CN108957251B - 一种电缆接头局部放电模式识别方法 - Google Patents

Abstract

本发明公开一种电缆接头局部放电模式识别方法，包括：步骤S1，模拟电缆接头的典型绝缘故障，获取各种模拟故障下的局部放电信号；步骤S2，绘制所述局部放电信号的局部放电相位分布模式PRPD图谱；步骤S3，根据所述PRPD图谱计算所述局部放电信号的特征向量；步骤S4，使用改进的k最近邻算法对所述局部放电信号的特征向量进行模式识别。本发明能够对高压电缆接头局放检测以及局放模式快速准确识别，从而能够对高压电缆进行及时合理的维护、检修，提高高压电缆运行的可靠性。

Description

一种电缆接头局部放电模式识别方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种电缆接头局部放电模式识别方法。

背景技术

随着国民经济的持续增长，电缆线路的电压等级逐步提高，对电缆线路安全可靠运行的要求也越来越高。对近十年来全国交联聚乙烯电力电缆运行故障类型和数量的统计分析表明，电缆中间接头击穿故障的比例约占电缆运行故障总数的31％，远大于电缆本体，而局部放电的发生预示着高压电缆的绝缘可能存在缺陷。因此，对高压电缆接头局放检测以及局放模式快速准确识别是在线监测的需要，从而能够对高压电缆进行及时合理的维护、检修，提高高压电缆运行的可靠性。

发明内容

本发明所要解决的技术问题在于，本发明提供提供一种电缆接头局部放电模式识别方法，以对高压电缆接头局放检测以及局放模式快速准确识别，从而能够对高压电缆进行及时合理的维护、检修，提高高压电缆运行的可靠性。

为了解决上述技术问题，本发明提供一种电缆接头局部放电模式识别方法，包括：

步骤S1，模拟电缆接头的典型绝缘故障，获取各种模拟故障下的局部放电信号；

步骤S2，绘制所述局部放电信号的局部放电相位分布模式PRPD图谱；

步骤S3，根据所述PRPD图谱计算所述局部放电信号的特征向量；

步骤S4，使用改进的k最近邻算法对所述局部放电信号的特征向量进行模式识别。

其中，所述步骤S1具体包括：

设置四种典型绝缘故障，分别为：内部气隙放电、悬浮电位放电、沿面放电、电晕放电；

使用脉冲电流法检测系统局部放电，采用宽频罗氏线圈局放传感器，工作频带为1MHz-30MHz，钳式的传感器安装在电缆终端接头的接地出线上，使用示波器作为信号采集设备，采样频率设置100MS/s，模拟带宽为1GHz，每条样本数据采集连续N个工频周期内的局部放电信号，每种模拟故障下各采集M条局部放电信号；

记录各种模拟故障下施加电压的大小。

其中，所述步骤S2中，所述PRPD图谱为放电次数随放电量与放电相位的分布，相位范围为0-3600，幅值范围归一化为0-100％。

其中，步骤S3具体包括：

步骤S31，将三维PRPD图谱记作：

n＝H(x,y)

上式中，n为放电次数，x为相位，y为幅值，PRPD图谱为放电次数关于相位-幅值网格的函数，其数学表示为一个二维矩阵；

步骤S32，不考虑H(x,y)边界元素，对每个非边界元素，以其为中心，取3×3大小窗口，以窗口中心点的放电次数为阈值，对该中心点8个邻域放电次数做二值化处理，即将窗口内其它位置的放电次数值分别与窗口中心的放电次数值进行比较，当大于等于中心放电次数值时，其对应位置赋值为1，否则赋值为0；

步骤S33，对每个非边界元素邻域赋值加权求和，作为中心元素的局部二值模式LBP值：

上式中，H_c为所关注的非边界元素的放电次数值，H_i为所关注元素邻域的放电次数值；

步骤S34，统计三维PRPD图谱的LBP特征，即统计每个LBP值的非边界元素的个数，将统计结果按LBP值大小从小到大排列，形成一个16维的向量V_LBP＝[LBP₀,LBP₁,…,LBP₁₅]，其中LBP_i表示在相位-幅值网格中，LBP值为i的网格的个数，对V_LBP归一化，形成16维的特征向量。

其中，所述步骤S4具体包括：

步骤S41，根据所述局部放电信号的特征向量计算训练样本的初始聚类中心；

步骤S42，对所述训练样本进行聚类分析，去除所述训练样本中的噪声数据和边缘数据；

步骤S43，使用k最近邻算法对训练样本进行模式识别，确定最优的k值；

步骤S44，对实际检测到的局部放电信号，参照训练样本使用k最近邻算法识别放电类型。

其中，所述步骤S41具体包括：

步骤S411，对聚类数据，计算数据对象之间的平均距离，计算公式如下：

上式中，

为n个数据任取2个数据的组合数；

步骤S412，计算所有对象的数据密度，保存在集合D中，数据密度计算公式如下：

上式中，d(X_i,X_j)为数据对象X_i与X_j之间的欧氏距离；

步骤S413，找出集合D中密度最大数据对象集合，若集合对象不唯一，则计算集合中对象的邻域元素距离和，取距离和最小对象作为聚类中心，将聚类中心及其邻域元素从数据对象中删除，邻域定义如下：

步骤S414，重复步骤S411-步骤S413，直到找到所需的k个初始聚类中心。

其中，所述步骤S42具体包括：

步骤S421，将已知类别标签的训练集作为聚类算法的输入数据；

步骤S422，使用步骤S41中的算法寻找训练集中的4个初始聚类中心；

步骤S423，使用K-Means算法对聚类中心迭代，直至收敛，将输入数据集的每个数据标记类别；

步骤S424，去掉训练集R中原本所属类别与聚类后所属类别不一致的样本的类别标签；

步骤S425，计算训练集R中每个类别中带标记样本距训练样本中心的最大距离d_m，对训练集中有类别标记的样本，计算每一个样本到所属类别中心的距离，若大于d_m，则去掉类别标签；

步骤S426，对去掉类别标签的样本，以原本所属类别的聚类中心替代。

其中，所述步骤S43具体包括：使用k最近邻算法对测试样本进行模式识别，在设定范围内计算不同k值的识别正确率，最终确定最优的k值。

本发明实施例的有益效果在于：对PRPD图谱局部特征进行统计计算从而得到局放信号的特征向量，在有效提取了PRPD图谱特征的同时，对PRPD图谱降维，减少模式识别的计算量；

引入数据密度的概念，对传统K-Means聚类算法中初始聚类中心随机选取的方法做出改进，使初始聚类中心位于数据分布密集的区域且互相之间距离较远，有效避免了孤立点或边缘点作为初始聚类中心所引起的收敛缓慢和聚类偏差，提高了聚类结果的准确度；

对训练数据中的“噪声数据”和“边缘数据”进行剔除，提高了模式识别的准确度。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种电缆接头局部放电模式识别方法的流程示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例提供一种电缆接头局部放电模式识别方法，包括：

步骤S1，模拟电缆接头的典型绝缘故障，获取各种模拟故障下的局部放电信号；

步骤S2，绘制所述局部放电信号的局部放电相位分布模式PRPD图谱；

步骤S3，根据所述PRPD图谱计算所述局部放电信号的特征向量；

步骤S4，使用改进的k最近邻算法对所述局部放电信号的特征向量进行模式识别。

以下对各步骤进行详细说明。

步骤S1具体包括：

在实验条件下模拟电缆接头的典型绝缘故障，本实施例设置四种绝缘故障，分别为：内部气隙放电、悬浮电位放电、沿面放电、电晕放电；

使用脉冲电流法检测系统局部放电，采用宽频罗氏线圈局放传感器，工作频带为1MHz-30MHz，钳式的传感器安装在电缆终端接头的接地出线上，使用示波器作为信号采集设备，采样频率设置100MS/s，模拟带宽为1GHz，每条样本数据采集连续N个工频周期内的局部放电信号，每种模拟故障下各采集M条局部放电信号；

记录各种模拟故障下施加电压的大小。

步骤S2对采集的局部放电信号绘制局部放电相位分布模式PRPD图谱。所绘图谱为放电次数随放电量与放电相位的分布，相位范围为0-3600，幅值范围归一化为0-100％。

步骤S3中，计算PRPD图谱的统计特征，对PRPD图谱降维，得到局放信号的特征向量V，具体步骤如下：

步骤S31，将三维PRPD图谱记作：

n＝H(x,y)

上式中，n为放电次数，x为相位，y为幅值，PRPD图谱为放电次数关于相位-幅值网格的函数，其数学表示为一个二维矩阵。

步骤S32，不考虑H(x,y)边界元素，对每个非边界元素，以其为中心，取3×3大小窗口，以窗口中心点的放电次数为阈值，对该中心点8个邻域放电次数做二值化处理，即将窗口内其它位置的放电次数值分别与窗口中心的放电次数值进行比较，当大于等于中心放电次数值时，其对应位置赋值为1，否则赋值为0。

步骤S33，对每个非边界元素邻域赋值加权求和，作为中心元素的局部二值模式LBP(Local Binary Patterns)值：

上式中，H_c为所关注的非边界元素的放电次数值，H_i为所关注元素邻域的放电次数值。

步骤S34，统计三维PRPD图谱的LBP特征，即统计每个LBP值的非边界元素的个数，将统计结果按LBP值大小从小到大排列，形成一个16维的向量V_LBP＝[LBP₀,LBP₁,…,LBP₁₅]，其中LBP_i表示在相位-幅值网格中，LBP值为i的网格的个数，对V_LBP归一化，形成16维的特征向量。

步骤S4具体包括：

步骤S41，根据所述局部放电信号的特征向量计算训练样本的初始聚类中心；

步骤S42，对所述训练样本进行聚类分析，去除所述训练样本中的噪声数据和边缘数据；

步骤S43，使用k最近邻算法对训练样本进行模式识别，确定最优的k值；

步骤S44，对实际检测到的局部放电信号，参照训练样本使用k最近邻算法识别放电类型。

进一步地，步骤S41对电缆接头局放信号训练数据特征向量计算初始聚类中心，具体步骤如下：

步骤S411，对聚类数据，计算数据对象之间的平均距离，计算公式如下：

上式中，

为n个数据任取2个数据的组合数。

步骤S412，计算所有对象的数据密度，保存在集合D中，数据密度计算公式如下：

上式中，d(X_i,X_j)为数据对象X_i与X_j之间的欧氏距离；

步骤S413，找出集合D中密度最大数据对象集合，若集合对象不唯一，则计算集合中对象的邻域元素距离和，取距离和最小对象作为聚类中心，将聚类中心及其邻域元素从数据对象中删除，邻域定义如下：

步骤S414，重复步骤S411-步骤S413，直到找到所需的k个初始聚类中心。

步骤S42对电缆接头局放信号训练数据进行聚类分析，去除训练样本中的“噪声数据”和“边缘数据”，其具体步骤如下：

步骤S421，将已知类别标签的训练集R作为聚类算法的输入数据；

步骤S422，使用步骤S4中的算法寻找训练集R中的4个初始聚类中心；

步骤S423，使用K-Means算法(一种输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的算法；K-Means算法接受输入量k，然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小)对聚类中心迭代，直至收敛，将输入数据集的每个数据标记类别；

步骤S424，去掉训练集R中原本所属类别与聚类后所属类别不一致的样本的类别标签；

步骤S425，计算训练集R中每个类别中带标记样本距训练样本中心的最大距离d_m，对训练集中有类别标记的样本，计算每一个样本到所属类别中心的距离，若大于d_m，则去掉类别标签；

步骤S426，对去掉类别标签的样本，以原本所属类别的聚类中心替代。

步骤S43具体是使用k最近邻算法对测试样本进行模式识别，在设定范围内计算不同k值的识别正确率，最终确定最优的k值。

k最近邻(k-Nearest Neighbor，kNN)算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。kNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN算法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于kNN算法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN算法较其他方法更为适合。

通过上述说明可知，本发明实施例带来的有益效果在于：

对PRPD图谱局部特征进行统计计算从而得到局放信号的特征向量，在有效提取了PRPD图谱特征的同时，对PRPD图谱降维，减少模式识别的计算量；

引入数据密度的概念，对传统K-Means聚类算法中初始聚类中心随机选取的方法做出改进，使初始聚类中心位于数据分布密集的区域且互相之间距离较远，有效避免了孤立点或边缘点作为初始聚类中心所引起的收敛缓慢和聚类偏差，提高了聚类结果的准确度；

对训练数据中的“噪声数据”和“边缘数据”进行剔除，提高了模式识别的准确度。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种电缆接头局部放电模式识别方法，包括：

步骤S1，模拟电缆接头的典型绝缘故障，获取各种模拟故障下的局部放电信号；

步骤S2，绘制所述局部放电信号的局部放电相位分布模式PRPD图谱；

步骤S3，根据所述PRPD图谱计算所述局部放电信号的特征向量；

步骤S4，使用改进的k最近邻算法对所述局部放电信号的特征向量进行模式识别；

步骤S3具体包括：

步骤S31，将三维PRPD图谱记作：

n＝H(x,y)

上式中，n为放电次数，x为相位，y为幅值，PRPD图谱为放电次数关于相位-幅值网格的函数，其数学表示为一个二维矩阵；

步骤S32，不考虑H(x,y)边界元素，对每个非边界元素，以其为中心，取3×3大小窗口，以窗口中心点的放电次数为阈值，对该中心点8个邻域放电次数做二值化处理，即将窗口内其它位置的放电次数值分别与窗口中心的放电次数值进行比较，当大于等于中心放电次数值时，其对应位置赋值为1，否则赋值为0；

步骤S33，对每个非边界元素邻域赋值加权求和，作为中心元素的局部二值模式LBP值：

上式中，H_c为所关注的非边界元素的放电次数值，H_i为所关注元素邻域的放电次数值；

步骤S34，统计三维PRPD图谱的LBP特征，即统计每个LBP值的非边界元素的个数，将统计结果按LBP值大小从小到大排列，形成一个16维的向量V_LBP＝[LBP₀,LBP₁,…,LBP₁₅]，其中LBP_i表示在相位-幅值网格中，LBP值为i的网格的个数，对V_LBP归一化，形成16维的特征向量。

2.根据权利要求1所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S1具体包括：

设置四种典型绝缘故障，分别为：内部气隙放电、悬浮电位放电、沿面放电、电晕放电；

使用脉冲电流法检测系统局部放电，采用宽频罗氏线圈局放传感器，工作频带为1MHz-30MHz，钳式的传感器安装在电缆终端接头的接地出线上，使用示波器作为信号采集设备，采样频率设置100MS/s，模拟带宽为1GHz，每条样本数据采集连续N个工频周期内的局部放电信号，每种模拟故障下各采集M条局部放电信号；

记录各种模拟故障下施加电压的大小。

3.根据权利要求1所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S2中，所述PRPD图谱为放电次数随放电量与放电相位的分布，相位范围为0-360°，幅值范围归一化为0-100％。

4.根据权利要求1所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S4具体包括：

步骤S41，根据所述局部放电信号的特征向量计算训练样本的初始聚类中心；

步骤S42，对所述训练样本进行聚类分析，去除所述训练样本中的噪声数据和边缘数据；

步骤S43，使用k最近邻算法对训练样本进行模式识别，确定最优的k值；

步骤S44，对实际检测到的局部放电信号，参照训练样本使用k最近邻算法识别放电类型。

5.根据权利要求4所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S41具体包括：

步骤S411，对聚类数据，计算数据对象之间的平均距离，计算公式如下：

上式中，

为n个数据任取2个数据的组合数；

步骤S412，计算所有对象的数据密度，保存在集合D中，数据密度计算公式如下：

上式中，d(X_i,X_j)为数据对象X_i与X_j之间的欧氏距离；

步骤S413，找出集合D中密度最大数据对象集合，若集合对象不唯一，则计算集合中对象的邻域元素距离和，取距离和最小对象作为聚类中心，将聚类中心及其邻域元素从数据对象中删除，邻域定义如下：

步骤S414，重复步骤S411-步骤S413，直到找到所需的k个初始聚类中心。

6.根据权利要求4所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S42具体包括：

步骤S421，将已知类别标签的训练集作为聚类算法的输入数据；

步骤S422，使用步骤S41中的算法寻找训练集中的4个初始聚类中心；

步骤S423，使用K-Means算法对聚类中心迭代，直至收敛，将输入数据集的每个数据标记类别；

步骤S424，去掉训练集R中原本所属类别与聚类后所属类别不一致的样本的类别标签；

步骤S425，计算训练集R中每个类别中带标记样本距训练样本中心的最大距离d_m，对训练集中有类别标记的样本，计算每一个样本到所属类别中心的距离，若大于d_m，则去掉类别标签；

步骤S426，对去掉类别标签的样本，以原本所属类别的聚类中心替代。

7.根据权利要求4所述的电缆接头局部放电模式识别方法，其特征在于，所述步骤S43具体包括：使用k最近邻算法对测试样本进行模式识别，在设定范围内计算不同k值的识别正确率，最终确定最优的k值。

Images