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
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 Download PDFInfo
- Publication number
- CN110531228A CN110531228A CN201910828751.5A CN201910828751A CN110531228A CN 110531228 A CN110531228 A CN 110531228A CN 201910828751 A CN201910828751 A CN 201910828751A CN 110531228 A CN110531228 A CN 110531228A
- Authority
- CN
- China
- Prior art keywords
- discharge
- clustering
- gis partial
- dimensionality reduction
- principal component
- 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.)
- Pending
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
- G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Relating To Insulation (AREA)
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
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Sini、发展阶段Sdev和严重阶段Sser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,ωi表示第i种放电阶段的聚类中心,xj表示第j个局部放电特征指纹,uij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,...,ωω)为价值函数J,ω1~ωω为各个放电阶段的聚类中心,ω为放电阶段数量,Ji表示第i个放电阶段的价值,n表示特征量中的元素数量,uij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,∞),dij为第i个放电阶段的聚类中心ωi与第j个数据点xj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,uij为隶属矩阵U中的第i行第j列元素,;ω为放电阶段数量,dij为第i个放电阶段的聚类中心ωi与第j个数据点xj间的欧氏距离,dkj为第k个放电阶段的聚类中心ωk与第j个数据点xj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xi、xj之间的相关系数rij(i、j=1,2,3,…,n),从而可以构造相关系数矩阵Rn×n;
式(1)中,xi、xj表示相关系数rij对应的两个相关系数rij,xki表示特征量xi中第k个元素,表示特征量xi中的元素均值,xkj表示特征量xj中第k个元素,表示特征量xi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λi(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,μi表示第i个特征值的贡献率,ρi表示第i个特征值的累计贡献率,ri表示第i个相关系数,rk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,…,λm(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Sini、发展阶段Sdev和严重阶段Sser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xi(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,uij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,ωi表示第i种放电阶段的聚类中心,xj表示第j个局部放电特征指纹,uij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,...,ωω)为价值函数J,ω1~ωω为各个放电阶段的聚类中心,ω为放电阶段数量,Ji表示第i个放电阶段的价值,n表示特征量中的元素数量,uij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,∞),dij为第i个放电阶段的聚类中心ωi与第j个数据点xj间的欧氏距离,如式(6)所示;
dij=||ωi-xj|| (7)
式(7)中,ωi为第i个放电阶段的聚类中心,xj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,uij为隶属矩阵U中的第i行第j列元素,;ω为放电阶段数量,dij为第i个放电阶段的聚类中心ωi与第j个数据点xj间的欧氏距离,dkj为第k个放电阶段的聚类中心ωk与第j个数据点xj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Cfcenter(Cf1,Cf2,Cf3),其中Cf1,Cf2,Cf3分别对应尖端放电的起始阶段Sini、发展阶段Sdev和严重阶段Sser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Cfx,ze计算Cfx与Cf1,Cf2,Cf3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,Cfx表示步骤3)得到的局部放电特征指纹,Cfi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Sini、发展阶段Sdev和严重阶段Sser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,ωi表示第i种放电阶段的聚类中心,xj表示第j个局部放电特征指纹,uij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,...,ωω)为价值函数J,ω1~ωω为各个放电阶段的聚类中心,ω为放电阶段数量,Ji表示第i个放电阶段的价值,n表示特征量中的元素数量,uij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,∞),dij为第i个放电阶段的聚类中心ωi与第j个数据点xj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,uij为隶属矩阵U中的第i行第j列元素,;ω为放电阶段数量,dij为第i个放电阶段的聚类中心ωi与第j个数据点xj间的欧氏距离,dkj为第k个放电阶段的聚类中心ωk与第j个数据点xj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828751.5A CN110531228A (zh) | 2019-09-03 | 2019-09-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828751.5A CN110531228A (zh) | 2019-09-03 | 2019-09-03 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110531228A true CN110531228A (zh) | 2019-12-03 |
Family
ID=68666475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828751.5A Pending CN110531228A (zh) | 2019-09-03 | 2019-09-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531228A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130117A (zh) * | 2020-01-07 | 2020-05-08 | 杭州电子科技大学 | 一种基于高维数据聚类的概率最优潮流计算方法 |
CN111308288A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 一种油纸绝缘局部放电发展阶段的判断方法 |
CN111666912A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN112858858A (zh) * | 2021-03-26 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于降维的局部放电光谱特征波段提取方法及装置 |
CN113253069A (zh) * | 2021-05-19 | 2021-08-13 | 云南电网有限责任公司电力科学研究院 | 一种基于多光谱强度的局部放电危险度评估方法 |
CN113514742A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种gis局部放电严重程度的评估方法、系统和介质 |
CN113533910A (zh) * | 2021-06-10 | 2021-10-22 | 中国电力科学研究院有限公司 | 一种适用于换流变压器局部放电预警的方法及系统 |
CN113884837A (zh) * | 2021-11-03 | 2022-01-04 | 国网河南省电力公司驻马店供电公司 | 一种电缆局部放电在线监测分析系统及分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101553005B1 (ko) * | 2015-04-20 | 2015-10-01 | 지투파워 (주) | 전력설비의 부분방전 감시진단 시스템 |
CN105004972A (zh) * | 2015-06-25 | 2015-10-28 | 华北电力大学(保定) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
-
2019
- 2019-09-03 CN CN201910828751.5A patent/CN110531228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101553005B1 (ko) * | 2015-04-20 | 2015-10-01 | 지투파워 (주) | 전력설비의 부분방전 감시진단 시스템 |
CN105004972A (zh) * | 2015-06-25 | 2015-10-28 | 华北电力大学(保定) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
Non-Patent Citations (3)
Title |
---|
唐铭泽: ""油纸绝缘典型缺陷局部放电发展全过程的状态特征研究与评估"", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
张锋: ""油纸绝缘电热老化的聚类判别算法"", 《高压电技术》 * |
朱德恒等: "《电绝缘诊断技术》", 30 April 1999, 中国电力出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130117A (zh) * | 2020-01-07 | 2020-05-08 | 杭州电子科技大学 | 一种基于高维数据聚类的概率最优潮流计算方法 |
CN111308288A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 一种油纸绝缘局部放电发展阶段的判断方法 |
CN111666912A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN111666912B (zh) * | 2020-06-15 | 2024-01-23 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN112858858A (zh) * | 2021-03-26 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于降维的局部放电光谱特征波段提取方法及装置 |
CN113253069A (zh) * | 2021-05-19 | 2021-08-13 | 云南电网有限责任公司电力科学研究院 | 一种基于多光谱强度的局部放电危险度评估方法 |
CN113533910A (zh) * | 2021-06-10 | 2021-10-22 | 中国电力科学研究院有限公司 | 一种适用于换流变压器局部放电预警的方法及系统 |
CN113514742A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种gis局部放电严重程度的评估方法、系统和介质 |
CN113884837A (zh) * | 2021-11-03 | 2022-01-04 | 国网河南省电力公司驻马店供电公司 | 一种电缆局部放电在线监测分析系统及分析方法 |
CN113884837B (zh) * | 2021-11-03 | 2023-07-28 | 国网河南省电力公司驻马店供电公司 | 一种电缆局部放电在线监测分析系统及分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531228A (zh) | 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 | |
Tang et al. | A probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer | |
CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、系统 | |
CN107037306B (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN107272655A (zh) | 基于多阶段ica‑svdd的间歇过程故障监测方法 | |
CN112966630B (zh) | 一种超/特高压gis开关设备运行状态评估方法、系统及设备 | |
CN106896219B (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN109375609A (zh) | 异常攻击的检测方法及装置 | |
EP3837565B1 (en) | Method, apparatus and device for evaluating the state of a distribution transformer, and a medium and a program | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN110297712A (zh) | 一种面向区块链节点负载预测的arima组合预测方法 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN109921415A (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
CN112818601A (zh) | 基于ga-bp神经网络和误差统计分析的水电机组健康评估方法 | |
CN107247450A (zh) | 基于贝叶斯网络的断路器故障诊断方法 | |
CN103675518B (zh) | 油浸式高压设备检修方法及装置 | |
Gastoni et al. | Robust state-estimation procedure based on the maximum agreement between measurements | |
CN117312807B (zh) | 一种断路器的控制状态分析方法及系统 | |
CN111487563B (zh) | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 | |
Lindh et al. | Automatic bearing fault classification combining statistical classification and fuzzy logic | |
CN109977030A (zh) | 一种深度随机森林程序的测试方法及设备 | |
CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及系统 | |
CN112731208B (zh) | 一种低压线路故障与异常在线监测方法、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |