CN109557434A - 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 - Google Patents

基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 Download PDF

Info

Publication number
CN109557434A
CN109557434A CN201811473931.8A CN201811473931A CN109557434A CN 109557434 A CN109557434 A CN 109557434A CN 201811473931 A CN201811473931 A CN 201811473931A CN 109557434 A CN109557434 A CN 109557434A
Authority
CN
China
Prior art keywords
dictionary
classification
sample
tested
compound
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.)
Granted
Application number
CN201811473931.8A
Other languages
English (en)
Other versions
CN109557434B (zh
Inventor
邓敏
毛恒
田阳普
林少汉
刘成宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Red Phase Ltd By Share Ltd
Original Assignee
Red Phase Ltd By Share Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Red Phase Ltd By Share Ltd filed Critical Red Phase Ltd By Share Ltd
Priority to CN201811473931.8A priority Critical patent/CN109557434B/zh
Publication of CN109557434A publication Critical patent/CN109557434A/zh
Application granted granted Critical
Publication of CN109557434B publication Critical patent/CN109557434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R31/1227—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 of components, parts or materials

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，涉及测量电变量领域，包括以下步骤：获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典；获取待测样本；用复合字典，通过最小化L1范数求解待测样本的稀疏表示系数；将最小子字典重构误差作为分类依据，确定待测样本的类别。本发明中不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程。此外，本发明方法强调和解决的是强背景噪声下的局部放电信号识别，是一种识别效果更佳，更具有鲁棒性的识别方法，而不是噪声抑制方法。

