CN106326918A - 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 - Google Patents

Abstract

本发明涉及一种变压器局部放电超高频信号多尺度能量特征线性识别方法，属于电力变压器局部放电模式识别技术领域。该方法包括以下步骤：S1：采集局部放电超高频信号数据；S2：采用小波包分解局部放电超高频信号得到多尺度信号；S3：提取多尺度能量参数；S4：构造线性判别分析方法，对局部放电超高频信号进行识别。该方法同现有的电力变压器局部放电信号统计特征图谱相并列，区别特征在于超高频信号波形特征丰富，提取的单个信号的多尺度能量特征具有线性特征，可以采用线性分类器对其进行有效识别，因此大大提高了局部放电信号识别的计算速度，从而有效提高电力变压器状态监测与故障诊断的效率。

Description

一种变压器局部放电超高频信号多尺度能量特征线性识别 方法

技术领域

本发明属于电力变压器局部放电模式识别技术领域，涉及一种变压器局部放电超高频信号多尺度能量特征线性识别方法。

背景技术

大型电力变压器是电网关键输变电设备之一。变压器内部绝缘为油纸组合绝缘，其绝缘缺陷一方面可能在制造与运输过程中产生，另一方面可能由于电力系统过电压、雷电冲击大电流以及长时间运行过程中的绝缘失效老化等因素造成，绝缘缺陷会导致电力变压器内部发生局部放电现象。局部放电发生的同时，有热、声、臭氧、氧化氮等产生，腐蚀绝缘材料，使之脆化、碳化，造成不可恢复的损伤；同时放电产生带电质点，在电场作用下撞击气隙表面的绝缘材料，这种腐蚀和撞击损伤的扩大，可使整个绝缘击穿或闪络。

变压器局部放电时伴有电脉冲、电磁辐射、声、光、局部发热以及放电导致绝缘材料分解出气体等现象，通过这些现象可以检测局部放电。随着传感器技术、数据采集技术等的不断发展，局部放电的检测超高频和超宽频方向发展。超高频局部放电检测法是通过接收变压器内部放电所产生的超高频电信号，实现局部放电的检测。

上个世纪90年代以来，模式识别方法开始应用于局部放电类型的识别，和传统的依靠专家目测进行放电类型判定相比，显著提高了识别的科学性和有效性。对变压器局部放电二维及三维统计图谱进行模式分析，是普遍采用的局部放电分析与绝缘故障诊断方法，但长期监测中的局部放电统计图谱数据量大，海量数据不利于长期监测与远程识别的需要。随着超高频检测技术的发展，由于超高频波形信号所含频域信息较为丰富，应用于脉冲电流检测法的局部放电模式识别技术被引入超高频信号检测法，但目前缺乏有效的局部放电超高频信号波形特征参量以及快速识别方法。

因此，通过电力变压器局部放电超高频多尺度信号的识别，可以有效鉴别变压器内部绝缘缺陷及缺陷发展程度，有效判断变压器绝缘状态，实现变压器内部放电性故障的预警预报，提高变压器安全运行水平。

发明内容

有鉴于此，本发明的目的在于提供一种变压器局部放电超高频信号多尺度能量特征线性识别方法，具体包括如下技术方案：

一种变压器局部放电超高频信号多尺度能量特征线性识别方法，该方法包括以下步骤：

S1：采集局部放电超高频信号数据；

S2：采用小波包分解局部放电超高频信号得到多尺度信号；

S3：提取多尺度能量参数；

S4：构造线性判别分析方法，对局部放电超高频信号进行识别。

进一步，所述步骤S1具体包括：

S11：数据采集：采集电力变压器油纸绝缘缺陷的局部放电超高频信号数据；

S12：建立初始数据样本集：将电力变压器局部放电信号进行处理，建立电力变压器超高频信号初始数据样本集。

进一步，所述步骤S2具体包括：

S21：构建五层小波包；

S22：采用小波包对局部放电超高频信号进行分解，每个超高频信号得到32个局部放电超高频信号的多尺度分解信号。

进一步，所述步骤S3包括：

S31：构建多尺度能量参数的计算数学模型；

S32：选取1～16个局部放电超高频多尺度分解信号作为特征信号；

S33：提取局部放电超高频信号的多尺度能量参数。

进一步，所述步骤S4具体包括：

S41：基于K最近邻法，构造线性判别分析方法；

S42：采用线性判别分析方法对局部放电超高频多尺度能量特征进行识别；

S43：采用Bootstrap算法计算局部放电超高频脉冲信号模式识别率，检验线性判别分析方法的泛化能力。

本发明的有益效果在于：根据本发明的识别方法，同现有的电力变压器局部放电信号统计特征图谱相并列，区别特征在于超高频信号波形特征丰富，提取的单个信号的多尺度能量特征具有线性特征，可以采用线性分类器对其进行有效识别，因此大大提高了局部放电信号识别的计算速度，从而有效提高电力变压器状态监测与故障诊断的效率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图；

图2为经线性判别分析降维后的局部放电三维特征量；

图3为经线性判别分析降维后的局部放电三维特征量在各维上的投影。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

通过采集变压器不同油纸绝缘缺陷的局部放电超高频信号，构建局部放电超高频信号数据库，能够识别局部放电的类型，图1为本发明所述方法的流程示意图，如图所示，该方法的具体步骤如下：

步骤1：设计四种油纸绝缘内部典型局部放电模型，主要包括油中气隙放电模型、油中沿面放电模型、油中悬浮电极放电模型、油中电晕放电模型，采用超高频天线采集四种绝缘缺陷的局部放电超高频信号，建立电力变压器超高频信号初始数据样本集。

步骤2：小波包分解得到信号的时频窗划分比相同分解深度的小波分解更精细，能得到更多信号分量数，有利于考察局部放电超高频信号的细节特征。本发明通过5层小波包变换分解局部放电超高频信号得到多尺度信号，第五层每个节点对应一组小波包分解系数，局部放电超高频信号通过小波包分解后可得到对应多尺度系数的信号分量，进一步计算出各信号分量参数，即得到信号的多尺度特征参数。

步骤3：多尺度能量系数的计算方法如下：

假设被测信号s＝{s_i:i＝1,2,…,n}经小波或小波包分解后得到的全部系数为c＝{c_j,k:j＝1,2,…,n；k＝0,1,…,2ⁿ-1}，全部系数的总能量为：

$e_t=\underset{j,k}{\Σ}{c}_{j,k}^2---\left(1\right)$

多尺度能量参数定义为：

$E_k=\frac{\underset{j}{\Σ}{c}_{j,k}^2}{e_t}\×100\%---\left(2\right)$

局部放电超高频信号小波第一层分解信号分量(d1)包含的主要是噪声信号，因此，局部放电超高频信号第一层分解的小波系数不参与局部放电超高频信号多尺度能量参数的计算。对应于一个N层的小波分解，局部放电超高频信号小波分解后的多尺度能量参数向量为E＝{E_k:k＝1,2,…,N}，依次对应于a_N、d_N、d_N－1、……、d₂系数。同样，对于局部放电超高频信号N层小波包分解，由(1,1)包继续分解的小波包系数，也主要包含的是噪声信号，不参与多尺度参数提取，参与多尺度参数提取的小波包为(N,0)、(N,1)、(N,2)、……、(N,2^{N -1})，相应的局部放电超高频信号小波包分解多尺度能量参数向量为E＝{E_k:k＝1,2,…,2^{N -1}}。而且可知，多尺度能量参数向量中各参数是归一化参数。

步骤4：构造线性判别分析方法，对局部放电超高频信号进行识别。

K最近邻方法

K最近邻方法(K-Nearest Neighbor，KNN)是一种基于统计的懒惰学习算法，是由Cover和Hart于1968年提出的。KNN方法在很多领域都有应用，在文本自动分类领域，KNN被证明是效果最好的方法之一，该方法为最近邻(NN)决策规则的推广。假定有c个类w₁,w₂,…,w_c的模式识别问题,每类有标明类别的样本N_i个，i＝1,2,…,c。我们可以规定w_i类的判别函数为：

$g_i\left(x\right)=\left|\right|minx-x_i^k\left|\right|,k=1,2,\mathrm{\Λ},N_i---\left(3\right)$

其中x_i的角标i表示w_i类，k表示w_i类N_i个样本中的第k个。按照式(5.1)，决策规则可以写为：若g_j(x)＝min(g_i(x)),i＝1,2,…,c，则决策x∈w_j。

对未知样本x_u，我们只要比较x_u与N个已知类别的样本S之间的马式距离：

$d=\sqrt{{(t_u-m)}^T{C}^{-1}(t_u-m)}---\left(4\right)$

式中m和C分别为S的平均值和协方差。判定x与离它最近的样本同类。由于未知样本x的决策完全取决于最近邻样本，对于不同的样本集最近邻样本具有偶然性，因而导致最近邻决策可靠性不高。

线性判别分析法

线性判别分析法(LDA)是基于Fisher准则，以样本的可分性为目标寻找一组线性变换，使样本类内离散度最小且类间离散度最大，也称为Fisher线性判别(FLD)。

模式识别中的特征提取问题可简单陈述为：给定N个n维样本x_i，分别属于c₁,c₂,…,c_K类，目标是在基于优化某种准则的基础上，寻找一个变换T，得到l维向量y_i＝T(x_i)(l<n)。LDA目标是从高维特征空间里提取出最具有判别能力的低维特征，这些特征能帮助将同一个类别的所有样本聚集在一起，不同类别的样本尽量分开，即选择使得样本类间离散度和样本类内离散度的比值最大的特征(Fisher准则)。样本的类间散度矩阵S_w、类内散度矩阵S_b分别定义为：

$S_w=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}\underset{m=1}{\overset{n_i}{\&Sigma;}}{(x_{im}-\stackrel{\&OverBar;}{X_i})}^T(x_{im}-\stackrel{\&OverBar;}{X_i})---\left(5\right)$

$S_b=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}{(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})}^T(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})---\left(6\right)$

式(5)中：x_im为第i模式类样本中的第m个样本。然后，LDA就是搜寻某一投影方向矩阵w∈R_p，使得Fisher准则最大：

$J\left(w\right)=\arg \underset{w}{max}\frac{w^T{S}_{b}w}{w^T{S}_{w}w}---\left(7\right)$

在数学上，容易证明使得上述准则函数最大化的w的第k列向量w_k∈R^p(k＝1,2,…,r)必须满足：

S_bw_k＝λ_kS_ww_k (8)

其中λ_k为最大本征值，w_k为与其对应的本征矢量。由于S_b的秩为z＝c-1或更低，这样非零本征值的个数，即对应于特征变量空间的维数，将至多只有r＝min(p,z)个。

实验及结果分析

将局部放电超高频信号的多尺度能量特征参数输入到模式识别分类器中，对四种局部放电类型进行了识别。选用75组局部放电差高频信号特征量作为训练样本训练分类器，剩下的局部放电超高频信号特征量作为测试样本。此外，定义分类器识别可靠率为：

P_j＝y_j/y_t (9)

y_j为第j类局部放电超高频信号识别正确数目，y_t为总的局部放电超高频信号数目。计算识别正确的各类放电样本总数(不包括每类正确识别的训练样本数，即75个样本)与各类待识样本总数(75)的比值，即得到识别正确率。

图2与3为经线性判别分析降维后的局部放电三维特征量及其在各维上的投影，可见局部放电超高频信号多尺度特征参量经线性判别分析处理后的特征参量能够有效分开，尤其是气隙和电晕放电与另两种局部放电信号可以完全分开。线性分类器的识别正确率分别达到了98.77％，93.33％，91.05％，97.11％，线性分类器的模式识别时间为0.22s，能够实现电力变压器局部放电实时监测与模式识别。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种变压器局部放电超高频信号多尺度能量特征线性识别方法，其特征在于：该方法包括以下步骤：

S1：采集局部放电超高频信号数据；

S2：采用小波包分解局部放电超高频信号得到多尺度信号；

S3：提取多尺度能量参数；

S4：构造线性判别分析方法，对局部放电超高频信号进行识别。

2.根据权利要求1所述的一种变压器局部放电超高频信号多尺度能量特征线性识别方法，其特征在于：所述步骤S1具体包括：

S11：数据采集：采集电力变压器油纸绝缘缺陷的局部放电超高频信号数据；

S12：建立初始数据样本集：将电力变压器局部放电信号进行处理，建立电力变压器超高频信号初始数据样本集。

3.根据权利要求1所述的一种变压器局部放电超高频信号多尺度能量特征线性识别方法，其特征在于：所述步骤S2具体包括：

S21：构建五层小波包；

S22：采用小波包对局部放电超高频信号进行分解，每个超高频信号得到32个局部放电超高频信号的多尺度分解信号。

4.根据权利要求1所述的一种变压器局部放电超高频信号多尺度能量特征线性识别方法，其特征在于：所述步骤S3包括：

S31：构建多尺度能量参数的计算数学模型；

S32：选取1～16个局部放电超高频多尺度分解信号作为特征信号；

S33：提取局部放电超高频信号的多尺度能量参数。

5.根据权利要求1所述的一种变压器局部放电超高频信号多尺度能量特征线性识别方法，其特征在于：所述步骤S4具体包括：

S41：基于K最近邻法，构造线性判别分析方法；

S42：采用线性判别分析方法对局部放电超高频多尺度能量特征进行识别；

S43：采用Bootstrap算法计算局部放电超高频脉冲信号模式识别率，检验线性判别分析方法的泛化能力。