CN114118130A - 一种变压器局部放电模式识别方法、系统、介质及设备 - Google Patents
一种变压器局部放电模式识别方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN114118130A CN114118130A CN202111146698.4A CN202111146698A CN114118130A CN 114118130 A CN114118130 A CN 114118130A CN 202111146698 A CN202111146698 A CN 202111146698A CN 114118130 A CN114118130 A CN 114118130A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- partial discharge
- data set
- transformer
- ultrasonic signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000002790 cross-validation Methods 0.000 claims abstract description 6
- 241001481710 Cerambycidae Species 0.000 claims description 87
- 230000008878 coupling Effects 0.000 claims description 24
- 238000010168 coupling process Methods 0.000 claims description 24
- 238000005859 coupling reaction Methods 0.000 claims description 24
- 239000013307 optical fiber Substances 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 20
- 238000003909 pattern recognition Methods 0.000 claims description 16
- 230000003750 conditioning effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000012567 pattern recognition method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 244000309464 bull Species 0.000 claims 1
- 230000006698 induction Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 30
- 238000009413 insulation Methods 0.000 description 18
- 239000011087 paperboard Substances 0.000 description 13
- 239000000123 paper Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 229910001220 stainless steel Inorganic materials 0.000 description 5
- 239000010935 stainless steel Substances 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 239000007772 electrode material Substances 0.000 description 2
- 239000003822 epoxy resin Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229920000647 polyepoxide Polymers 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000223679 Beauveria Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 229910001369 Brass Inorganic materials 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000002156 mixing 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
- 238000005498 polishing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种变压器局部放电模式识别方法、系统、介质及设备，包括以下步骤：对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式类别。本发明的识别方法收敛速度提高，分类效果更佳。
Description
技术领域
本发明属于变压器局部放电识别技术领域，具体属于一种变压器局部放电模式识别方法、系统、介质及设备。
背景技术
特高压工程建设是电力系统发展的重要方向，同时其建设过程也对电力系统的稳定运行提出了更大的挑战。电力变压器作为整个电力系统中最重要的电力设备之一，其正常运行是保证电网安全运行的必要条件，因此必须加强对电力变压器运行状态的监测、诊断及评估。
大量故障统计表明，电力变压器的故障多为绝缘问题所造成。当电力变压器局部区域开始出现绝缘劣化时，此时若施加高压，会导致变压器的绝缘局部区域击穿进而产生放电，这种放电现象即为电力变压器的局部放电。电气设备中电介质的不均匀、制造过程中的气泡杂质等都会使设备表面出现高场强区域，易产生局部击穿放电。
局部放电的长期积累会对绝缘介质产生极大的危害，会导致介质分子结构被破坏，周围的绝缘介质被侵蚀，使绝缘材料的性能和寿命大大降低，最终失去绝缘功能。同时研究表明，变压器内部不同的绝缘缺陷类型对其绝缘性能的破坏程度也有很大的不同，为了保证变压器的安全稳定运行，需要对其常见的局部放电类型进行模式识别，从而判断变压器的绝缘状态。
目前，国内外学者已经对模式识别展开深入研究。其中BP神经网络由于其强大的学习能力和非线性映射能力在模式识别领域应用广泛。然而，神经网络样本需求大、收敛速度慢、易陷入局部极值，并且存在过拟合、易发散等问题。针对神经网络的缺点，学者提出了支持向量机算法，与传统的神经网络等算法相比，其遵循的为结构风险最小化原则，对小样本数据的预测分析能力更佳，因此在模式识别领域得到广泛应用。然而，SVM缺点是模型参数选取困难，不同的参数会产生不同的分类效果，因此需要选取合适的模型参数来达到更好的分类效果。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种变压器局部放电模式识别方法、系统、介质及设备，解决目前变压器局部放电类型的模式识别收敛速度慢，分类效果差的问题。
为实现上述目的，本发明提供如下技术方案：一种变压器局部放电模式识别方法，包括以下步骤：
对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；
将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；
将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；
在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式识别。
进一步的，所述局部放电超声信号的去噪过程如下：
选取小波函数，完成小波分解；
确定局部放电超声信号的阈值，基于确定的阈值，采用硬门限或软门限处理小波函数的系数；
基于以上小波函数和阈值对局部放电超声信号进行去噪，采用信噪比和均方根误差衡量去噪结果。
进一步的，所述局部放电超声信号的时域特征参数为：振铃、均方根、方差、绝对积分平均值、峰度和偏度；
所述局部放电超声信号的频域特征参数为中值频率、功率谱最大值和平均功率频率。
进一步的，所述利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g的具体步骤如下：初始化天牛须算法的初始参数并随机生成天牛的初始位置x和速度v；x代表SVM对应的惩罚因子c以及核函数参数g；
根据初始参数计算天牛两须的坐标以及适应度值并获取天牛当前的个体极值和群体极值；
根据初始参数，计算第一学习因子c1和第二学习因子c2以及速度更新权重ωv；
更新天牛的左、右须的坐标xleft、xright，并根据左、右须的适应度值fleft和fright更新个体极值和群体极值；
更新天牛的速度v和位置x，并重新计算各天牛的适应度值；
根据天牛须的初始参数更新天牛步长和天牛须感应长度初始值；
判断是否符合寻优的精度或者大于最大迭代次数，符合其一则寻优结束，否则返回计算第一学习因子c1和第二学习因子c2以及速度更新权重ωv这一步骤；
输出全局最优值fgbest对应的天牛位置xgbest，即支持向量机的最优惩罚因子c和核函数参数g。
