CN106443380A - 一种配电电缆局部放电信号识别方法及装置 - Google Patents

Abstract

本发明实施例公开了一种配电电缆局部放电信号识别方法及装置，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。本发明实施例方法包括：获取已知来源的局部放电信号；对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；根据局部放电信号特征向量，构建支持向量机模型；将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源。

Description

一种配电电缆局部放电信号识别方法及装置

技术领域

本发明涉及电缆局部放电在线监测技术领域，尤其涉及一种配电电缆局部放电信号识别方法。

背景技术

随着电力系统的高速持续发展，电力电缆的敷设回路长度稳步提高，在城市中得到了广泛应用。然而，电力负荷与电压等级日益增长，由电缆局部缺陷导致的绝缘问题对供电质量与社会经济等均构成了极大的威胁。为了监测电缆的绝缘状态并及时发现其局部缺陷，从而预防电缆运行事故的发生，保证电网运行的可靠性，有必要对电缆局部缺陷进行检测。

电缆局部放电在线监测中，检测到的局部放电信号可能来自电缆本体和电缆终端头，也可能来自与其相连的开关柜。由于不同来源的局部放电对设备危害不同，判断标准也不同，所以对局部放电信号来源进行识别有重要的现实意义。

在局部放电信号识别方面，信号特征提取和分类器选择是最关键部分。特征提取是局部放电信号识别第一步，特征提取的好坏直接影响到识别的效果。目前，局部放电信号特征提取方法主要有统计特征法和时域分析法两大类。其中统计特征法都涉及到局部放电信号的相位，而配电电缆一般为三芯电缆且共一地线，当两相或三相出现局部放电时，检测局部放电信号的相位特征变得几乎不可能。时域分析法是针对高速采集一次放电产生的时域脉冲所得到的波形特征或相应的变换结果进行模式识别，主要包括傅里叶分析法、小波分析法和波形参数直接提取法等。模式识别分类器主要有神经网络分类器、最小距离分类器和模糊识别分类器。神经网络易收敛于局部最优解缺陷，精度并不高。

目前，整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长。

发明内容

本发明实施例提供的一种配电电缆局部放电信号识别方法，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

本发明实施例提供了一种配电电缆局部放电信号识别方法包括：

获取已知来源的局部放电信号；

根据对局部放电信号进行小波包分解获取到的奇异值得到局部放电信号特征向量；

根据局部放电信号特征向量，构建支持向量机模型；

将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源。

优选地，对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量，具体包括：

对已知来源的各个局部放电信号进行小波包分解，获得各个频带上的小波包系数；

利用各个频带上的小波包系数建立小波包系数矩阵；

对小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值；

计算奇异值的能量百分比，并将能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库。

优选地，根据局部放电信号特征向量，构建支持向量机模型，具体包括：

以局部放电信号特征样本库中的局部放电信号特征向量为输入，构建多分类支持向量机模型；

将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型。

优选地，利用各个频带上的小波包系数建立小波包系数矩阵，包括：

通过第一预置公式并结合各个频带上的小波包系数建立小波包系数矩阵；

所述第一预置公式包括：

其中，y_nm为第n个频带上的第m个小波包系数，M为每个频带上的小波包系数长度，N＝2^j，j为小波包分解尺度。

优选地，对小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值，包括：

通过第二预置公式对小波包系数矩阵Y的奇异值进行分解；

所述第二预置公式包括：

其中，U和V分别为N×N阶和M×M阶正交矩阵，D＝diag(σ₁,σ₂,…,σ_r)(r＝min(M,N))为对角矩阵，其对角元素(σ₁,σ₂,…,σ_r)为矩阵Y的奇异值，u_i和v_i分别为矩阵U和V的第i列奇异值矢量。

优选地，计算小波包系数矩阵奇异值的能量百分比，并将能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库，包括：

通过第三预置公式获得所述局部放电信号特征向量；

所述第三预置公式包括：

其中，为小波包系数矩阵奇异值能量和，为小波包系数矩阵第i个奇异值的能量百分比；

建立局部放电信号特征样本库时，采用两位二进制数标记局部放电信号的不同来源。

优选地，将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型，包括：

从电缆本体局部放电、电缆终端头局部放电、电晕放电、表面放电四种放电信号样本中各随机挑选一定数量作为训练样本，输入到设置好的支持向量机中，对支持向量机进行训练。

优选地，将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源，包括：

将待识别局部放电信号的特征向量输入到训练好的支持向量机模型；

根据支持向量机的输出值，与类别标记进行对比，得到待识别局部放电信号的来源。

一种配电电缆局部放电信号识别装置，包括：

获取单元，用于获取已知来源的局部放电信号；

分析单元，用于对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；

构建单元，用于根据局部放电信号特征向量，构建支持向量机模型；

对比单元，用于将待识别局部放电信号输入支持向量机模型进行对比，得到待识别局部放电信号来源。

优选地，分析单元包括：

第一分解单元，用于对已知来源的各个局部放电信号进行小波包分解，获得各个频带上的小波包系数；

建立单元，用于利用各个频带上的小波包系数建立小波包系数矩阵；

第二分解单元，用于对小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值；

计算单元，用于计算小波包系数矩阵奇异值的能量百分比，并将能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库。

优选地，构建单元包括：

构建子单元，用于以局部放电信号特征样本库中的局部放电信号特征向量为输入，构建多分类支持向量机模型；

训练单元，用于将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供了一种配电电缆局部放电信号识别方法及装置，包括：获取已知来源的局部放电信号；对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；根据局部放电信号特征向量，构建支持向量机模型；将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种配电电缆局部放电信号识别方法的一个流程示意图；

图2为本发明实施例提供的一种配电电缆局部放电信号识别方法的另一个流程示意图；

图3为本发明实施例提供的一种配电电缆局部放电信号识别装置的结构示意图；

图4为本发明实施例提供的一种一种配电电缆局部放电信号识别装置的另一个结构示意图；

图5为电缆本体局部放电信号波形图；

图6为电缆终端头局部放电信号波形图；

图7为电晕放电信号波形图；

图8为表面放电信号波形图。

具体实施方式

本发明实施例提供了一种配电电缆局部放电信号识别方法，用于解决目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种配电电缆局部放电信号识别方法的一个实施例，包括：

101、获取已知来源的局部放电信号；

在本实例中，已知来源的局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号。

102、根据对局部放电信号进行小波包分解获取到的奇异值得到局部放电信号特征向量；

获得已知来源的局部放电信号后，对局部放电信号进行分析，得到局部放电信号特征向量。

103、根据局部放电信号特征向量，构建支持向量机模型；

到局部放电信号特征向量后，以局部放电信号特征向量为输入，构建支持向量机模型。

104、将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源；

构建好支持向量机模型后，将所需要的待识别局部放电信号输入支持向量机模型中，根据支持向量机模型的输出，即可得到待识别局部放电信号的来源。

本发明实施例中通过获取已知来源的局部放电信号，再对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量，然后根据局部放电信号特征向量，构建支持向量机模型，最后将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

以上是对配电电缆局部放电信号识别方法过程的的描述，以下将对其具体过程进行详细的描述，请参阅图2，本发明实施例提供的一种配电电缆局部放电信号识别方法的另一个实施例，包括：

201、获取已知来源的局部放电信号；

在本实例中，已知来源的局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号。

如图3～6所示的波形图，波形的采样频率为100MHz，每个波形的时域长度为1500个采样点。

202、对已知来源的各个局部放电信号进行小波包分解，得到各个频带上的小波包系数，利用各个频带上的小波包系数建立小波包系数矩阵，对小波包系数矩阵进行奇异值分解，得到小波包系数矩阵的奇异值，计算小波包系数矩阵奇异值的能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库；

具体地，可包括如下步骤：

对各个局部放电信号进行小波包分解，分解尺度为4，得到16个频带上的小波包系数。

通过第一预置公式并依照频带顺序构建小波包系数矩阵；

其中，第一预置公式为：

其中，y_nm为第n个频带上的第m个小波包系数，M为每个频带上的小波包系数长度，N＝2^j，j为小波包分解尺度。

通过第二预置公式对小波包系数矩阵Y进行奇异值分解

其中，第二预置公式为：

其中，U和V分别为N×N阶和M×M阶正交矩阵，D＝diag(σ₁,σ₂,…,σ_r)(r＝min(M,N))为对角矩阵，其对角元素(σ₁,σ₂,…,σ_r)为矩阵Y的奇异值，u_i和v_i分别为矩阵U和V的第i列奇异值矢量。

通过第三预置公式提取小波包系数矩阵Y的奇异值能量百分比作为局部放电信号特征向量λ

其中，第三预置公式为：

其中，为小波包系数矩阵奇异值能量和，为小波包系数矩阵第i个奇异值的能量百分比。

在一较佳实施例中，还包括步骤：采用二进制数标记局部放电信号的不同来源；如电缆局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号可分别对应(+1,+1)，(+1,-1)，(-1,+1)，(-1,-1)。

