CN106546886B - 一种电缆振荡波局放信号特征提取方法 - Google Patents

Abstract

本发明公开了一种基于EEMD‑DFA的电缆振荡波局放信号特征提取方法。1)采用集成经验模态分解(EEMD)对其进行局放信号分解，得到分解系数IMF；2)运用DFA方法对IMF进行优化和重建；3)提取并计算各子带系数的样本熵、近似熵，将其作为特征向量，并输入到支持向量机分类器模型，验证提取方法的效果。

Description

一种电缆振荡波局放信号特征提取方法

技术领域

本发明涉及振荡波电压下的电缆局放信号特征提取技术，特别涉及一种基于EEMD-DFA 的电缆振荡波局放信号特征提取方法。

背景技术

交联聚乙烯(XLPE)电力电缆具有很多优点，例如制造工艺简单，电气性能优良，敷设安装便利，传输容量大，不存在漏油隐患以及运行维护方便等，因此逐渐成为了电力电缆的主流，广泛应用于国内外输配电网络以及工程应用当中。然而，XLPE电缆仍然可能有绝缘缺陷，如果放置不管，最终会导致绝缘击穿，引起故障。为了减少预防故障，需要对电缆进行局部放电的检测。由于电力电缆容量大，现场工频电压测试难以进行。振荡波电压是近年来研究较多的一种可用于检测XLPE电力电缆的电压，它具有与交流电源等效性好，对电缆没有损伤，操作方便适合现场巡检等优点。而电缆振荡波局放信号特征提取是后续的故障诊断的关键，因此需要大力研究。

常见的信号特征提取方法有小波变换，Gabor变换，小波包变换和经验模态分解(Empirical Mode Decomposition,EMD)等。但是，电缆振荡波局放信号非常复杂，现有识别方法未能找到能反映目标本质的特征，使得特征维数高，冗余大，特征提取效果往往不能令人满意。

发明内容

本发明的目的在于，克服现有技术对电缆振荡波局放信号进行特征提取，导致特征维数高，冗余大，分类识别效果往往不能令人满意等问题，从而提供了基于EEMD-DFA的电缆振荡波局放信号特征提取方法。

为实现上述目的，本发明提供了一种基于EEMD-DFA的电缆振荡波局放信号特征提取方法，包含以下步骤：

(1)采用集成经验模态分解(EEMD)对其进行局放信号分解，得到分解系数IMF；

(2)运用DFA方法对IMF进行优化和重建；

(3)提取并计算各子带系数的样本熵、近似熵，将其作为特征向量；

(4)将上述特征参数输入到支持向量机分类器模型，验证提取方法的效果。

本发明的有益效果是，具有能找到能反映目标本质的特征，使得特征维数低，冗余小，特征提取效果可达到令人满意的程度的显著优点。

与现有技术相比本发明的有益效果是：

(1)本发明所述的一种基于EEMD-DFA的电缆振荡波局放信号特征提取方法与现有的EMD特征提取方法相比，在分类有效的前提下，特征维度更低，冗余更小，避免了分类器输入的维度灾难，从而减小运算量。

(2)本发明所述的一种基于EEMD-DFA的电缆振荡波局放信号特征提取方法中对输入有维度灾难的环节和计算均为低维输入，因此有效的减少了运算量。用于自动分类时，对分类器环节的要求较低，常见的现有分类器均能有效分类。

附图说明

图1为本发明流程示意图；

图2为电缆振荡波局放信号的EEMD分解结果示意图；

表1为对于不同缺陷类型不同提取方法的信息熵分类准确率。

具体实施方式

一种基于EEMD-DFA的电缆振荡波局放信号特征提取方法，本发明特征在于，包含以下步骤：

(1)采用集成经验模态分解(EEMD)对其进行局放信号分解，得到分解系数IMF；

(2)运用DFA方法对IMF进行优化和重建

(3)提取并计算各子带系数的样本熵、近似熵，将其作为特征向量；

(4)将上述特征参数输入到支持向量机分类器模型，验证提取方法的效果。

所述步骤(1)的具体方法为：

本发明首先采用集成经验模态分解(EEMD)对其进行信号局部特征的分析。EEMD分解步骤为:

1)在原序列中加入相对均方根较小的高斯白噪声序列,表示为

x_m(t)＝x(t)+n_m(t)

式中,x(t)为电缆振荡波局放信号,n_m(t)为白噪声信号,x_m(t)为混有噪声信号后待分解的信号。

2)将混有白噪声的序列x_m(t)利用EMD分解为k个IMF分量c_im,i＝1,2,…,k。

3)每次加入均方根相等的不同白噪声序列,重复步骤(1)和(2),得到n组不同的IMF分量,m＝1,2,…,n。

4)计算n组IMF分量的均值,把分解后得到的各IMF的均值作为EEMD最终的分解结果.

