CN111967338B - 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 - Google Patents
基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 Download PDFInfo
- Publication number
- CN111967338B CN111967338B CN202010730635.2A CN202010730635A CN111967338B CN 111967338 B CN111967338 B CN 111967338B CN 202010730635 A CN202010730635 A CN 202010730635A CN 111967338 B CN111967338 B CN 111967338B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- sample
- data cluster
- prpd
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims abstract 9
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims abstract 9
- 238000001914 filtration Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F18/23—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其包括步骤:(1)在GIS设备内外分别设置特高频局部放电传感器,成对地采集GIS设备局部放电PRPS图谱(2)将局部放电PRPS图谱转换为PRPD图谱(3)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇(4)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定相似度阈值的一对数据簇匹配成对,并将其判定为同源信号(5)将所有同源信号基于接收信号强度进行定位,若在一对同源信号中来自GIS设备内部设置的特高频局部放电传感器采集的数据簇幅值相对于来自GIS设备外部设置的特高频局部放电传感器采集的数据簇幅值较小,则将其判定为来自GIS设备外部脉冲干扰信号。
Description
技术领域
本发明涉及一种判别干扰信号的方法和系统,尤其涉及一种判别局部放电脉冲干扰信号的方法和系统。
背景技术
气体绝缘组合电器(GIS)是电力系统的重要配件之一,其通常被广泛应用在电力系统中。因此,对于气体绝缘组合电器状态的全面感知是保障电网安全运行、提升电网驾驭能力且实现电网智能运行的先决条件。
GIS使用现场的环境比较复杂,其周围通常充斥着大量的干扰信号。因此,针对在线监测设备采集的数据进行干扰信号预处理能够有效提高GIS智能感知系统中局部放电模式识别的正确率,进而提高整个系统对气体绝缘组合电器状态全面感知的能力。
需要说明的是,当前运行的气体绝缘组合电器(GIS)局部放电智能感知系统普遍存在误报率高的问题。由于GIS使用现场周围通常充斥着大量的干扰信号,且智能感知系统对于来自电气设备外部同为局部放电信号脉冲型干扰(如其他现场设备高压端电晕放电、悬浮放电等)的识别较为乏力。因此在实际运行中风险评估系统经常会将这类干扰错误地认为是由设备内部缺陷所引起的,从而导致整个评估系统在运行的大部分时间内均处于报警状态(实际上设备内部并无严重的绝缘缺陷),很难起到它本应实现的功能。
目前,国内外学者针对局部放电数据中的干扰、噪声信号已经做出了大量的研究。这些研究重点在于:利用时频域分析白噪声、滤除周期窄带干扰、利用机器学习算法识别具有独特特征的脉冲干扰等方面。但是,上述国内外学者研究的很多干扰信号处理方法很难对本身就是局部放电的脉冲型干扰进行判别。
基于此,为了解决现有GIS局部放电智能感知系统中普遍存在的问题,期望获得一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统,其可以准确有效的判别局部放电信号中的脉冲干扰信号,提高智能感知系统的准确性。
发明内容
本发明的目的之一是提供一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,该方法可以准确有效的判别局部放电信号中的脉冲干扰信号,其可以为更好地进行局放类型识别提供前提条件,能够有效提高智能感知系统的准确性。
根据上述发明目的,本发明提出一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其包括步骤:
(1)在GIS设备内外分别设置特高频局部放电传感器,以成对地采集GIS设备的局部放电PRPS图谱;
(2)将局部放电PRPS图谱转换为PRPD图谱;
(3)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;
(4)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;
(5)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自GIS设备内部设置的特高频局部放电传感器采集的数据簇的幅值相对于来自GIS设备外部设置的特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
在本发明所述的技术方案中,提出了一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其通过均值漂移聚类算法,可以有效地对局部放电数据中不同信号源进行区分,通过接受信号强度定位,能有效判别出信号是否来自设备内部,可以减少所采集的局部放电数据中脉冲干扰信号的特征信息。采用本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,可以准确有效的判别局部放电信号中的脉冲干扰信号,其可以为更好地进行局放类型识别提供前提条件,能够有效提高智能感知系统的准确性。
需要指出的是,在本案步骤(2)中,由于直接处理二维数据图谱会比处理三维数据图谱节省更多的计算资源,所以需要先把特高频局部放电传感器成对采集气体绝缘组合电器(GIS)设备的局部放电脉序相位特性(PRPS)图谱转换为相位分辨的局部放电(PRPD)图谱。其中,将一对数据转化为PRPD图谱时,需要用相同的标准对幅值大小进行缩放,采用如下所示的公式:
式中,x’表示PRPD图谱中的幅值,x表示PRPS图谱中的幅值,xmax表示采集到的PRPS图谱对中最大的幅值,的值表示该符号内部变量的向下取整。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法中,还包括步骤(6):滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,所述第一样本为GIS设备内部设置的特高频局部放电传感器采集的PRPD图谱。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法中,还包括步骤(7):将所述第一样本转换回PRPS图谱。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法中,上述步骤(3)包括:
(3a)在具有N个样本点的PRPD图谱的特征空间中随机选取中心点x,利用核函数计算出以该中心点为中心,半径为h的高维球Sh所包含点集的漂移均值向量
式中,g(||(x-xi)/h||2)是高斯核函数,该函数的带宽是半径h,xi为高维球Sh中所包含的点,k表示Sh中所包含点的个数;
(3b)将中心点移到漂移均值向量所指的地方,并不断迭代,直到漂移均值向量的长度满足设定的长度阈值,此时的中心点就是数据簇的中心;
重复上述步骤(3a)和(3b),直到所有的样本点均被归为某一数据簇;
(3c)将相似度高的数据簇合并组合为一个大的数据簇;
(3d)将杂散在大数据簇周围的小数据簇合并到与之相似度最高的大数据簇中。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法中,上述步骤(4)包括:
(4a)设定从GIS设备内部采集的PRPD图谱为第一样本,从GIS设备外部采集的PRPD图谱为第二样本,从所述第一样本中选取一个数据簇,将其与第二样本中的每个数据簇的相似度进行计算;
(4b)筛选出相似度小于设定值r的数据簇,并将其归入到集合α中;
(4c)如果集合α是空集,则判定为所选定的数据簇没有匹配到其他数据簇,则该数据簇被判定为局部放电缺陷信号;如果集合α不是空集,则将该集合α中相似度最高的一对数据簇匹配成对,并将其认定为同源信号;
重复上述步骤(4a)-(4c)以遍历第一样本中的所有数据簇,以寻找到所有匹配成对的同源信号。
相应地,本发明的另一目的在于提供一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统,该系统可以准确有效的判别局部放电信号中的脉冲干扰信号,其可以为更好地进行局放类型识别提供前提条件,能够有效减少所采集的局部放电数据中的脉冲干扰信号信息。
根据上述的发明目的,本发明提出了一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统,其包括:
第一特高频局部放电传感器,其设于GIS设备的内部,其从GIS内部采集局部放电PRPS图谱;
第二特高频局部放电传感器,其设于GIS设备的外部,其从GIS外部采集局部放电PRPS图谱;
处理模块,其被设置为执行下述步骤:
(1)将成对采集的局部放电PRPS图谱转换为PRPD图谱;
(2)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;
(3)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;
(4)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自第一特高频局部放电传感器采集的数据簇的幅值相对于来自第二特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统中,上述处理模块还执行步骤(5):滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,所述第一样本为第一特高频局部放电传感器采集的PRPD图谱。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统中,上述处理模块还执行步骤(6):将所述第一样本转换回PRPS图谱。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统中,上述步骤(2)包括:
(2a)在具有N个样本点的PRPD图谱的特征空间中随机选取中心点x,利用核函数计算出以该中心点为中心,半径为h的高维球Sh所包含点集的漂移均值向量
式中,g(||(x-xi)/h||2)是高斯核函数,该函数的带宽是半径h,xi为高维球Sh中所包含的点,k表示Sh中所包含点的个数;
(2b)将中心点移到漂移均值向量所指的地方,并不断迭代,直到漂移均值向量的长度满足设定的长度阈值,此时的中心点就是数据簇的中心;
重复上述步骤(2a)和(2b),直到所有的样本点均被归为某一数据簇;
(2c)将相似度高的数据簇合并组合为一个大的数据簇;
(2d)将杂散在大数据簇周围的小数据簇合并到与之相似度最高的大数据簇中。
进一步地,在本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统中,上述步骤(3)包括:
(3a)设定第一特高频局部放电传感器采集的PRPD图谱为第一样本,局部放电传感器采集的PRPD图谱为第二样本,从所述第一样本中选取一个数据簇,将其与第二样本中的每个数据簇的相似度进行计算;
(3b)筛选出相似度小于设定值r的数据簇,并将其归入到集合α中;
(3c)如果集合α是空集,则判定为所选定的数据簇没有匹配到其他数据簇,则该数据簇被判定为局部放电缺陷信号;如果集合α不是空集,则将该集合α中相似度最高的一对数据簇匹配成对,并将其认定为同源信号;
重复上述步骤(3a)-(3c)以遍历第一样本中的所有数据簇,以寻找到所有匹配成对的同源信号。
本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法及系统相较于现有技术具有如下所述的优点以及有益效果:
本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法可以通过均值漂移聚类算法,准确有效地对局部放电数据中不同信号源进行区分,能有效判别出信号是否来自设备内部,减少所采集的局部放电数据中的脉冲干扰信号信息。
本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,可以准确有效的判别局部放电信号中的脉冲干扰信号,其可以为更好地进行局放类型识别提供前提条件,能够有效提高智能感知系统的准确性。
相应地,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的步骤流程图。
图2为本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的流程示意图。
图3示意性地显示了本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的滤除脉冲干扰信号前的PRPS图谱。
图4示意性地显示了本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的滤除脉冲干扰信号后的PRPS图谱。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法及系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法的步骤流程示意图。
如图1所示,在本实施方式中,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,包括如下步骤:
(1)在GIS设备内外分别设置特高频局部放电传感器,以成对地采集GIS设备的局部放电PRPS图谱;
(2)将局部放电PRPS图谱转换为PRPD图谱;
(3)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;
(4)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;
(5)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自GIS设备内部设置的特高频局部放电传感器采集的数据簇的幅值相对于来自GIS设备外部设置的特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
当然,在某些实施方式中,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法还可以包括步骤(6):
(6)滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,第一样本为GIS设备内部设置的特高频局部放电传感器采集的PRPD图谱。
在某些实施方式中,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法还包括步骤(7):
(7)将上述得到的第一样本转换回PRPS图谱。
其中,需要说明的是,在上述步骤(2)中,考虑到直接处理二位数据图谱会比处理三维数据图谱节省更多计算资源,所以需要先把特高频局部放电传感器所测得的局部放电脉序相位特性(PRPS)图谱转换为相位分辩的局部放电(PRPD)图谱。将一对数据转化为PRPD图谱时需要用相同的标准对幅值大小进行缩放,采用的公式如下所示:
其中,在上式中,x’表示PRPD图谱中的幅值,x表示PRPS图谱中的幅值,xmax表示采集到的PRPS图谱对中最大的幅值,的值表示该符号内部变量的向下取整。
需要说明的是,在步骤(3)中,特高频局部放电传感器所采集的数据是多源的,在对信号进行定位前需要先将同源信号进行匹配。故利用均值漂移聚类算法将多源数据中不同的局放源或干扰源进行区分,采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为多个数据簇,每个数据簇中的数据均来自同一局放源或干扰源。
在上述步骤(3)中,均值漂移聚类实现过程可以包括如下步骤:
(3a)在具有N个样本点的PRPD图谱的特征空间中随机选取中心点x,利用核函数计算出以该中心点为中心,半径为h的高维球Sh所包含点集的漂移均值向量
式中,g(||(x-xi)/h||2)表示高斯核函数,该函数的带宽是半径h,xi为高维球Sh中所包含的点,k表示Sh中所包含点的个数;
(3b)将中心点移到漂移均值向量所指的地方,并不断迭代,直到漂移均值向量的长度满足设定的长度阈值,此时的中心点就是数据簇的中心;
重复上述步骤(3a)和(3b),直到所有的样本点均被归为某一数据簇;
(3c)将相似度高的数据簇合并组合为一个大的数据簇;
(3d)将杂散在大数据簇周围的小数据簇合并到与之相似度最高的大数据簇中。
另外,在步骤(4)中,匹配算法的具体实现方法可以采用如下步骤:
(4a)设定从GIS设备内部采集的PRPD图谱为第一样本,从GIS设备外部采集的PRPD图谱为第二样本,从所述第一样本中选取一个数据簇,将其与第二样本中的每个数据簇的相似度进行计算;
(4b)筛选出相似度小于设定值r的数据簇,并将其归入到集合α中;
(4c)如果集合α是空集,则判定为所选定的数据簇没有匹配到其他数据簇,则该数据簇被判定为局部放电缺陷信号;如果集合α不是空集,则将该集合α中相似度最高的一对数据簇匹配成对,并将其认定为同源信号;
重复上述步骤(4a)-(4c)以遍历第一样本中的所有数据簇,寻找到所有匹配成对的同源信号。
图2为本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的流程示意图。
如图2所示,为了更好地说明本发明所述基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法的应用情况,在该实施方式中,采用了本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统来执行本发明的方法。需要说明的是,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统包括:第一特高频局部放电传感器、第二特高频局部放电传感器和处理模块。其中,第一特高频局部放电传感器设于气体绝缘组合电器(GIS)设备的内部,且其可以从GIS内部采集局部放电PRPS图谱;第二特高频局部放电传感器设于GIS设备的外部,且其可以从GIS外部采集局部放电PRPS图谱。
而系统中的处理模块可以执行下述步骤:
(1)将成对采集的局部放电PRPS图谱转换为PRPD图谱;
(2)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;
(3)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;
(4)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自第一特高频局部放电传感器采集的数据簇的幅值相对于来自第二特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
(5)滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,所述第一样本为第一特高频局部放电传感器采集的PRPD图谱。
(6)将上述第一样本转换回PRPS图谱。
如图2所示,在该实施方式中,在气体绝缘组合电器(GIS)设备内外分别设置特高频局部放电传感器,以成对地采集GIS设备的局部放电PRPS图谱。而后再将采集到的局部放电PRPS图谱转换为PRPD图谱数据。
相应地,得到相关的PRPD图谱数据后,可以再利用均值漂移聚类算法聚类区分出不同源的数据,即先将PRPD图谱中的脉冲数据点聚类为若干个数据簇,而后对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号。
再将所有同源信号基于接收信号强度进行信号源定位,并且如果在一对同源信号中,来自GIS设备内部设置的特高频局部放电传感器采集的数据簇的幅值相对于来自GIS设备外部设置的特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号,并对其对应的数据簇进行滤除,最终得到滤除脉冲干扰信号的干净缺陷局放信号。
图3示意性地显示了本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的滤除脉冲干扰信号前的PRPS图谱。
图4示意性地显示了本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法在一种实施方式下的滤除脉冲干扰信号后的PRPS图谱。
如图3所示,图3中A表示悬浮干扰,图3中B表示尖端放电。
结合图3和图4可以看出,在本实施方式中,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法可以准确有效的判别局部放电信号中的脉冲干扰信号,去除悬浮干扰A,保留尖端放电B从而为更好地进行局放类型识别提供前提条件。
综上所述可以看出,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法可以通过均值漂移聚类算法,准确有效地对局部放电数据中不同信号源进行区分,能有效判别出信号是否来自设备内部,减少所采集的局部放电数据中的脉冲干扰信号信息。
本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,可以准确有效的判别局部放电信号中的脉冲干扰信号,其可以为更好地进行局放类型识别提供前提条件,能够有效提高智能感知系统的准确性。
相应地,本发明所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统也同样具有上述的优点以及有益效果。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (6)
1.一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其特征在于,包括步骤:
(1)在GIS设备内外分别设置特高频局部放电传感器,以成对地采集GIS设备的局部放电PRPS图谱;
(2)将局部放电PRPS图谱转换为PRPD图谱;
(3)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;其包括步骤:
(3a)在具有N个样本点的PRPD图谱的特征空间中随机选取中心点x,利用核函数计算出以该中心点为中心,半径为h的高维球Sh所包含点集的漂移均值向量
式中,g(||(x-xi)/h||2)是高斯核函数,该函数的带宽是半径h,xi为高维球Sh中所包含的点,k表示Sh中所包含点的个数;
(3b)将中心点移到漂移均值向量所指的地方,并不断迭代,直到漂移均值向量的长度满足设定的长度阈值,此时的中心点就是数据簇的中心;
重复上述步骤(3a)和(3b),直到所有的样本点均被归为某一数据簇;
(3c)将相似度高的数据簇合并组合为一个大的数据簇;
(3d)将杂散在大数据簇周围的小数据簇合并到与之相似度最高的大数据簇中;
(4)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;其包括步骤:
(4a)设定从GIS设备内部采集的PRPD图谱为第一样本,从GIS设备外部采集的PRPD图谱为第二样本,从所述第一样本中选取一个数据簇,将其与第二样本中的每个数据簇的相似度进行计算;
(4b)筛选出相似度小于设定值r的数据簇,并将其归入到集合α中;
(4c)如果集合α是空集,则判定为所选定的数据簇没有匹配到其他数据簇,则该数据簇被判定为局部放电缺陷信号;如果集合α不是空集,则将该集合α中相似度最高的一对数据簇匹配成对,并将其认定为同源信号;
重复上述步骤(4a)-(4c)以遍历第一样本中的所有数据簇,以寻找到所有匹配成对的同源信号;
(5)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自GIS设备内部设置的特高频局部放电传感器采集的数据簇的幅值相对于来自GIS设备外部设置的特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
2.如权利要求1所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其特征在于,还包括步骤(6):滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,所述第一样本为GIS设备内部设置的特高频局部放电传感器采集的PRPD图谱。
3.如权利要求2所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法,其特征在于,还包括步骤(7):将所述第一样本转换回PRPS图谱。
4.一种基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统,其特征在于,包括:
第一特高频局部放电传感器,其设于GIS设备的内部,其从GIS内部采集局部放电PRPS图谱;
第二特高频局部放电传感器,其设于GIS设备的外部,其从GIS外部采集局部放电PRPS图谱;
处理模块,其被设置为执行下述步骤:
(1)将成对采集的局部放电PRPS图谱转换为PRPD图谱;
(2)采用均值漂移聚类算法将PRPD图谱中的脉冲数据点聚类为若干个数据簇;其包括步骤:
(2a)在具有N个样本点的PRPD图谱的特征空间中随机选取中心点x,利用核函数计算出以该中心点为中心,半径为h的高维球Sh所包含点集的漂移均值向量
式中,g(||(x-xi)/h||2)是高斯核函数,该函数的带宽是半径h,xi为高维球Sh中所包含的点,k表示Sh中所包含点的个数;
(2b)将中心点移到漂移均值向量所指的地方,并不断迭代,直到漂移均值向量的长度满足设定的长度阈值,此时的中心点就是数据簇的中心;
重复上述步骤(2a)和(2b),直到所有的样本点均被归为某一数据簇;
(2c)将相似度高的数据簇合并组合为一个大的数据簇;
(2d)将杂散在大数据簇周围的小数据簇合并到与之相似度最高的大数据簇中;
(3)对每对PRPD图谱中的数据簇进行相似度计算,将相似度小于设定的相似度阈值的一对数据簇匹配成对,并将其判定为同源信号;其包括步骤:
(3a)设定第一特高频局部放电传感器采集的PRPD图谱为第一样本,局部放电传感器采集的PRPD图谱为第二样本,从所述第一样本中选取一个数据簇,将其与第二样本中的每个数据簇的相似度进行计算;
(3b)筛选出相似度小于设定值r的数据簇,并将其归入到集合α中;
(3c)如果集合α是空集,则判定为所选定的数据簇没有匹配到其他数据簇,则该数据簇被判定为局部放电缺陷信号;如果集合α不是空集,则将该集合α中相似度最高的一对数据簇匹配成对,并将其认定为同源信号;
重复上述步骤(3a)-(3c)以遍历第一样本中的所有数据簇,以寻找到所有匹配成对的同源信号;
(4)将所有同源信号基于接收信号强度进行定位,并且如果在一对同源信号中来自第一特高频局部放电传感器采集的数据簇的幅值相对于来自第二特高频局部放电传感器采集的数据簇的幅值较小,则将其判定为来自GIS设备外部的脉冲干扰信号。
5.如权利要求4所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统,其特征在于,所述处理模块还执行步骤(5):滤除所有脉冲干扰信号,以获得滤除脉冲干扰信号后的第一样本,所述第一样本为第一特高频局部放电传感器采集的PRPD图谱。
6.如权利要求5所述的基于均值漂移聚类算法判别局部放电脉冲干扰信号的系统,其特征在于,所述处理模块还执行步骤(6):将所述第一样本转换回PRPS图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730635.2A CN111967338B (zh) | 2020-07-27 | 2020-07-27 | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730635.2A CN111967338B (zh) | 2020-07-27 | 2020-07-27 | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967338A CN111967338A (zh) | 2020-11-20 |
CN111967338B true CN111967338B (zh) | 2024-03-15 |
Family
ID=73363013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010730635.2A Active CN111967338B (zh) | 2020-07-27 | 2020-07-27 | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967338B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
CN112698170A (zh) * | 2021-01-18 | 2021-04-23 | 上海格鲁布科技有限公司 | 基于时域波形的特高频局部放电检测抗干扰方法 |
CN113850281B (zh) * | 2021-02-05 | 2024-03-12 | 天翼数字生活科技有限公司 | 一种基于meanshift优化的数据处理方法和装置 |
CN113253066B (zh) * | 2021-04-27 | 2024-01-26 | 国网山东省电力公司烟台供电公司 | 一种局部放电特高频信号prpd/prps图谱相位同步方法 |
CN113985223A (zh) * | 2021-09-24 | 2022-01-28 | 广东电网有限责任公司广州供电局 | 一种高压干式套管的多参量智能识别系统及应用 |
CN114355114B (zh) * | 2021-10-18 | 2022-11-11 | 广东电网有限责任公司 | 一种gis局部放电检测方法、装置、介质及终端设备 |
CN117630611B (zh) * | 2024-01-22 | 2024-04-12 | 南京卓煊电力科技有限公司 | 全带宽高频局放prpd谱图捕获生成方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
CN205484671U (zh) * | 2016-03-23 | 2016-08-17 | 成都锐奕信息技术有限公司 | 一种检测gis局部放电的超高频传感器 |
CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
CN108663608A (zh) * | 2018-07-31 | 2018-10-16 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种多源局部放电信号自动聚类分离方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1393307B1 (it) * | 2009-03-27 | 2012-04-20 | Techimp Technologies S A Ora Techimp Technologies S R L | Dispositivo e procedimento per localizzare scariche parziali. |
-
2020
- 2020-07-27 CN CN202010730635.2A patent/CN111967338B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
CN205484671U (zh) * | 2016-03-23 | 2016-08-17 | 成都锐奕信息技术有限公司 | 一种检测gis局部放电的超高频传感器 |
CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
CN108663608A (zh) * | 2018-07-31 | 2018-10-16 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种多源局部放电信号自动聚类分离方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111967338A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967338B (zh) | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 | |
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
CN116552306B (zh) | 直流桩的监控系统及其方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN117242487A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
US10928436B2 (en) | Evaluation of phase-resolved partial discharge | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
KR102163155B1 (ko) | 중첩 산점도를 이용한 데이터 변환 방법 및 장치 | |
CN114244594A (zh) | 网络流量异常检测方法及检测系统 | |
Guarnizo et al. | EEG single-channel seizure recognition using empirical mode decomposition and normalized mutual information | |
CN117668751A (zh) | 一种高低压电力系统故障诊断方法及装置 | |
Cantzos et al. | Identifying long-memory trends in pre-seismic MHz Disturbances through Support Vector Machines | |
CN113515554A (zh) | 用于不规则采样的时间序列的异常检测方法和系统 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 | |
US20210199707A1 (en) | Method and system for condition monitoring electrical equipment | |
Lin et al. | Identification of the defective equipments in GIS using the self organizing map |
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 |