阶奇异谱熵分析参数确定所述特征内禀模态函数的熵。
3.根据权利要求1所述的方法，其特征在于，提取所述采样信号序列的特征内禀模态函数包括：
根据经验模态分解方法对所述采样信号序列执行分解，得到所述采样信号序列的多个内禀模态函数；
分别确定所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数；以及
根据所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数在所述多个内禀模态函数中确定所述特征内禀模态函数。
4.根据权利要求3所述的方法，其特征在于，所述多个内禀模态函数的中心频率各不相同，根据经验模态分解方法对所述采样信号序列执行分解，得到所述采样信号序列的多个内禀模态函数包括：
在所述采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；
根据所述经验模态分解方法分别对所述多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，所述多个内禀模态函数集合中的每个内禀模态函数集合均包括所述多个内禀模态函数；以及
对所述多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，
其中，根据所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数在所述多个内禀模态函数中确定所述特征内禀模态函数包括：根据所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数在所述多个平均内禀模态函数中确定所述特征内禀模态函数。
5.根据权利要求1所述的方法，其特征在于，所述特征内禀模态函数为多个特征内禀模态函数，根据所述特征内禀模态函数的熵确定所述局部放电信号的种类包括：
根据所述多个特征内禀模态函数的熵组成熵特征向量；以及
通过RBF神经网络算法对所述熵特征向量执行分类，以确定所述局部放电信号的种类。
6.一种局部放电信号的分类装置，其特征在于，包括：
获取单元，用于获取采样信号序列，其中，所述采样信号序列为对局部放电信号执行采样得到的信号序列；
提取单元，用于提取所述采样信号序列的特征内禀模态函数，其中，所述特征内禀模态函数是与所述局部放电信号对应的内禀模态函数；
第一确定单元，用于根据高阶奇异谱熵分析方法确定所述特征内禀模态函数的熵；以及
第二确定单元，用于根据所述特征内禀模态函数的熵确定所述局部放电信号的种类。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元包括：
第一确定模块，用于确定所述采样信号序列的功率谱密度，根据所述功率谱密度确定所述采样信号序列的主要频率，根据高阶奇异谱分析方法通过所述主要频率确定高阶奇异谱熵分析参数，以及通过所述高阶奇异谱熵分析参数确定所述特征内禀模态函数的熵。
8.根据权利要求6所述的装置，其特征在于，所述提取单元包括：
分解模块，用于根据经验模态分解方法对所述采样信号序列执行分解，得到所述采样信号序列的多个内禀模态函数；
第二确定模块，用于分别确定所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数；以及
第三确定模块，用于根据所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数在所述多个内禀模态函数中确定所述特征内禀模态函数。
9.根据权利要求8所述的装置，其特征在于，所述多个内禀模态函数的中心频率各不相同，所述分解模块包括：
添加子模块，用于在所述采样信号序列中分别添加多个互相独立的白噪声信号，得到多个带噪声信号序列；
分解子模块，用于根据所述经验模态分解方法分别对所述多个带噪信号序列执行分解，得到多个内禀模态函数集合，其中，所述多个内禀模态函数集合中的每个内禀模态函数集合均包括所述多个内禀模态函数；以及
计算子模块，用于对所述多个内禀模态函数集合中的中心频率相同的内禀模态函数求平均值，得到多个平均内禀模态函数，
其中，所述第三确定模块包括：确定子模块，用于根据所述局部放电信号的特征参数和所述多个内禀模态函数的特征参数在所述多个平均内禀模态函数中确定所述特征内禀模态函数。
10.根据权利要求6所述的装置，其特征在于，所述特征内禀模态函数为多个特征内禀模态函数，所述第二确定单元包括：
组成模块，用于根据所述多个特征内禀模态函数的熵组成熵特征向量；以及分类模块，用于通过RBF神经网络算法对所述熵特征向量执行分类，以确定所述局部放电信号的种类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610480384.0A CN106199351A (zh) | 2016-06-27 | 2016-06-27 | 局部放电信号的分类方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610480384.0A CN106199351A (zh) | 2016-06-27 | 2016-06-27 | 局部放电信号的分类方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106199351A true CN106199351A (zh) | 2016-12-07 |
Family
ID=57461258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610480384.0A Pending CN106199351A (zh) | 2016-06-27 | 2016-06-27 | 局部放电信号的分类方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106199351A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167716A (zh) * | 2017-07-11 | 2017-09-15 | 国网福建省电力有限公司泉州供电公司 | 一种局部放电缺陷类型识别方法及装置 |
| CN107907807A (zh) * | 2017-12-25 | 2018-04-13 | 国网湖北省电力公司信息通信公司 | 一种气体绝缘组合电器局部放电模式识别方法 |
| CN107991590A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于频域功率谱的电缆局部放电信号特征向量提取方法 |
| CN110988615A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种基于奇异谱分析的gis局放信号降噪方法 |
| CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
| CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
| CN112731080A (zh) * | 2020-12-24 | 2021-04-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种快速发展型局部放电油纸绝缘劣化状态的诊断方法 |
| CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
| CN113283289A (zh) * | 2021-04-13 | 2021-08-20 | 上海电力大学 | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 |
| CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种变压器声纹检测系统的噪声消除方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6381559B1 (en) * | 1996-08-12 | 2002-04-30 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
| JP2003168384A (ja) * | 2001-12-03 | 2003-06-13 | Ebara Corp | 電子線装置及び該装置を用いたデバイス製造方法 |
| CN101046497A (zh) * | 2006-03-29 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种对电力设备局部放电信号的检测方法 |
| CN104237757A (zh) * | 2014-09-30 | 2014-12-24 | 武汉大学 | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 |
-
2016
- 2016-06-27 CN CN201610480384.0A patent/CN106199351A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6381559B1 (en) * | 1996-08-12 | 2002-04-30 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
| JP2003168384A (ja) * | 2001-12-03 | 2003-06-13 | Ebara Corp | 電子線装置及び該装置を用いたデバイス製造方法 |
| CN101046497A (zh) * | 2006-03-29 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种对电力设备局部放电信号的检测方法 |
| CN104237757A (zh) * | 2014-09-30 | 2014-12-24 | 武汉大学 | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 |
Non-Patent Citations (8)
| Title |
|---|
| 张梅军等: "《EEMD方法及其在机械故障诊断中的应用》", 31 October 2015, 北京：国防工业出版社 * |
| 王玉梅等: "高阶小波包奇异谱熵在故障选线中的应用研究", 《电力系统保护与控制》 * |
| 罗颂荣等: "多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用", 《中国机械工程》 * |
| 范新桥等: "基于高阶多分辨率奇异熵的高压输电线路故障选相", 《电力自动化设备》 * |
| 袁坚等: "非线性时间序列的高阶奇异谱分析", 《物理学报》 * |
| 谢平等: "多分辨率奇异谱熵及其在振动信号监测中的应用研究", 《传感技术学报》 * |
| 赵海龙等: "基于信息熵的油田变压器局部放电故障诊断", 《电气应用》 * |
| 郝慧艳等: "EEMD和Cohen类联合抑制交叉项的时频特征提取方法", 《应用基础与工程科学学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167716A (zh) * | 2017-07-11 | 2017-09-15 | 国网福建省电力有限公司泉州供电公司 | 一种局部放电缺陷类型识别方法及装置 |
| CN107991590A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于频域功率谱的电缆局部放电信号特征向量提取方法 |
| CN107907807A (zh) * | 2017-12-25 | 2018-04-13 | 国网湖北省电力公司信息通信公司 | 一种气体绝缘组合电器局部放电模式识别方法 |
| CN110988615A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种基于奇异谱分析的gis局放信号降噪方法 |
| CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
| CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
| CN112731080A (zh) * | 2020-12-24 | 2021-04-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种快速发展型局部放电油纸绝缘劣化状态的诊断方法 |
| CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
| CN113283289A (zh) * | 2021-04-13 | 2021-08-20 | 上海电力大学 | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 |
| CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| CN114689122B (zh) * | 2022-03-31 | 2023-11-10 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种变压器声纹检测系统的噪声消除方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106199351A (zh) | 局部放电信号的分类方法和装置 | |
| Jin et al. | A novel adaptive EEMD method for switchgear partial discharge signal denoising | |
| Iorkyase et al. | Improving RF-based partial discharge localization via machine learning ensemble method | |
| Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
| CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
| Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
| CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| CN107179486A (zh) | 一种gis设备在线监测特高频信号降噪方法 | |
| CN109085468A (zh) | 一种电缆局部放电绝缘缺陷的识别方法 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| Bajwa et al. | An investigation into partial discharge pulse extraction methods | |
| Soman et al. | Recursive variational mode decomposition algorithm for real time power signal decomposition | |
| Yan et al. | An automatic tool for partial discharge de-noising via short-time Fourier transform and matrix factorization | |
| Chan et al. | Hybrid method on signal de‐noising and representation for online partial discharge monitoring of power transformers at substations | |
| CN115426002A (zh) | 基于时频分析的跳频信号检测与参数估计方法及系统 | |
| Govindarajan et al. | Development of Hankel‐SVD hybrid technique for multiple noise removal from PD signature | |
| CN106019102A (zh) | 信号去噪方法和装置 | |
| Mortazavi et al. | Comparing denoising performance of DWT, WPT, SWT and DT-CWT for partial discharge signals | |
| CN116522080A (zh) | 局部放电信号降噪方法 | |
| Chan et al. | Automatic blind equalization and thresholding for partial discharge measurement in power transformer | |
| Adoul et al. | Time-frequency readability enhancement of compact support kernel-based distributions using image post-processing: Application to instantaneous frequency estimation of M-ary frequency shift keying signals | |
| Mitiche et al. | Deep residual neural network for EMI event classification using bispectrum representations | |
| Yang et al. | Application of EEMD and high‐order singular spectral entropy to feature extraction of partial discharge signals | |
| Agba et al. | Impulsive noise measurements | |
| Maheswari et al. | Partial discharge signal denoising using adaptive translation invariant wavelet transform-online measurement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
| RJ01 | Rejection of invention patent application after publication |