203、以局部放电信号特征向量为输入，构建多分类支持向量机模型；

在一较佳实施例中，所述构建多分类支持向量机模型的步骤可包括：

运用二分类算法将多分类中的各个类别重新组合，构成2个子分类器SVM1和SVM2，将支持向量机二分类扩展到多分类。

本实例中，用A，B，C，D来分别表示电缆本体局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号4种放电信号，则SVM1和SVM2输出结果和放电信号类型对应关系如表1所示。

表1 SVM1和SVM2输出结果和放电信号类型对应关系

204、使用样本对支持向量机模型进行训练，得到训练好的支持向量机模型；

通过运用训练算法，使用样本对支持向量机模型进行训练，得到训练好的支持向量机模型

205、将待识别局部放电信号的特征向量输入到训练好的支持向量机模型，得到待识别局部放电信号的来源。

在一较佳实施例中，将待识别局部放电信号的特征向量输入到训练好的支持向量机模型，得到待识别局部放电信号的来源的步骤为：

根据所述的支持向量机模型的输出值，与所述类别标记进行对比，得到待识别局部放电信号的来源：

本实施例中，将待识别局部放电信号的特征向量输入到训练好的支持向量机模型，识别效果如表2所示。

表2识别效果

以上为本发明实施例对配电电缆局部放电信号识别方法的具体过程进行的详细描述，本发明实施例提供了一种配电电缆局部放电信号识别方法，包括：获取已知来源的局部放电信号；对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；根据局部放电信号特征向量，构建支持向量机模型；将待识别局部放电信号输入支持向量机模型，得到待识别局部放电信号来源，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

请参阅图3，本发明实施例提供的一种配电电缆局部放电信号识别装置的一个实施例，包括：

获取单元301，用于获取已知来源的局部放电信号；

分析单元302，用于对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；

构建单元303，用于根据局部放电信号特征向量，构建支持向量机模型；

对比单元304，用于将待识别局部放电信号输入支持向量机模型进行对比，得到待识别局部放电信号来源。

请参阅图4，本发明实施例提供的一种配电电缆局部放电信号识别装置的另一个实施例，包括：

获取单元401，用于获取已知来源的局部放电信号；

分析单元402，具体包括：

第一分解单元4021，用于对已知来源的各个局部放电信号进行小波包分解，获得各个频带上的小波包系数；

建立单元4022，用于利用各个频带上的小波包系数建立小波包系数矩阵；

第二分解单元4023，用于对小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值；

计算单元4024，用于计算小波包系数矩阵奇异值的能量百分比，并将能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库；

构建单元403，具体包括：

构建子单元4031，用于以局部放电信号特征样本库中的局部放电信号特征向量为输入，构建多分类支持向量机模型；

训练单元4032，用于将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型；

对比单元404，用于将待识别局部放电信号输入支持向量机模型进行对比，得到待识别局部放电信号来源。

以上为本发明实施例对配电电缆局部放电信号识别装置的具体结构进行的详细描述，本发明实施例提供了一种配电电缆局部放电信号识别装置，包括：通过获取单元获取已知来源的局部放电信号；通过分析单元对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；并通过构建单元根据局部放电信号特征向量，构建支持向量机模型；最后将待识别局部放电信号输入支持向量机模型通过对比单元进行对比，得到待识别局部放电信号来源，解决了目前整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法，经常存在用于传输该局部放电信号的电力电缆线路过长时，识别精度大大降低且所需识别时间过长的问题。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种配电电缆局部放电信号识别方法，其特征在于，包括：

获取已知来源的局部放电信号；

根据对所述局部放电信号进行小波包分解获取到的奇异值得到局部放电信号特征向量；

根据所述局部放电信号特征向量，构建支持向量机模型；

将待识别局部放电信号输入所述支持向量机模型，得到所述待识别局部放电信号来源。

2.根据权利要求1所述的配电电缆局部放电信号识别方法，其特征在于，根据对所述局部放电信号进行小波包分解获取到的奇异值得到局部放电信号特征向量，具体包括：

对所述已知来源的各个局部放电信号进行小波包分解，获得各个频带上的小波包系数；

利用各个频带上的所述小波包系数建立小波包系数矩阵；

对所述小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值；

计算所述奇异值的能量百分比，得到局部放电信号特征向量，建立局部放电信号特征样本库。

3.根据权利要求1所述的配电电缆局部放电信号识别方法，其特征在于，根据所述局部放电信号特征向量，构建支持向量机模型，具体包括：

以所述局部放电信号特征样本库中的局部放电信号特征向量为输入，构建多分类支持向量机模型；

将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型。

4.根据权利要求2所述的配电电缆局部放电信号识别方法，其特征在于，利用所述各个频带上的小波包系数建立小波包系数矩阵，包括：

通过第一预置公式并结合所述各个频带上的小波包系数建立小波包系数矩阵；

所述第一预置公式包括：

$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& \mathrm{...}& y_{1M}\\ y_{21}& y_{22}& \mathrm{...}& y_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ y_{N1}& y_{N2}& \mathrm{...}& Y_{NM}\end{array}\right]$

其中，y_nm为第n个频带上的第m个小波包系数，M为每个频带上的小波包系数长度，N＝2^j，j为小波包分解尺度。

5.根据权利要求2所述的配电电缆局部放电信号识别方法，其特征在于，对所述小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值，包括：

通过第二预置公式对所述小波包系数矩阵Y的奇异值进行分解；

所述第二预置公式包括：

$Y={\mathrm{UDV}}^T=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\σ}}_i{u}_i{v}_i^T$

其中，U和V分别为N×N阶和M×M阶正交矩阵，D＝diag(σ₁,σ₂,…,σ_r)(r＝min(M,N))为对角矩阵，其对角元素(σ₁,σ₂,…,σ_r)为矩阵Y的奇异值，u_i和v_i分别为矩阵U和V的第i列奇异值矢量。

6.根据权利要求2所述的配电电缆局部放电信号识别方法，其特征在于，所述计算所述小波包系数矩阵奇异值的能量百分比，得到局部放电信号特征向量，建立局部放电信号特征样本库，包括：

通过第三预置公式获得所述局部放电信号特征向量λ；

所述第三预置公式包括：

$\mathrm{\λ}=\[{\mathrm{\σ}}_1^2/{\mathrm{\σ}}^2,{\mathrm{\σ}}_2^2/{\mathrm{\σ}}^2,...,{\mathrm{\σ}}_r^2/{\mathrm{\σ}}^2\]$

其中，为小波包系数矩阵奇异值能量和，为小波包系数矩阵第i个奇异值的能量百分比；

建立所述局部放电信号特征样本库时，采用两位二进制数标记局部放电信号的不同来源。

7.根据权利要求3所述的配电电缆局部放电信号识别方法，其特征在于，所述将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型具体包括：

从电缆本体局部放电、电缆终端头局部放电、电晕放电、表面放电四种放电信号样本中各随机挑选一定数量作为训练样本，输入到所述设置好的支持向量机中，对所述支持向量机进行训练。

8.根据权利要求1所述的配电电缆局部放电信号识别方法，其特征在于，将待识别局部放电信号输入所述支持向量机模型，得到所述待识别局部放电信号来源，包括：

将所述待识别局部放电信号的特征向量输入到训练好的支持向量机模型；

根据所述支持向量机的输出值，与所述类别标记进行对比，得到待识别局部放电信号的来源。

9.一种配电电缆局部放电信号识别装置，其特征在于，包括：

获取单元，用于获取已知来源的局部放电信号；

分析单元，用于对局部放电信号进行小波包分解，并根据分解结果得到局部放电信号特征向量；

构建单元，用于根据所述局部放电信号特征向量，构建支持向量机模型；

对比单元，用于将待识别局部放电信号输入所述支持向量机模型进行对比，得到所述待识别局部放电信号来源。

10.根据权利要求10所述的配电电缆局部放电信号识别装置，其特征在于，所述分析单元包括：

第一分解单元，用于对所述已知来源的各个局部放电信号进行小波包分解，获得各个频带上的小波包系数；

建立单元，用于利用所述各个频带上的小波包系数建立小波包系数矩阵；

第二分解单元，用于对所述小波包系数矩阵进行奇异值分解，获得小波包系数矩阵的奇异值；

计算单元，用于计算所述小波包系数矩阵奇异值的能量百分比，并将所述能量百分比作为局部放电信号特征向量，建立局部放电信号特征样本库。

11.根据权利要求10所述的配电电缆局部放电信号识别装置，其特征在于，所述构建单元包括：

构建子单元，用于以所述局部放电信号特征样本库中的局部放电信号特征向量为输入，构建多分类支持向量机模型；

训练单元，用于将已知来源的局部放电信号作为样本，对支持向量机模型进行训练，得到训练好的支持向量机模型。