Description

基于复合字典稀疏表示分类的强背景噪声下局部放电信号识 别方法
技术领域
本发明涉及测量电变量领域，更具体地说是指一种基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法。
背景技术
电力设备的局部放电即在电场的作用下，电力设备的绝缘结构局部区域发生“微弱”放电信号，这主要是由于电力设备绝缘劣化导致。因此局部放电状态也成为电力设备绝缘劣化的主要征兆以及表现形式。对电力设备的局部放电状态实时在线检测，分析其内涵、特性，提取表征局部放电类型的特征量，能揭示电力设备绝缘劣化、性能下降、介质击穿的渐变过程，可以有效地发现电气设备内部绝缘缺陷等局部隐患，有目的地对电力设备进行维修。这对提前发现电力设备中的潜伏性故障，避免设备事故具有重要价值。但电气设备通常受到强电磁干扰影响，从而使局部放电信号中包含各种复杂的干扰信号。同时由于电力设备局部放电信号是极其微弱的信号，往往可能完全淹没在强烈的干扰信号中，进而影响电力设备的检测及监测。因此，为了有效电力设备故障诊断，需要寻求一种强背景噪声下的局部放电信号识别方法。
发明内容
本发明提供的一种基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，其目的在于解决现有技术中存在的上述问题。
本发明采用的技术方案如下：
基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，包括以下步骤：
（1）、获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典；
（2）、获取待识别信号，作为待测样本；
（3）、用复合字典，通过最小化L1范数求解待测样本的稀疏表示系数；
（4）、计算待测样本为每一个类别的逼近残差，用此来衡量对待测样本的稀疏逼近程度的子字典重构误差；将最小子字典重构误差作为分类依据，确定待测样本的类别。
进一步，所述步骤（1）具体为：所述复合字典直接由大量观测样本组成，表示为A=[ A1,A2,……,Ak,Ak+1]∈Rm×n；其中A1,A2,……，Ak表示K个不同故障类别的子字典，各子字典是由某一故障类别的所有观测样本直接构成，Ak+1表示一个含多种噪声类别的子字典。
进一步，所述步骤（3）具体为：用稀疏表示分类，让某一待测样本y用复合字典性表 示，即y=Ax，其中x为表示系数，且，y 为待测样本，A为复合字典；对复合字典A中的原始观测样本集中的数据做降维处理，使得复 合字典A的维数m<<n，此时y=Ax有无穷多个解；为了解决这个问题，使x只有唯一解，需对x添 加一个L1范数的约束条件，使得求解得到的x是稀疏的，故可将该求解问题表述为。
进一步，所述步骤（4）具体为：基于步骤（3）所求解稀疏表示系数x，用其中与第i类 子字典对应的非零系数组成新向量；故待测样本可只采用 第i类子字典的表示系数来近似表示，即yi=Aδi（x）；据此，可计算得到将待测样本判断为第i 类别时的逼近残差ri（y）=||y-Aδi（x）||2，用来衡量对待测样本的稀疏逼近程度的子字典重 构误差；重构误差ri（y）的值越小，则表示该类别与待测样本的类别越相似，因此可输出，以此确定待测样本所属类别，实现强背景噪声下的局 部放电信号识别；若输出i=k+1，则认为待测样本为噪声信号。
由上述对本发明的描述可知，和现有的技术相比，本发明的优点在于：
本发明的创新点在于：所提出的复合字典是直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。此外，本发明方法强调和解决的是强背景噪声下的局部放电信号识别，是一种识别方法，而不是噪声抑制方法。本发明将子字典重构误差作为分类依据，实现了强背景噪声背景下的局部放电信号识别，识别效果更佳，更具有鲁棒性。
附图说明
图1为本发明的流程框图。
图2为一种实施方式下的特定类别的稀疏表示思想的示意图。
具体实施方式
下面结合附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。
如图1所示，基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，包括以下步骤：
（1）、获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典。
具体地，在实验室内，用现有技术中的信号采集系统采集一种故障模型所发出的局部放电信号，得到相应故障类别的多个观测样本，并以此构造该故障类别的子字典。用相同的方法为每一种故障类别构造一个含多个该故障类别观测样本的子字典，构造多种故障类别的各自子字典；在实验室内，用现有技术中的信号采集系统采集分别对多种噪声模拟源所发出的噪声干扰信号，得到多个观测样本，并以此构造一个含多种噪声类别且每一种噪声类别具有多个观测样本的子字典；再将所有子字典构造成为复合字典。可见，复合字典直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。
为减少计算量和存储空间，通常对复合字典中的原始观测样本集中的数据做降维处理。本发明采用主成分分析（PCA）对复合字典A中的原始观测样本集中的数据做降维处理。复合字典表示为A=[ A1,A2,……,Ak,Ak+1]∈Rm×n；其中A1,A2,……,Ak表示K个不同故障类别的子字典，Ak+1表示一个含多种噪声类别的子字典；由于经过降维处理后，复合字典A的维数m<<n。
（2）、获取待识别信号，作为待测样本。
具体地，用现有技术中的信号采集系统，对某一电力设备进行待识别信号采集，并将其作为待测样本。
（3）、用复合字典，通过最小化L1范数求解待测样本的稀疏表示系数。
具体地，若第i类别的子字典Ai由ni个观测样本组成，每个观测样本用列向量vi,j表 示，则Ai可表示为，那么复合字典A的样本总 数n=n1+ n2+……+nk+1。
基于线性子空间的原理可得知，在所有第i类别的观测样本所张成的线性空间中， 任意待测样本y∈Rm均可用Ai线性表示，即：， 其中αi,j∈R 是标量，且j=1,2,……,ni。
用稀疏表示分类，若将子字典张成复合字典，那么对于任意未知类别的待测样本y ∈Rm，可以用复合字典A线性表示，即y=Ax。其中，x为表示系数，且，而表示系数x中与待测样 本y属于同类别的子字典对应的系数不为零，其余项均为零。 当观测样本的数量n很大时， 表示系数x具有很好的稀疏性。如图2所示，展示了当待测样本y属于第2类别时的稀疏表示 的情况。
但是由于复合字典A的维数m<<n，此时y=Ax有无穷多个解。为了解决这个问题，使x 只有唯一解，需对x添加一个L1范数的约束条件，使得求解得到的x是稀疏的。故可将该求解 问题表述为：。
（4）、计算待测样本为每一个类别的逼近残差，用此来衡量对待测样本的稀疏逼近程度的子字典重构误差；将最小子字典重构误差作为分类依据，确定待测样本的类别。
具体地，基于步骤（3）所求解稀疏表示系数x，用其中与第i个子字典对应的非零系数组成新向量δi（x），具体表示如下：
故待测样本可只采用第i个子字典表示系数来近似逼近，即yi=Aδi（x）。
计算得到将待测样本判断为第i类别时的逼近残差ri（y）=||y-Aδi（x）||2，用来衡量对待测样本的稀疏逼近程度的子字典重构误差。
重构误差ri（y）的值越小，则表示该类别与待测样本的类别越相似。故可输出，并以此确定待测样本所属类别，实现强背景噪声下的 局部放电信号识别；若输出i=k+1，则认为待测样本为噪声信号。
综上，本发明的创新点在于：所提出的复合字典是直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。此外，本发明将子字典重构误差作为分类依据，实现了强背景噪声背景下的局部放电信号识别，识别效果更佳，更具有鲁棒性。本发明方法强调和解决的是强背景噪声下的局部放电信号识别，是一种识别方法，而不是噪声抑制方法。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (4)

1.基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，其特征在于,包括以下步骤：
（1）、获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典；
（2）、获取待识别信号，作为待测样本；
（3）、用复合字典，通过最小化L1范数求解待测样本的稀疏表示系数；
（4）、计算待测样本为每一个类别的逼近残差，用此来衡量对待测样本的稀疏逼近程度的子字典重构误差；将最小子字典重构误差作为分类依据，确定待测样本的类别。
2.如权利要求1所述的基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，其特征在于，所述步骤（1）具体为：所述复合字典直接由大量观测样本组成，表示为A=[ A1,A2,……,Ak,Ak+1]∈Rm×n；其中A1,A2,……,Ak表示K个不同故障类别的子字典，各子字典是由某一故障类别的所有观测样本直接构成，Ak+1表示一个含多种噪声类别的子字典。
3.如权利要求2所述的基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别 方法，其特征在于，所述步骤（3）具体为：用稀疏表示分类，让某一待测样本y用复合字典线 性表示，即y=Ax，其中x为表示系数，且 ，y为待测样本，A为复合字典；对复合字典A中的原始观测样本集中的数据做降维处理，使得 复合字典A的维数m<<n，此时y=Ax有无穷多个解；为了解决这个问题，使x只有唯一解，需对x 添加一个L1范数的约束条件，使得求解得到的x是稀疏的，故可将该求解问题表述为。
4.如权利要求3所述的基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别 方法，其特征在于，所述步骤（4）具体为：基于步骤（3）所求解稀疏表示系数x，用其中与第i 类别子字典对应的非零系数组成新向量δi（x），；故待测样 本可只采用第i类子字典的表示系数来近似逼近，即yi=Aδi（x）；据此，可计算得到将待测样 本判断为第i类别时的逼近残差ri（y）=||y-Aδi（x）||2，并用此来衡量对待测样本的稀疏逼 近程度的子字典重构误差；重构误差ri（y）的值越小，则表示该类别与待测样本的类别越相 似，因此可输出，以此确定待测样本所属类别，实现强 背景噪声下的局部放电信号识别；若输出i=k+1，则认为待测样本为噪声信号。
CN201811473931.8A 2018-12-04 2018-12-04 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 Active CN109557434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811473931.8A CN109557434B (zh) 2018-12-04 2018-12-04 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811473931.8A CN109557434B (zh) 2018-12-04 2018-12-04 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法

Publications (2)

Publication Number Publication Date
CN109557434A true CN109557434A (zh) 2019-04-02
CN109557434B CN109557434B (zh) 2021-01-05

Family

ID=65868860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811473931.8A Active CN109557434B (zh) 2018-12-04 2018-12-04 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法

Country Status (1)

Country Link
CN (1) CN109557434B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113378614A (zh) * 2021-01-29 2021-09-10 华北电力大学 一种局部放电信号去噪处理方法及系统
CN114062510A (zh) * 2021-08-30 2022-02-18 北京工业大学 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396310B1 (en) * 2009-09-30 2013-03-12 Rockwell Collins, Inc. Basis learning for sparse image representation and classification and low data rate compression
CN105095913A (zh) * 2015-08-11 2015-11-25 湖北大学 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN106056070A (zh) * 2016-05-26 2016-10-26 重庆大学 基于低秩矩阵恢复和稀疏表示的sar目标识别方法
CN106503612A (zh) * 2016-09-12 2017-03-15 国网浙江省电力公司舟山供电公司 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统
CN107561416A (zh) * 2017-07-03 2018-01-09 国家电网公司 一种基于压缩感知的局部放电信号采集系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396310B1 (en) * 2009-09-30 2013-03-12 Rockwell Collins, Inc. Basis learning for sparse image representation and classification and low data rate compression
CN105095913A (zh) * 2015-08-11 2015-11-25 湖北大学 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN106056070A (zh) * 2016-05-26 2016-10-26 重庆大学 基于低秩矩阵恢复和稀疏表示的sar目标识别方法
CN106503612A (zh) * 2016-09-12 2017-03-15 国网浙江省电力公司舟山供电公司 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统
CN107561416A (zh) * 2017-07-03 2018-01-09 国家电网公司 一种基于压缩感知的局部放电信号采集系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘云鹏等: ""基于稀疏表示的绝缘子紫外图谱闪络状态分类评估方法"", 《高电压技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112098850B (zh) * 2020-09-21 2024-03-08 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113378614A (zh) * 2021-01-29 2021-09-10 华北电力大学 一种局部放电信号去噪处理方法及系统
CN113378614B (zh) * 2021-01-29 2022-11-29 华北电力大学 一种局部放电信号去噪处理方法及系统
CN114062510A (zh) * 2021-08-30 2022-02-18 北京工业大学 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法
CN114062510B (zh) * 2021-08-30 2023-11-17 北京工业大学 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法

Also Published As

Publication number Publication date
CN109557434B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN103558529B (zh) 一种三相共筒式超高压gis局部放电的模式识别方法
WO2017128455A1 (zh) 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106443316A (zh) 一种电力变压器绕组形变状态多信息检测方法及装置
CN109557434A (zh) 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN109507554A (zh) 一种电气设备绝缘状态评估方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN114912533B (zh) 一种应用于变压器的状态监测系统及监测方法
CN113655348B (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN112766140A (zh) 一种基于核函数极限学习机的变压器故障辨识方法
CN112085111B (zh) 一种负荷辨识方法和装置
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN113884844A (zh) 一种变压器局部放电类型识别方法及系统
CN109782158B (zh) 一种基于多级分类的模拟电路诊断方法
Sun et al. Partial discharge pattern recognition of transformers based on the gray-level co-occurrence matrix of optimal parameters
CN111079647A (zh) 一种断路器缺陷识别方法
CN117219124A (zh) 一种基于深度神经网络的开关柜声纹故障检测方法
CN116992362A (zh) 一种基于夏普利值的变压器故障表征特征量筛选方法和装置
Hagh et al. Improving bad data detection in state estimation of power systems
CN111199209A (zh) 一种基于iwo-kfcm算法的轴承时频谱图识别方法
CN113705637B (zh) 一种断路器机械故障检测方法、系统、设备及可读存储介质
Gao et al. Accurate identification partial discharge of cable termination for high-speed trains based on wavelet transform and convolutional neural network
CN114913156A (zh) 变压器故障诊断系统及其诊断方法
CN114609483A (zh) 一种基于Hilbert变换的GIS局部放电信号特征提取方法
CN113884822A (zh) 一种局部放电特高频信号的分类识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant