CN109685138A - 一种xlpe电力电缆局部放电类型识别方法 - Google Patents

Abstract

本发明公开了一种XLPE电力电缆局部放电类型识别方法，包括如下步骤：(1)搭建XLPE电力电缆局部放电实验平台，设计典型的绝缘故障局部放电模型；(2)利用高频电流法采集不同绝缘故障的PRPD谱图和脉冲波形图，将采集数据分为训练样本和测试样本，分别对PRPD谱图提取统计特征量，对脉冲信号原始波形图提取时域特征量，波形图经过快速傅里叶变换后提取频域特征量；(3)对特征量进行归一化，利用训练样本设置网络参数，构建融合极限学习机网络；(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果。本发明能够提高XLPE电力电缆局部放电类型识别的准确率和稳定性。

Description

一种XLPE电力电缆局部放电类型识别方法

技术领域

本发明涉及配电设备局部放电技术领域，尤其是一种XLPE电力电缆局部放电类型识别方法。

背景技术

随着城市配电网的迅速发展，XLPE电力电缆得到了广泛的应用，但由于制造工艺、敷设环境和运行条件的复杂性，XLPE电缆绝缘缺陷时有发生，如果不能尽早发现并进行处理，将发展成为绝缘击穿事故，造成线路停电等不良影响。局部放电检测作为一种有效的带电检测手段，能及时发现设备的绝缘故障。但缺陷形式多样，对应于不同的放电特征，对设备绝缘的危害程度和安全运行的影响也不同。对放电类型的准确识别，能为电缆绝缘状态的评估提供依据，从而及时对可能发生的故障进行告警并有针对性地制定检修计划。

目前，XLPE电缆局部放电类型识别方法大多为传统的多隐层神经网络，收敛速度较慢，训练时间较长，容易陷入局部最优。同时对放电特征的提取维度较为单一，容易出现误分类的情况。因此，需要从多个角度提取局部放电信号的特征，研究性能更好、效率更高的模式识别方法，提高分类的准确性。

发明内容

本发明所要解决的技术问题在于，提供一种XLPE电力电缆局部放电类型识别方法，能够提高XLPE电力电缆局部放电类型识别的准确率和稳定性。

为解决上述技术问题，本发明提供一种XLPE电力电缆局部放电类型识别方法，包括如下步骤：

(1)搭建XLPE电力电缆局部放电实验平台，设计典型的绝缘故障局部放电模型；

(2)利用高频电流法采集不同绝缘故障的PRPD谱图和脉冲波形图，将采集数据分为训练样本和测试样本，分别对PRPD谱图提取统计特征量，对脉冲信号原始波形图提取时域特征量，波形图经过快速傅里叶变换后提取频域特征量；

(3)对特征量进行归一化，利用训练样本设置网络参数，构建融合极限学习机网络；

(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果。

优选的，步骤(1)中，局部放电实验平台包括自耦调压器、升压变压器、限流电阻、试验样品、高频电流传感器、采样电阻、同轴电缆和测试装置，自耦调压器和升压变压器将工频220V电压升压至放电模型产生稳定放电的电压值，变压器和放电模型间接有限流电阻，高频电流传感器接在试验样品和地之间采集局放信号，电压同步信号由并联的采样电阻获得，两路信号通过同轴电缆传输到测试装置；四种绝缘缺陷包括电晕放电、内部放电、悬浮放电和沿面放电。

优选的，步骤(2)中，采集不同绝缘故障的PRPD谱图提取的统计特征量具体为：

(a)放电量因数R_Q：反映正负半周的平均放电量的差异，定义为负正半轴平均放电量的比值：

式中，和分别代表正负半周放电量平均值，和分别代表正负半周放电量之和，和分别代表正负半周放电次数和；

(b)正负半周相关系数CC：反映PRPD谱图在正负半周上的形状的差异程度：

式中，x和y分别代表正负半周内在各相位分隔区间内的放电特征数值，Cov(x,y)代表变量x与y的协方差，Var(x)代表x的方差；

(c)偏斜度Sk：反映PRPD谱图中某个半周内放电次数和放电量的分布相对于正态分布的偏斜情况，以正半周偏斜度Sk⁺为例，公式为：

式中，x_i为第i个相位小区间内局部放电总量，p_i为相位小区间内局部放电总量对于相位的概率分布，μ和σ分别为半个周期内相位概率分布的平均值与标准差；

(d)峰度Ku：反映PRPD谱图形状分布相对于正态分布的陡峭程度：

优选的，步骤(2)中，采集不同绝缘故障的脉冲信号的原始波形图提取的时域特征量具体为：

(a)上升时间t_r：脉冲上升过程中瞬时值从峰值的10％至90％经过的时间；

(b)峰值时间t_p：脉冲上升过程中瞬时值从0到峰值经过的时间；

(c)下降时间t_d：脉冲下降过程中瞬时值从峰值的90％到10％经过的时间；

(d)脉冲宽度t_w：脉冲瞬时值从上升沿峰值的50％到下降沿峰值的50％经过的时间；

(e)波峰个数N_tp：波形极大值的个数；

(f)包络面积A_t：波形与坐标轴围成的面积的绝对值；

(g)时域均值μ_t：波形各采样点绝对值的平均值；

(h)时域方差σ_t ²：波形各采样点绝对值的方差。

优选的，步骤(2)中，对局部放电脉冲波形图经过快速傅里叶变换后提取的频域特征量具体为：

(a)主频峰值p₁：频谱图中各频率点幅值的最大值；

(b)主频频率f₁：频谱峰值对应的频率；

(c)谱峰个数N_fp：频谱图中极大值的个数；

(d)频谱均值μ_f：频谱各频率点幅值的平均值；

(e)频谱方差频谱各频率点幅值的方差。

优选的，步骤(3)中，对特征量进行归一化具体为：

式中，x_ij为第i个样本中第j个特征量归一化后的值，x_ij’为第i个样本中第j个特征量原始值，x_jmax和x_jmin分别为全部样本第j个特征值的最大值和最小值。

优选的，步骤(3)中，极限学习机网络由极限学习机子分类器和决策融合层组成，极限学习机包含输入层、单隐含层和输出层，输出层和隐含层之间的连接权值及隐含层各神经元的偏置随机产生，为-1～1之间的随机数，隐含层至输出层的权重通过求解广义逆矩阵确定，计算方法为：

β＝H⁺T＝H^T(I/C+HH^T)^-1T

式中，β为输出权重矩阵，H和H^T为隐层输出矩阵及其转置，T为期望输出向量，H⁺为隐层输出矩阵的广义逆矩阵，C为惩罚因子，用以消除过拟合现象，输出方程表示为：

f(x)＝h(x)β＝h(x)H^T(I/C+HH^T)^-1T

式中，f(x)为输出层向量，h(x)为隐含层输出向量。

优选的，步骤(4)中，将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果具体为：决策融合层对子分类器由各自信息做出的初步判定结果进行融合处理，得到最终的分类结果，利用Sigmoid函数对各子分类器的输出向量进行映射：

式中，P(f_i(x))为第i种放电类型的输出结果。

经过映射后，各标签概率之和不等于1，需进行归一化处理：

式中，p_i(x)为子分类器判定局部放电为第i种类型的概率。

假设采用M个分类器进行融合判断，则概率输出矩阵可表示为：

矩阵中每一列代表一个分类器的概率输出，采用自适应权值分配的方式实现多个ELM分类器结果的判定融合；对同一样本进行模式识别，若分类器将其归类为某一类标签的概率越大，表明该分类器对此样本的识别准确率越高，应分配的融合权值也越大，反之亦然；融合权值分配计算方法如下：

式中，p_k为第k个分类器中最大的概率输出，确定融合权值后，对各分类器输出加权，加权和最大的标签作为融合判定的输出结果，即：

本发明的有益效果为：本发明通过选取合适的特征量作为训练样本，能够有效地反映不同绝缘缺陷局部放电PRPD谱图和脉冲波形的特征，降低模式识别输入向量的维度，提高识别准确率；融合极限学习机应用于电缆局部放电的模式识别表现出良好的性能，与传统分类方法相比，具有训练时间短，学习效率高的优势；通过自适应权值分配的决策融合方法，识别准确率有了较大提升；即使训练样本规模较小，依然能够保证识别结果的稳定性，表现出较强的泛化能力；同时，各子分类器参数维度小，训练得到的网络占用内存少，识别速度快，更易移植到实际检测设备上实现在线应用。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

如附图1所示，本发明提供的一种变压器局部放电类型识别方法的一个实施例的流程示意图，在本实施例中，所述方法包括如下步骤：

(1)搭建XLPE电力电缆局部放电实验平台，设计典型的绝缘故障局部放电模型。本实施例中，局部放电实验平台利用自耦变压器和升压变压器将220V工频电压升压至放电模型产生稳定放电的电压值，变压器和放电模型间接有限流电阻，阻值为200kΩ，高频电流传感器接在试品和地之间采集局放信号，电压同步信号由并联的采样电阻获得，两路信号通过同轴电缆传输到测试装置。放电模型分为电晕放电、内部放电、悬浮放电和沿面放电四类。

(2)利用高频电流法采集不同绝缘故障的PRPD谱图和脉冲波形图，将采集数据分为训练样本和测试样本，提取特征量。

进一步的，步骤(2)中高频电流传感器的采样频率为100MHz，对四种放电模型各采集100组局部放电数据，共计400组。从每种放电类型随机挑选80组，共320组作为训练样本，其余各20组共80组作为测试样本。对每组数据的PRPD谱图和脉冲波形图提取特征量，PRPD谱图特征量包括：

1)放电量因数R_Q：

式中，和分别代表正负半周放电量平均值，和分别代表正负半周放电量之和，和分别代表正负半周放电次数和。

2)正负半周相关系数CC：

式中，x和y分别代表正负半周内在各相位分隔区间内的放电特征数值，Cov(x,y)代表变量x与y的协方差，Var(x)代表x的方差

3)偏斜度Sk：

式中，x_i为第i个相位小区间内局部放电总量，p_i为相位小区间内局部放电总量对于相位的概率分布，μ和σ分别为半个周期内相位概率分布的平均值与标准差。

4)峰度Ku：

进一步的，步骤(2)中脉冲波形提取的时域特征量包括：

1)上升时间t_r：脉冲上升过程中瞬时值从峰值的10％至90％经过的时间；

2)峰值时间t_p：脉冲上升过程中瞬时值从0到峰值经过的时间；

3)下降时间t_d：脉冲下降过程中瞬时值从峰值的90％到10％经过的时间；

4)脉冲宽度t_w：脉冲瞬时值从上升沿峰值的50％到下降沿峰值的50％经过的时间；

5)波峰个数N_tp：波形极大值的个数；

6)包络面积A_t：波形与坐标轴围成的面积的绝对值；

7)时域均值μ_t：波形各采样点绝对值的平均值；

8)时域方差σ_t ²：波形各采样点绝对值的方差。

进一步的，步骤(2)中对脉冲波形经过快速傅里叶(FFT)变换后提取的频域特征量包括：

9)主频峰值p₁：频谱图中各频率点幅值的最大值；

10)主频频率f₁：频谱峰值对应的频率；

11)谱峰个数N_fp：频谱图中极大值的个数；

12)频谱均值μ_f：频谱各频率点幅值的平均值；

13)频谱方差频谱各频率点幅值的方差。

(3)对特征量进行归一化，利用训练样本设置网络参数，构建融合极限学习机网络。

具体地，步骤(3)中对特征量进行归一化的方法为：

式中，x_ij为第i个样本中第j个特征量归一化后的值，x_ij’为第i个样本中第j个特征量原始值，x_jmax和x_jmin分别为全部样本第j个特征值的最大值和最小值。

本实施例中包含两个子分类器，分别对应PRPD谱图特征量和脉冲波形特征量，子分类器的输入层向量维度分别为6和13，隐含层的神经元个数均为15个，输出层和隐含层之间的连接权值及隐含层各神经元的偏置随机产生，为-1～1之间的随机数，输出层向量维度为4，对应4种不同的放电类型，正确的放电类型标记为1，错误的放电类型标记为0。隐含层至输出层的权重通过求解广义逆矩阵确定，计算方法为：

β＝H⁺T＝H^T(I/C+HH^T)^-1T

式中，β为输出权重矩阵，H和H^T为隐层输出矩阵及其转置，T为期望输出向量，H⁺为隐层输出矩阵的广义逆矩阵，C为惩罚因子，用以消除过拟合现象。

由此得到两个子分类器的网络结构，输出结果表示为：

f(x)＝h(x)β＝h(x)H^T(I/C+HH^T)^-1T

式中，f(x)为输出层向量，h(x)为隐含层输出向量。

决策融合层对两个子分类器由各自信息做出的初步判定结果进行融合处理，得到最终的分类结果，利用Sigmoid函数对各子分类器的输出向量进行映射：

式中，P(f_i(x))为第i种放电类型的输出结果。

经过映射后，各输出结果的概率之和不等于1，进行归一化处理：

式中，p_i(x)为子分类器判定局部放电为第i种类型的概率。

实施例中采用2个分类器进行融合判断，则概率输出矩阵可表示为：

矩阵中每一列代表一个分类器的概率输出，采用自适应权值分配的方式实现ELM子分类器结果的判定融合。对同一样本进行模式识别，若分类器将其归类为某一类标签的概率越大，表明该分类器对此样本的识别准确率越高，应分配的融合权值也越大，反之亦然。融合权值分配计算方法如下：

式中，p_k为第k个分类器中最大的概率输出。确定融合权值后，对各分类器输出加权，加权和最大的标签作为融合判定的输出结果，即：

(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果。各子分类器输出和融合层计算方法同步骤(3)，不再赘述。

Claims (8)

1.一种XLPE电力电缆局部放电类型识别方法，其特征在于，包括如下步骤：

(1)搭建XLPE电力电缆局部放电实验平台，设计典型的绝缘故障局部放电模型；

(2)利用高频电流法采集不同绝缘故障的PRPD谱图和脉冲波形图，将采集数据分为训练样本和测试样本，分别对PRPD谱图提取统计特征量，对脉冲信号原始波形图提取时域特征量，波形图经过快速傅里叶变换后提取频域特征量；

(3)对特征量进行归一化，利用训练样本设置网络参数，构建融合极限学习机网络；

(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果。

2.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(1)中，局部放电实验平台包括自耦调压器、升压变压器、限流电阻、试验样品、高频电流传感器、采样电阻、同轴电缆和测试装置，自耦调压器和升压变压器将工频220V电压升压至放电模型产生稳定放电的电压值，变压器和放电模型间接有限流电阻，高频电流传感器接在试验样品和地之间采集局放信号，电压同步信号由并联的采样电阻获得，两路信号通过同轴电缆传输到测试装置；四种绝缘缺陷包括电晕放电、内部放电、悬浮放电和沿面放电。

3.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(2)中，采集不同绝缘故障的PRPD谱图提取的统计特征量具体为：

(a)放电量因数R_Q：反映正负半周的平均放电量的差异，定义为负正半轴平均放电量的比值：

式中，和分别代表正负半周放电量平均值，和分别代表正负半周放电量之和，和分别代表正负半周放电次数和；

(b)正负半周相关系数CC：反映PRPD谱图在正负半周上的形状的差异程度：

式中，x和y分别代表正负半周内在各相位分隔区间内的放电特征数值，Cov(x,y)代表变量x与y的协方差，Var(x)代表x的方差；

(c)偏斜度Sk：反映PRPD谱图中某个半周内放电次数和放电量的分布相对于正态分布的偏斜情况，以正半周偏斜度Sk⁺为例，公式为：

式中，x_i为第i个相位小区间内局部放电总量，p_i为相位小区间内局部放电总量对于相位的概率分布，μ和σ分别为半个周期内相位概率分布的平均值与标准差；

(d)峰度Ku：反映PRPD谱图形状分布相对于正态分布的陡峭程度：

4.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(2)中，采集不同绝缘故障的脉冲信号的原始波形图提取的时域特征量具体为：

(a)上升时间t_r：脉冲上升过程中瞬时值从峰值的10％至90％经过的时间；

(b)峰值时间t_p：脉冲上升过程中瞬时值从0到峰值经过的时间；

(c)下降时间t_d：脉冲下降过程中瞬时值从峰值的90％到10％经过的时间；

(d)脉冲宽度t_w：脉冲瞬时值从上升沿峰值的50％到下降沿峰值的50％经过的时间；

(e)波峰个数N_tp：波形极大值的个数；

(f)包络面积A_t：波形与坐标轴围成的面积的绝对值；

(g)时域均值μ_t：波形各采样点绝对值的平均值；

(h)时域方差σ_t ²：波形各采样点绝对值的方差。

5.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(2)中，对局部放电脉冲波形图经过快速傅里叶变换后提取的频域特征量具体为：

(a)主频峰值p₁：频谱图中各频率点幅值的最大值；

(b)主频频率f₁：频谱峰值对应的频率；

(c)谱峰个数N_fp：频谱图中极大值的个数；

(d)频谱均值μ_f：频谱各频率点幅值的平均值；

(e)频谱方差频谱各频率点幅值的方差。

6.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(3)中，对特征量进行归一化具体为：

式中，x_ij为第i个样本中第j个特征量归一化后的值，x_ij’为第i个样本中第j个特征量原始值，x_jmax和x_jmin分别为全部样本第j个特征值的最大值和最小值。

7.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(3)中，极限学习机网络由极限学习机子分类器和决策融合层组成，极限学习机包含输入层、单隐含层和输出层，输出层和隐含层之间的连接权值及隐含层各神经元的偏置随机产生，为-1～1之间的随机数，隐含层至输出层的权重通过求解广义逆矩阵确定，计算方法为：

β＝H⁺T＝H^T(I/C+HH^T)^-1T

式中，β为输出权重矩阵，H和H^T为隐层输出矩阵及其转置，T为期望输出向量，H⁺为隐层输出矩阵的广义逆矩阵，C为惩罚因子，用以消除过拟合现象，输出方程表示为：

f(x)＝h(x)β＝h(x)H^T(I/C+HH^T)^-1T

式中，f(x)为输出层向量，h(x)为隐含层输出向量。

8.如权利要求1所述的XLPE电力电缆局部放电类型识别方法，其特征在于，步骤(4)中，将测试样本归一化后的特征量送入训练完成的融合极限学习机网络，得到放电类型的识别结果具体为：决策融合层对子分类器由各自信息做出的初步判定结果进行融合处理，得到最终的分类结果，利用Sigmoid函数对各子分类器的输出向量进行映射：

式中，P(f_i(x))为第i种放电类型的输出结果。

经过映射后，各标签概率之和不等于1，需进行归一化处理：

式中，p_i(x)为子分类器判定局部放电为第i种类型的概率。

假设采用M个分类器进行融合判断，则概率输出矩阵可表示为：

矩阵中每一列代表一个分类器的概率输出，采用自适应权值分配的方式实现多个ELM分类器结果的判定融合；对同一样本进行模式识别，若分类器将其归类为某一类标签的概率越大，表明该分类器对此样本的识别准确率越高，应分配的融合权值也越大，反之亦然；融合权值分配计算方法如下：

式中，p_k为第k个分类器中最大的概率输出，确定融合权值后，对各分类器输出加权，加权和最大的标签作为融合判定的输出结果，即：