CN110531228A - 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质 - Google Patents

Abstract

本发明公开了一种基于主成分降维与聚类分析的GIS局放严重程度判断方法、系统及介质，本发明方法的步骤包括获取待检测GIS局放信号的局部放电图谱；针对局部放电图谱提取关键特征量；将关键特征量进行降维处理得到降维后的局部放电特征指纹；分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，且特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；根据最短的距离确定待检测GIS局放信号对应的放电阶段。本发明能够在完成放电类型识别的基础上，有效判断缺陷放电的严重程度，具有计算效率高、计算准确度的优点，能够为检修决策与工期安排作参考。

Description

基于主成分降维与聚类分析的GIS局放严重程度判断方法、系 统及介质

技术领域

本发明涉及电力系统中气体绝缘金属封闭开关设备(Gas InsulationSubstation,GIS)的运行维护技术领域，具体涉及一种基于主成分降维与聚类分析的GIS局放严重程度判断方法、系统及介质。

背景技术

具有结构紧凑、占地空间小、运行可靠性高检修周期长等显著优点，在电力系统中得到了广泛应用，但由于GIS为金属封闭设备，其健康状况和内部缺陷难以掌握评估，且故障随机性强，易突发，难以进行预测预警。尤其在制造或安装过程中残留下的缺陷易导致GIS出现绝缘故障，故障早期征兆的主要形式为局部放电，局部放电既是设备绝缘劣化的征兆，又是造成绝缘劣化的重要原因。

目前，国内外已有大量研究利用电脉冲检测法、超声波检测法、特高频法等方法对GIS设备局部放电检测，能够发现设备内部绝缘缺陷所产生的局放信号，且已有诸多智能算法能够实现对带电检测数据的智能分析诊断，为识别GIS绝缘缺陷类型提供参考。由于GIS在故障后一般需要采用解体方式才能确定故障情况，解体检修难度大、耗时长。因此在发现异常局放信号后，需对局放信号所反映的缺陷严重程度进行准确判断，为检修决策与工期安排作参考。但目前大多针对局部放电信号的智能算法仅对放电类型进行识别判断，未深入分析放电的严重程度。现有的判断方法主要是根据放电幅值以人为经验为主，科学性不足。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于主成分降维与聚类分析的GIS局放严重程度判断方法、系统及介质，本发明能够在完成放电类型识别的基础上，有效判断缺陷放电的严重程度，具有计算效率高、计算准确度的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于主成分降维与聚类分析的GIS局放严重程度判断方法，实施步骤包括：

1)获取待检测GIS局放信号的局部放电图谱；

2)针对局部放电图谱提取关键特征量；

3)将关键特征量进行降维处理得到降维后的局部放电特征指纹；

4)分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

5)根据最短的距离确定待检测GIS局放信号对应的放电阶段。

可选地，步骤2)的详细步骤包括：

2.1)针对局部放电图谱提取特征量；

2.2)采用关联算法计算放电严重程度和各个特征量之间的关联性，选择关联性超过预设阈值的特征量作为关键特征量，或者根据关联性对所有特征量进行排序并选择关联性较大端的指定数量个特征量作为关键特征量。

可选地，步骤2.1)中计算放电严重程度和各个特征量之间的关联性具体是指计算放电严重程度和各个特征量之间的KMO因子关联性。

可选地，步骤2)提取得到的关键特征量包括局部放电相位所占宽度、正负半周放电次数之比、正负半周平均放电幅值之比、放电幅值熵值、最大放电幅值熵值、谱图负半周偏斜度、谱图负半周陡峭度、放电幅值分布的标准差。

可选地，步骤4)中的距离具体是指欧式距离平方。

可选地，步骤4)中的不同放电阶段包括起始阶段S_ini、发展阶段S_dev和严重阶段S_ser共三个放电阶段。

可选地，步骤4)中指定的聚类算法具体是指模糊C均值聚类算法，步骤4)之前还包括采用模糊C均值聚类算法聚类形成不同放电阶段的特征指纹聚类中心的步骤，详细步骤包括：

S1)首先在[0,1]中选取随机数初始化ω行p列的隶属矩阵U，且隶属矩阵U中各行元素总和为1，其中ω为放电阶段数量，p为局部放电特征指纹数量；

S2)根据下式计算不同放电阶段的聚类中心；

上式中，ω_i表示第i种放电阶段的聚类中心，x_j表示第j个局部放电特征指纹，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)；

S3)计算价值函数J，当计算得到的价值函数J小于设定阈值或相对上次的价值函数值J的改变量小于某个阈值，则结束并退出；否则跳转执行下一步；

其中，计算价值函数J的函数表达式如下式所示：

上式中，J(U,ω₁,...,ω_ω)为价值函数J，ω₁～ω_ω为各个放电阶段的聚类中心，ω为放电阶段数量，J_i表示第i个放电阶段的价值，n表示特征量中的元素数量，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离；

S4)根据下式更新隶属矩阵U中各行元素，得到新的隶属矩阵U；

上式中，u_ij为隶属矩阵U中的第i行第j列元素，；ω为放电阶段数量，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离，d_kj为第k个放电阶段的聚类中心ω_k与第j个数据点x_j间的欧氏距离，m为加权指数，且m∈[1,∞)。

此外，本发明还提供一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，包括：

输入程序单元，用于获取待检测GIS局放信号的局部放电图谱；

特征提取程序单元，用于针对局部放电图谱提取关键特征量；

特征降维程序单元，用于将关键特征量进行降维处理得到降维后的局部放电特征指纹；

聚类中心距离计算程序单元，用于分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

分类程序单元，用于根据最短的距离确定待检测GIS局放信号对应的放电阶段。

此外，本发明还提供一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。

和现有技术相比，本发明具有下述优点：

本发明可在现有智能算法完成放电类型识别判断的基础上针对局部放电图谱提取关键特征量，将关键特征量进行降维处理得到降维后的局部放电特征指纹，分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，根据最短的距离确定待检测GIS局放信号对应的放电阶段(程度)，在保证放电程度判断准确性的基础上，提升了计算效率；相比传统以人为经验为主的判断，本本发明以数据为驱动分析缺陷放电的严重程度，更具有科学性。本发明能够在完成放电类型识别的基础上，有效判断缺陷放电的严重程度，具有计算效率高、计算准确度的优点，能够为检修决策与工期安排作参考。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例经过特征量降维和模糊C均值聚类综合处理后针对尖端放电得到的特征指纹聚类中心。

图3为本发明实施例中仅通过模糊C均值聚类综合处理后得到的特征指纹聚类中心。

具体实施方式

下文将以尖端放电结合附图及实施例为例，对本发明基于主成分降维与聚类分析的GIS局放严重程度判断方法、系统及介质进行进一步的详细说明。应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。毫无疑问，本发明基于主成分降维与聚类分析的GIS局放严重程度判断方法、系统及介质还可适用于其它放电类型，如间隙放电或悬浮放电等。

如图1所示，本实施例基于主成分降维与聚类分析的GIS局放严重程度判断方法的实施步骤包括：

1)获取待检测GIS局放信号的局部放电图谱；

2)针对局部放电图谱提取关键特征量；

3)将关键特征量进行降维处理得到降维后的局部放电特征指纹；

4)分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

5)根据最短的距离确定待检测GIS局放信号对应的放电阶段。

本实施例中，步骤2)的详细步骤包括：

2.1)针对局部放电图谱提取特征量；

2.2)采用关联算法计算放电严重程度和各个特征量之间的关联性，选择关联性超过预设阈值的特征量作为关键特征量，或者根据关联性对所有特征量进行排序并选择关联性较大端的指定数量个特征量作为关键特征量。

本实施例中，步骤2.1)中计算放电严重程度和各个特征量之间的关联性具体是指计算放电严重程度和各个特征量之间的KMO(Kaiser-Meyer-Olkin)因子关联性(相关系数)。本实施例中，包括对原始数据进行标准化处理，再根据式(1)计算特征量x_i、x_j之间的相关系数r_ij(i、j＝1,2,3，…，n)，从而可以构造相关系数矩阵R_n×n；

式(1)中，x_i、x_j表示相关系数r_ij对应的两个相关系数r_ij，x_ki表示特征量x_i中第k个元素，表示特征量x_i中的元素均值，x_kj表示特征量x_j中第k个元素，表示特征量x_i中的元素均值，n表示特征量中的元素数量。

本实施例中，步骤2)提取得到的关键特征量包括局部放电相位所占宽度、正负半周放电次数之比、正负半周平均放电幅值之比、放电幅值熵值、最大放电幅值熵值、谱图负半周偏斜度、谱图负半周陡峭度、放电幅值分布的标准差，如表1所示：

表1：关键特征量。

其中，谱图是指最大放电幅值相位分布图,谱图放电幅值相位分布图。

本实施例中，步骤3)将关键特征量进行降维处理得到降维后的局部放电特征指纹时采用的主成分分析法对特征量进行降维处理，步骤包括：

3.1)计算矩阵特征值λ_i(i＝1,2,…,n)，并通过式(2)和式(3)分别计算特征值的贡献率和累计贡献率；

式(2)和式(3)中，μ_i表示第i个特征值的贡献率，ρ_i表示第i个特征值的累计贡献率，r_i表示第i个相关系数，r_k表示第k个相关系数，r表示相关系数，n表示特征量中的元素数量。

3.2)选取累计贡献率为85-95％的特征值λ₁，λ₂，…，λ_m(m≤n)所对应的第一、第二、…、第m个主成分，即降维成m个互不相关的关键特征量。

本实施例中，步骤4)中的不同放电阶段包括起始阶段S_ini、发展阶段S_dev和严重阶段S_ser共三个放电阶段。因此，本实施例方法聚类的核心过程就是把降维后的p个向量x_i(i＝1,2,…,p)分为ω(此处ω＝3)个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。

本实施例中，步骤4)中指定的聚类算法具体是指模糊C均值聚类算法，步骤4)之前还包括采用模糊C均值聚类算法(此外也可以根据需要此其他方法进行聚类)聚类形成不同放电阶段的特征指纹聚类中心的步骤，详细步骤包括：

S1)首先在[0,1]中选取随机数初始化ω行p列的隶属矩阵U，且隶属矩阵U中各行元素总和为1(即满足公式(4)中的约束条件)，其中ω为放电阶段数量，p为局部放电特征指纹数量；

式(4)中，u_ij为隶属矩阵U中的第i行第j列元素，p为局部放电特征指纹数量。

S2)根据式(5)计算不同放电阶段的聚类中心；

式(5)中，ω_i表示第i种放电阶段的聚类中心，x_j表示第j个局部放电特征指纹，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)；

S3)计算价值函数J，当计算得到的价值函数J小于设定阈值或相对上次的价值函数值J的改变量小于某个阈值，则结束并退出；否则跳转执行下一步；

其中，计算价值函数J的函数表达式如式(6)所示：

式(6)中，J(U,ω₁,...,ω_ω)为价值函数J，ω₁～ω_ω为各个放电阶段的聚类中心，ω为放电阶段数量，J_i表示第i个放电阶段的价值，n表示特征量中的元素数量，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离，如式(6)所示；

d_ij＝||ω_i-x_j|| (7)

式(7)中，ω_i为第i个放电阶段的聚类中心，x_j为第j个数据点。

S4)根据式(8)更新隶属矩阵U中各行元素，得到新的隶属矩阵U；

式(8)中，u_ij为隶属矩阵U中的第i行第j列元素，；ω为放电阶段数量，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离，d_kj为第k个放电阶段的聚类中心ω_k与第j个数据点x_j间的欧氏距离，m为加权指数，且m∈[1,∞)。

图2中展示了经过特征量降维和模糊C均值聚类综合处理后得出的尖端放电聚类中心，图3为仅通过模糊C均值聚类综合处理后得出的尖端放电聚类中心。通过对比可看出，模糊聚类结合主成分分析降维能更好地划分放电严重程度。

本实施例中采用模糊C均值聚类算法(此外也可以根据需要此其他方法进行聚类)聚类形成不同放电阶段的特征指纹聚类中心表示为Cf_center(Cf₁,Cf₂,C_f3)，其中Cf₁,Cf₂,C_f3分别对应尖端放电的起始阶段S_ini、发展阶段S_dev和严重阶段S_ser的聚类中心。

本实施例中，步骤4)中分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，且距离具体是指欧式距离平方。假定步骤3)得到的局部放电特征指纹为Cf_x，ze计算Cf_x与Cf₁，Cf₂，C_f3之间的欧氏距离平方的函数如式(9)所示；

式(9)中，表示欧氏距离平方，Cf_x表示步骤3)得到的局部放电特征指纹，Cf_i表示不同放电阶段的特征指纹聚类中心，i＝1，2，3。判断的大小，d₁ ²，d₂ ²，d₃ ²中最小值对应的放电阶段即为待诊断局部放电现象所处的放电阶段。

综上所述，本实施例基于主成分降维与聚类分析的GIS局放严重程度判断方法在完成放电类型识别判断的基础上可深入分析放电的严重程度，为检修决策与工期安排作参考。本实施例前述基于主成分降维与聚类分析的GIS局放严重程度判断方法采用关联算法Apriori提取与放电严重程度关联性强的特征量，并使用主成分分析法对特征量进行降维处理，最后应用模糊C均值聚类算法求解不同放电程度的聚类中心，在保证放电程度判断准确性的基础上，提升了计算效率。相比传统以人为经验为主的判断，本实施例前述基于主成分降维与聚类分析的GIS局放严重程度判断方法以数据为驱动分析缺陷放电的严重程度，更具有科学性。此外，本实施例还提供一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，包括：

输入程序单元，用于获取待检测GIS局放信号的局部放电图谱；

特征提取程序单元，用于针对局部放电图谱提取关键特征量；

特征降维程序单元，用于将关键特征量进行降维处理得到降维后的局部放电特征指纹；

聚类中心距离计算程序单元，用于分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

分类程序单元，用于根据最短的距离确定待检测GIS局放信号对应的放电阶段。

此外，本实施例还提供一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，包括计算机设备，该计算机设备被编程或配置以执行本实施例前述基于主成分降维与聚类分析的GIS局放严重程度判断方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行本实施例前述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于实施步骤包括：

1)获取待检测GIS局放信号的局部放电图谱；

2)针对局部放电图谱提取关键特征量；

3)将关键特征量进行降维处理得到降维后的局部放电特征指纹；

4)分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

5)根据最短的距离确定待检测GIS局放信号对应的放电阶段。

2.根据权利要求1所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤2)的详细步骤包括：

2.1)针对局部放电图谱提取特征量；

2.2)采用关联算法计算放电严重程度和各个特征量之间的关联性，选择关联性超过预设阈值的特征量作为关键特征量，或者根据关联性对所有特征量进行排序并选择关联性较大端的指定数量个特征量作为关键特征量。

3.根据权利要求2所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤2.1)中计算放电严重程度和各个特征量之间的关联性具体是指计算放电严重程度和各个特征量之间的KMO因子关联性。

4.根据权利要求1所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤2)提取得到的关键特征量包括局部放电相位所占宽度、正负半周放电次数之比、正负半周平均放电幅值之比、放电幅值熵值、最大放电幅值熵值、谱图负半周偏斜度、谱图负半周陡峭度、放电幅值分布的标准差。

5.根据权利要求1所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤4)中的距离具体是指欧式距离平方。

6.根据权利要求1所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤4)中的不同放电阶段包括起始阶段S_ini、发展阶段S_dev和严重阶段S_ser共三个放电阶段。

7.根据权利要求1～6中任意一项所述的基于主成分降维与聚类分析的GIS局放严重程度判断方法，其特征在于，步骤4)中指定的聚类算法具体是指模糊C均值聚类算法，步骤4)之前还包括采用模糊C均值聚类算法聚类形成不同放电阶段的特征指纹聚类中心的步骤，详细步骤包括：

S1)首先在[0,1]中选取随机数初始化ω行p列的隶属矩阵U，且隶属矩阵U中各行元素总和为1，其中ω为放电阶段数量，p为局部放电特征指纹数量；

S2)根据下式计算不同放电阶段的聚类中心；

上式中，ω_i表示第i种放电阶段的聚类中心，x_j表示第j个局部放电特征指纹，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)；

S3)计算价值函数J，当计算得到的价值函数J小于设定阈值或相对上次的价值函数值J的改变量小于某个阈值，则结束并退出；否则跳转执行下一步；

其中，计算价值函数J的函数表达式如下式所示：

上式中，J(U,ω₁,...,ω_ω)为价值函数J，ω₁～ω_ω为各个放电阶段的聚类中心，ω为放电阶段数量，J_i表示第i个放电阶段的价值，n表示特征量中的元素数量，u_ij为隶属矩阵U中的第i行第j列元素，m为加权指数，且m∈[1,∞)，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离；

S4)根据下式更新隶属矩阵U中各行元素，得到新的隶属矩阵U；

上式中，u_ij为隶属矩阵U中的第i行第j列元素，；ω为放电阶段数量，d_ij为第i个放电阶段的聚类中心ω_i与第j个数据点x_j间的欧氏距离，d_kj为第k个放电阶段的聚类中心ω_k与第j个数据点x_j间的欧氏距离，m为加权指数，且m∈[1,∞)。

8.一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，其特征在于包括：

输入程序单元，用于获取待检测GIS局放信号的局部放电图谱；

特征提取程序单元，用于针对局部放电图谱提取关键特征量；

特征降维程序单元，用于将关键特征量进行降维处理得到降维后的局部放电特征指纹；

聚类中心距离计算程序单元，用于分别计算局部放电特征指纹以及对应不同放电阶段的特征指纹聚类中心的距离，所述特征指纹聚类中心为采用对应放电阶段的局部放电特征指纹进行聚类得到；

分类程序单元，用于根据最短的距离确定待检测GIS局放信号对应的放电阶段。

9.一种基于主成分降维与聚类分析的GIS局放严重程度判断系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～7中任意一项所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述基于主成分降维与聚类分析的GIS局放严重程度判断方法的计算机程序。