以某一电缆振荡波局放信号为例，进行EEMD分解，如图1所示。

所述步骤(2)的具体方法为：

当信号具有非平稳特征尤其具有不同的持续时间未知的趋势时，为了获得更可靠的标度指数，本发明采用DFA方法。DFA计算的基本原则是确定某长度内围绕局部趋势的时间序列平均均方根(RMS)的波动是如何随着一个时间尺度n的函数变化的。

该算法的第一步是从如下移除了平均值后的序列中找出完整的时间序列y(k)：

其中x表示时间序列在[1,N]范围内的平均值，之后，y(k)被分为长度为n的段以及DFA 的应用长度。对每一段来说，估计局部趋势y_n(k)通过简单线性拟合或者对非线性拟合使用 EEMD剩余分解估计来确定。如前所述，RMS的波动F(n)是通过如下式从完整序列y(k)中减去y_n(k)确定的：

在确定了F(n)是每隔n代重复之后，图像log(F(n))/log(n)的斜率α被称为标度指数，呈现出幂律分布：F(n)∝n^α。随后，标度指数α提供了在一个时间序列中存在的时间相关性的独特、定量的得分。使它成为一个可靠指标的最重要的原因。当0<α<0.5时，信号是“反相关”的，例如大的波动后跟着小的，反之亦然。当α在0.5到1.0之间时，时间相关性存在或随着时间缓慢衰减。如果α>1，相关性不表现出随时间的幂律。标度指数的另一个含义可以被认为是粗糙度。指数α越大，时间序列越平滑。换言之，它较小时，表示快速的波动。另一方面，用对数-对数图像的线性区域来寻找α是另一个与DFA相关应用的标准。框的大小n 依赖于数据的选择，但是范围4≤n≤16和16≤n≤200是最常用和最可靠的线性区域。基于 DFA斜率的使用，将α作为阈值。详细步骤如下：

a)令x(n)为电缆振荡波局放信号，将x(n)分解为IMFs其中L是分解出的IMF的总数。

b)对应用DFA，以对每个IMF取得其斜率α_i。

c)确定阈值θ＝α±0.25；

d)然后使用DFA得分，将阈值内的IMFs分量进行保留，并重建信号：

e)将重建后的信号和DFA得分前6位的IMFs计算样本熵、近似熵作为特征向量；

所述步骤(3)的具体方法为：

(a)对于长度为N的时间序列x(n)，样本熵的计算方法如下：

1)将序列x(n)按顺序排列成m维向量X(1),X(2),...,X(N-m+1)，其中X(i)＝(x(i),x(i+1),...,x(i+m-1))，代表从i个点开始的m个连续的x的值。

2)定义两个向量X(i)与X(j)之间的距离d(X(i),X(j))为两向量对应的元素中绝对值最大的差。

3)给定相似容限r(r>0)，对每一个X(i)，统计它和其他向量距离小于r的数目，然后计算其与N-m的比值，记为即

4)将的平均值记为B^m(r)，即

5)将维数增加为m+1，重复步骤1)至3)，则的平均值为

6)样本熵的定义为

当N为有限值时，可用下式估计样本熵的值：

可以看到，SampEn的取值与m和r有关。但样本熵的一致性较好，即熵值的增大和减小的趋势不受m和r的影响。在一般情况下，m可取2，r取0.1～0.25SD。本发明取m＝2， r＝0.2SD。

对于不同的缺陷类型，进行EEMD-DFA分解，再对每个IMF计算样本熵。

(b)近似熵是用来衡量序列复杂度的一个方法。对于长度为N的时间序列x(n)，近似熵的计算步骤如下：

1)将序列x(n)按顺序排列成m维向量X(1),X(2),...,X(N-m+1)，其中 X(i)＝(x(i),x(i+1),...,x(i+m-1))，代表从i个点开始的m个连续的x的值。

2)定义两个向量X(i)与X(j)之间的距离d(X(i),X(j))为两向量对应的元素中绝对值最大的差。

3)给定相似容限r(r>0)，对每一个X(i)，统计它和其他向量距离小于r的数目，然后计算其与N-m+1的比值，记为即

4)将取对数后的平均值记为Φ^m(r)，即

5)将维数增加为m+1，重复步骤1)至3)，则的平均值为

6)近似熵ApEn(m,r)定义为

当N为有限值时，可用下式估计近似熵的值：

ApEn(m,r,N)＝Φ^m(r)-Φ^m+1(r)

可以看到，ApEn的取值与m、r和N有关，但对N的依赖程度小。在一般情况下，m可取2，r取0.1～0.25SD。本发明取m＝2，r＝0.2SD。

对于不同的缺陷类型，进行EEMD-DFA分解，再对每个IMF计算近似熵。

所述步骤(4)的具体方法为：

将各子带系数的样本熵、近似熵，将其作为特征向量，并输入到支持向量机分类器模型，对不同特征提取方法，分类准确率如表1所示。

表1 对于不同缺陷类型不同提取方法的信息熵分类准确率

类型	EEMD-DFA	EEMD	EMD
				1	83.63％	74.90％	73.11％
2	88.48％	80.38％	86.34％
				3	94.28％	88.13％	91.23％
4	82.63％	72.06％	74.11％

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (1)

1.一种电缆振荡波局放信号特征提取方法，其特征在于，包含以下步骤：

(1)采用集成经验模态分解(EEMD)对其进行局放信号分解，得到分解系数IMF；

(2)运用DFA方法对IMF进行优化和重建，具体如下：

a)令x(n)为电缆振荡波局放信号，将x(n)分解为IMFs其中L是分解出的IMF的总数；

b)对应用DFA，以对每个IMF取得其斜率α_i；

c)确定阈值θ＝α±0.25；

d)然后使用DFA得分，将阈值内的IMFs分量进行保留，并重建信号：

e)将重建后的信号和DFA得分前6位的IMFs计算样本熵、近似熵作为特征向量；

(3)提取并计算各子带系数的样本熵、近似熵，将其作为特征向量；

(4)将上述特征向量输入到支持向量机分类器模型，验证提取方法的效果。