进一步的，BSO算法的初始参数为天牛数量s、迭代次数n、天牛步长的初始值step1、步长衰减系数eta_step、步长分辨率step0，天牛触须长度的初始值d1、天牛触长度的衰减系数eta_d、天牛触须长度分辨率d0，天牛速度上限vmax和下限vmin，速度更新权重的上限ωvmax和下限ωvmin，位置更新权重λ。
进一步的，更新天牛的速度v和位置x，并重新计算各天牛的适应度值的具体步骤如下：
天牛速度的更新公式如下：
天牛位置的更新公式如下：
速度变化函数Vterm，由天牛步长和速度决定，计算公式如下：
式中：k为当前迭代次数；ωv为速度更新权重；vi k为第i个天牛在第k次迭代时的速度；r1和r2为(0,1)上的随机数；fpbesti k为第i个天牛在第k次迭代时的个体极值；fgbest k为第k次迭代时的群体极值；
为第i个天牛在第k次迭代时的位置；λ为位置更新权重；Vtermi k+1为第i个天牛在第k+1次迭代时的速度变化函数；step1k为第k次迭代的步长；f(xlefti k)为第i只天牛第k次迭代时左须适应度值；f(xrighi k)为第i只天牛第k次迭代时右须适应度值。
进一步的，根据天牛须的初始参数更新天牛步长和天牛须感应长度初始值的具体步骤如下：
step1 k+1＝step1 k·eta_step+step0
d1 k+1＝d1 k·eta_d+d0
式中，step1 k为第k次迭代的步长；eta_step为步长衰减系数；step0为步长分辨率；d1 k为第k次迭代的天牛触须长度；eta_d为触须长度衰减系数；d0为天牛触须长度分辨率。
进一步的，包括微纳耦合光纤传感器，所述微纳耦合光纤传感器的输入端接光源，所述微纳耦合光纤传感器的输出端连接调理电路，所述调理电路与信号采集与检测系统连接，所述信号采集与检测系统的输出端与上位机连接；
所述光源负责为微纳耦合光纤传感器提供光信号；
所述微纳耦合光纤传感器用于局部放电超声信号的检测，局部放电超声信号作用于传感器时，导致传感器输出的光信号发生改变；
调理电路用于将传感器输出的光信号转化为电信号，并对电信号进行有源滤波和放大处理；
信号采集与检测系统负责接收调理电路输出的电信号，并设定电信号采集阈值、将电信号自动发送到上位机中；
上位机用于对信号采集与检测系统输出的电信号进行存储、去噪、特征提取以及模式识别。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述的方法中的任一方法。
本发明还提供一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据上述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明提供了一种基于BSO-SVM的变压器局部放电类型模式识别方法，BSO应用到SVM分类中，天牛位置对应的SVM算法中的参数c和g。在迭代的过程中，天牛有两种改变自身位置的方法：第一种是每只天牛通过向当前全局最优的天牛位置靠近来不断改变自身的位置，这样可加快寻优速度。第二种是天牛通过判断自身左右须的气味浓度，向气味浓度较大的方向移动来改变位置。因此，BSO通过将个体改进以及群体学习结合起来，同时兼具了两者的优势。相比单纯的个体改进或者群体学习，BSO搜索最优解的速度更快、路径更优，精度也更高，能有效防止陷入局部最优，进而迅速搜寻到全局最优解。在SVM分类应用中，能快速准确的搜寻到最优的c、g值，大大提高了SVM分类的效率和准确度。因此，本发明将粒子群算法与天牛须算法相结合对支持向量机中的惩罚因子c和核参数g进行优化，得到最优参数组合SVM分类器。用最优参数组合的SVM分类器对变压器的油纸绝缘类型进行模式识别，结果表明优化后的分类器具有更高的缺陷识别准确率，且收敛速度也有所提高，分类效果更佳。
附图说明
图1为四种典型油纸绝缘缺陷模型示意图，图1a为针板缺陷模型，图1b为沿面缺陷模型，图1c为悬浮颗粒缺陷模型，图1d为气隙缺陷模型；
图2为局部放电检测试验示意图；
图3为本发明的系统结构示意图；
图4为本发明中微纳耦合光纤传感器置于油箱内壁的结构示意图；
图5为本发明中微纳耦合光纤传感器置于油箱外壁的结构示意图；
图6为BSO-SVM算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
本发明采用支持向量机算法对变压器的局部放电进行模式识别，为了达到更好的模式识别准确度，将粒子群算法与天牛须算法结合起来对支持向量机中的参数进行优化。结果表明，优化后的SVM分类器在模式识别准确度和收敛速度方面都得到了有效提高。
本发明基于BSO-SVM算法的变压器局部放电超声信号类型模式识别方法，包括以下步骤：
(1)根据变压器内部油纸绝缘常见缺陷制作四种不同类型的油纸绝缘缺陷模型。
四种不同类型的油纸绝缘缺陷模型如图1所示，分别为针板缺陷模型、沿面缺陷模型、悬浮缺陷模型和气隙缺陷模型。放电缺陷模型的尺寸均参照标准设计，电极材料为黄铜，对其进行抛光来保证表面的光滑平整。地电极均为板电极，直径为75mm，倒角半径3mm。
图1(a)为针板缺陷模型，用来模拟油纸绝缘结构中极不均匀场的电晕放电，高压电极为一曲率半径为50μm钢针电极，实验时在高压电极和地电极之间放置一直径90mm，厚1mm的圆形绝缘纸板，高压电极距离地电极10mm。
图1(b)为沿面缺陷模型，模拟油纸绝缘结构中强垂直场强分量沿面放电，高压电极为一直径25mm的圆柱电极，该电极未经倒角，实验时在高压电极和地电极之间放置为一直径90mm，厚1mm的圆形绝缘纸板，高压电极距离地电极10mm。
图1(c)为悬浮颗粒缺陷模型，模拟悬浮电位放电，高压电极为一直径75mm的圆柱电极，实验时在高压电极和地电极之间放置为一直径100mm，厚1mm的圆形绝缘纸板，两电极之间距离为1mm。同时在距离高压电极3mm处放置一个三角形铜片来模拟悬浮金属颗粒，厚度为0.3mm，用环氧树脂胶将其固定，为了更好的控制放电部位，将铜片的一个尖角朝向高压电极。
图1(d)为气隙缺陷模型，模拟油纸绝缘中的微小气泡放电，高压电极和地电极一样，为一直径75mm的圆柱。实验时高压电极距离地电极10mm，气隙缺陷模型中的绝缘纸板由三个直径90mm，厚1mm的圆形绝缘纸板构成，中间层油纸板带有直径为20mm的通孔，三层绝缘纸板利用环氧树脂胶紧密粘贴。
以上所用绝缘纸板为厚度1mm的魏德曼绝缘纸板，油中电气强度大于40kV/mm。为保证纸板的光滑平整，实验前必须将其打磨好。纸板先在100℃下经过干燥处理72h，这样不仅可以保证纸板的充分干燥，而且不会破坏其内部结构，然后进行真空浸油，真空度约为10Pa，温度为100℃，持续浸油时间为72h。
(2)在局部放电试验平台中分别对四种缺陷模型产生的局部放电超声信号进行检测，并将检测到的信号通过调理电路和信号采集与检测系统传送至上位机进行处理。
局部放电检测试验示意图如图2所示，不锈钢油箱中装有变压器油，试验中油箱尺寸为400mm×400mm×300mm，壁厚2mm，材料为不锈钢，箱中油的高度250mm。将局部放电缺陷模型浸入变压器油中，用来模拟变压器内部的局部放电环境，并将微纳耦合光纤传感器置于不锈钢容器内壁，用来检测局部放电所产生的超声信号。
其中，局部放电检测试验共包含两套局部放电信号检测系统。一个是微纳耦合光纤传感系统，结构图如图3所示。本发明主要采用该系统进行不同类型的局部放电超声信号检测，该系统主要包括光源，微纳耦合光纤传感器，调理电路，信号采集与检测系统，上位机。微纳耦合光纤传感器输入端接光源，输出端接调理电路，调理电路输出端接信号采集与检测系统，最后将信号采集与检测系统与上位机连接。在进行信号的检测时，光源负责提供光信号；微纳耦合光纤传感器负责完成对信号的检测，当待检测信号作用于传感器时，导致其输出的光信号发生改变；调理电路负责将传感器输出的光信号转化为电信号，并进行有源滤波和合适的放大处理；信号采集与检测系统负责接收调理电路输出的电信号，并设定电信号采集阈值，将电信号自动发送到上位机中；最后上位机负责对调理电路输出的电信号进行存储、去噪、特征提取和模式识别。另外一个是基于LDS-6的脉冲电流信号检测系统，主要用于对比，LDS-6是美国Doble公司生产的局部放电检测系统。图中Z为滤波装置，Ck为耦合电容，Ca为试品电容，Zm为测量阻抗，S为微纳耦合光纤传感器。
在进行局部放电检测试验时，采取的是逐步升压试验法，当LDS-6以及微纳耦合光纤传感系统同时出现稳定的局部放电超声信号时，通过串口通信电路将该信号传送至上位机进行处理。
另外，微纳耦合光纤传感器不同于传统的压电陶瓷传感器，主要以光为载体进行信号的传输，不仅具有体积小、抗电磁干扰能力强等优点，而且有望植入变压器内部进行局部放电检测。为了验证微纳耦合光纤传感器植入变压器内部检测的有效性，将其依次置于不锈钢容器壁的内壁和外壁上，分别检测局部放电所产生的超声信号，试验示意图如图4和图5所示，经试验将传感器置于不锈钢容器内部时的灵敏度更高，因此后续检测局部放电超声信号时都将传感器置于容器内壁。
(3)在上位机中，比较不同小波基函数和不同阈值选取方法对变压器局部放电超声信号的去噪结果，选择去噪效果最佳的小波基函数和阈值选取方法对信号进行去噪。
小波去噪的主要步骤为：
(1)进行小波函数的选择，完成小波分解；
(2)选取适当的阈值，对小波系数进行处理；
(3)对信号进行小波重构。
1)小波函数的选取
常用的小波函数有dbN、coifN和symN等。N指的是消失矩，主要根据不同信号的陡度来选择。对于平缓的信号，消失矩N所选阶数应稍大一些，一般可选范围是4-8；而对于变化剧烈的信号来说，消失矩N一般不超过4。
2)阈值的选取
①无偏风险估计准则(rigrsure)：其计算方法为，首先把信号x(i)中的每一个元素进行绝对值运算，并且按照由小到大的顺序排列这些元素，再分别进行平方得到新的信号序列，即：
f(k)＝(sort(|s|))2(k＝0,1,2…,N-1) (1’)
将f(k)的平方根设为阈值时，即λ为：
则该阈值产生的风险为：
根据上面求得的风险曲线，若风险最小值点所对应的kmin，则阈值可以定义为：
②固定阈值准则(sgtwolog)：设n为小波系数的向量长度，则对应阈值为：
③混合阈值准则(heursure)：它是将无偏风险估计准则与固定阈值准则结合起来，具体选择方法是，首先计算crit和eta两个变量值，具体计算方法如下列公式所示，然后判断crit和eta参数值的大小，若crit较大，则用sgtwolog作为阈值，相反则选rigrsure阈值和sgtwolog阈值中较小的作为阈值：
④极大极小阈值准则(minimaxi)，其阈值计算公式为：
3)小波系数的处理
确定好阈值之后，用硬门限或者软门限处理小波系数，设c为小波系数，λ为设定的阈值，硬阈值函数如式(9’)所示，软阈值函数如式(10’)所示。
4)小波去噪结果分析
可采用信噪比(SRN)和均方根误差(RMSE)两个参数来对局部放电信号的去噪结果进行衡量，其中RMSE越小、SRN越大，则说明去噪效果越好，两个参数的表达式分别如下式所示：
(4)从时域和频域上对局部放电超声信号进行特征提取。
1)时域特征参数选择：
振铃技术：超声波信号产生时，在规定的时间内，如果其幅值超过前叙所设阈值一次，记为一个振铃。
均方根RMS：
方差VAR：
绝对积分平均值AVA：
峰度BK：
偏度BS：
其中：N为采样数；Xi为第i个采样点的幅值；RMS为均方根；X-为样本平均值，VAR表示信号的方差；AVA为绝对积分平均值；sd为样本的标准差；BK表示信号的峰度；BS表示信号的偏度；
2)频域特征参数选择：首先利用傅里叶变换将时域的局部放电超声信号转换到频域，计算频率谱密度，再进行频域特征参数的计算。则：
频率谱密度Psd：
中值频率MF：
功率谱最大值MPS：
MPS＝max[Psd(f)],f∈(1，N) (20’)
平均功率频率MPF：
其中：N为采样点数；F(f)为信号经过傅里叶变换后的频域表达式；Psd(f)为功率谱密度；MF为中值频率；MPS为功率谱最大值；N为采样点数；MPF为平均功率频率。
(5)利用粒子群算法(PSO)与天牛须算法(BAS)结合形成的BSO算法对支持向量机(SVM)中的惩罚因子c和核参数g进行优化，得到SVM分类器的最优参数组合，并根据局部放电超声信号提取的时域和频域特征参数对油纸绝缘缺陷模型进行模式识别。在本实施例中，设定缺陷类型：将针板缺陷标记为A、将沿面缺陷标记为B、将悬浮缺陷标记为C、将气隙缺陷标记为D。
每种局部放电类型分别采集180组局部放电信号，每种放电类型选取140组数据用于训练，40组数据用于测试。采用RBF核函数，一对一分类法，5-折交叉验证法，根据得到的最优参数组合SVM模式分类器归纳各待识别样本的分类归属。
算法流程图如图6所示，具体过程如下：
步骤1：初始化各参数，BSO算法的初始参数为天牛数量s、迭代次数n、天牛步长的初始值step1、步长衰减系数eta_step、步长分辨率step0，天牛触须长度的初始值d1、天牛触长度的衰减系数eta_d、天牛触须长度分辨率d0，天牛速度上限vmax和下限vmin，速度更新权重的上限ωvmax和下限ωvmin，位置更新权重λ。
步骤2：随机生成天牛的初始位置x和速度v。x即为SVM对应的惩罚因子c以及核函数参数g；
步骤3：根据天牛须算法的初始参数计算天牛两须的坐标以及适应度值并获取天牛当前的个体极值和群体极值；
步骤4：根据设定的初始参数，计算学习因子c1、c2和速度更新权重ωv；
式中：c1是第一学习因子；c2是第二学习因子；k为当前迭代次数，n为设定的迭代总次数。ωv为速度更新权重；ωvmax为设定的速度更新权重的最大值；ωvmin为设定的速度更新权重的最小值；
步骤5：更新天牛的左、右须的坐标xleft、xright，并根据左、右须的适应度值fleft和fright更新个体极值和群体极值
天牛两须坐标为：
个体极值为：
fpbest＝max(fxleft,fxright)
群体极值为：
fgbest＝max[fpbest(1),fpbest(2),…fpbest(i)]
式中，xleft和xright分别为天牛左右两须坐标；xi k为第i只天牛第k次迭代时的位置；vi k为第i只天牛第k次迭代时的速度；d1 k为第k次迭代时天牛的触须长度；fxleft为左须适应度值；fxright为右须适应度值；fpbest为每只天牛的个体极值；fgbest为天牛群的群体极值；fpbest(i)为第i只天牛的个体极值。
步骤6：更新天牛的速度v和位置x，并重新计算各天牛的适应度值；
天牛速度的更新公式如下：
天牛位置的更新公式如下：
速度变化函数Vterm，由天牛步长和速度决定，计算公式如下：
步骤7：判断是否符合寻优的精度或者大于最大迭代次数，符合其一就寻优结束，否则返回步骤4；
步骤8：输出全局最优值fgbest对应的天牛位置xgbest,即支持向量机的最优惩罚因子c和核函数参数g，在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式类别。
根据所述的基于BSO-SVM算法的变压器局部放电超声信号模式识别方法，首先采集变压器油纸绝缘缺陷模型产生的局部放电超声信号，再进行小波去噪和特征提取，最后根据特征参数进行模式识别。设置天牛群数量s为10，迭代次数n为200。天牛步长的初始值step1为10，步长衰减系数eta_step为0.95，天牛触须长度的初始值为2，天牛触长度的衰减系数eta_d为0.95，天牛速度的上限vmax和下限vmin分别为5和-5，速度更新权重的上限ωvmax和下限ωvmin分别为0.9和0.4，位置更新权重λ为0.4。最终利用BSO-SVM算法求得的最优惩罚因子c＝135.61，核函数参数g＝20.49，交叉验证的准确率为91.71％，测试集模式识别准确率为92.5％(148/160)，证明了该方法的有效性。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于变压器局部放电模式识别方法的操作，包括：
对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；
将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；
将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；
在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式类别。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关变压器局部放电模式识别方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；
将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；
将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；
在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式类别。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求所述的保护范围为准。
Claims (10)
1.一种变压器局部放电模式识别方法，其特征在于，包括以下步骤：
对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；
将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；
将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；
在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式识别。
2.根据权利要求1所述的一种变压器局部放电模式识别方法，其特征在于，所述局部放电超声信号的去噪过程如下：
选取小波函数，完成小波分解；
确定局部放电超声信号的阈值，基于确定的阈值，采用硬门限或软门限处理小波函数的系数；
基于以上小波函数和阈值对局部放电超声信号进行去噪，采用信噪比和均方根误差衡量去噪结果。
3.根据权利要求1所述的一种变压器局部放电模式识别方法，其特征在于，所述局部放电超声信号的时域特征参数为：振铃、均方根、方差、绝对积分平均值、峰度和偏度；
所述局部放电超声信号的频域特征参数为中值频率、功率谱最大值和平均功率频率。
4.根据权利要求1所述的一种变压器局部放电模式识别方法，其特征在于，所述利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g的具体步骤如下：
初始化天牛须算法的初始参数并随机生成天牛的初始位置x和速度v；x代表SVM对应的惩罚因子c以及核函数参数g；
根据初始参数计算天牛两须的坐标以及适应度值并获取天牛当前的个体极值和群体极值；
根据初始参数，计算第一学习因子c1和第二学习因子c2以及速度更新权重ωv；
更新天牛的左、右须的坐标xleft、xright，并根据左、右须的适应度值fleft和fright更新个体极值和群体极值；
更新天牛的速度v和位置x，并重新计算各天牛的适应度值；
根据天牛须的初始参数更新天牛步长和天牛须感应长度初始值；
判断是否符合寻优的精度或者大于最大迭代次数，符合其一则寻优结束，否则返回计算第一学习因子c1和第二学习因子c2以及速度更新权重ωv这一步骤；
输出全局最优值fgbest对应的天牛位置xgbest，即支持向量机的最优惩罚因子c和核函数参数g。
5.根据权利要求4所述的一种变压器局部放电模式识别方法，其特征在于，BSO算法的初始参数为天牛数量s、迭代次数n、天牛步长的初始值step1、步长衰减系数eta_step、步长分辨率step0，天牛触须长度的初始值d1、天牛触长度的衰减系数eta_d、天牛触须长度分辨率d0，天牛速度上限vmax和下限vmin，速度更新权重的上限ωvmax和下限ωvmin，位置更新权重λ。
6.根据权利要求4所述的一种变压器局部放电模式识别方法，其特征在于，更新天牛的速度v和位置x，并重新计算各天牛的适应度值的具体步骤如下：
天牛速度的更新公式如下：
天牛位置的更新公式如下：
速度变化函数Vterm，由天牛步长和速度决定，计算公式如下：
式中：k为当前迭代次数；ωv为速度更新权重；vi k为第i个天牛在第k次迭代时的速度；r1和r2为(0,1)上的随机数；fpbesti k为第i个天牛在第k次迭代时的个体极值；fgbest k为第k次迭代时的群体极值；Xi k为第i个天牛在第k次迭代时的位置；λ为位置更新权重；Vtermi k+1为第i个天牛在第k+1次迭代时的速度变化函数；step1k为第k次迭代的步长；f(xlefti k)为第i只天牛第k次迭代时左须适应度值；f(xrighi k)为第i只天牛第k次迭代时右须适应度值。
7.根据权利要求4所述的一种变压器局部放电模式识别方法，其特征在于，根据天牛须的初始参数更新天牛步长和天牛须感应长度初始值的具体步骤如下：
step1 k+1＝step1 k·eta_step+step0
d1 k+1＝d1 k·eta_d+d0
式中，step1 k为第k次迭代的步长；eta_step为步长衰减系数；step0为步长分辨率；d1 k为第k次迭代的天牛触须长度；eta_d为触须长度衰减系数；d0为天牛触须长度分辨率。
8.实现权利要求1-7任意一项所述的一种变压器局部放电模式识别方法的系统，其特征在于，包括微纳耦合光纤传感器，所述微纳耦合光纤传感器的输入端接光源，所述微纳耦合光纤传感器的输出端连接调理电路，所述调理电路与信号采集与检测系统连接，所述信号采集与检测系统的输出端与上位机连接；
所述光源负责为微纳耦合光纤传感器提供光信号；
所述微纳耦合光纤传感器用于局部放电超声信号的检测，局部放电超声信号作用于传感器时，导致传感器输出的光信号发生改变；
调理电路用于将传感器输出的光信号转化为电信号，并对电信号进行有源滤波和放大处理；
信号采集与检测系统负责接收调理电路输出的电信号，并设定电信号采集阈值，将电信号自动发送到上位机中；
上位机用于对信号采集与检测系统输出的电信号进行存储、去噪、特征提取以及模式识别。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111146698.4A CN114118130B (zh) | 2021-09-28 | 2021-09-28 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111146698.4A CN114118130B (zh) | 2021-09-28 | 2021-09-28 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114118130A true CN114118130A (zh) | 2022-03-01 |
| CN114118130B CN114118130B (zh) | 2024-04-05 |
Family
ID=80441682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111146698.4A Active CN114118130B (zh) | 2021-09-28 | 2021-09-28 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118130B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
| CN112033689A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于baso—svm的汽轮机振动故障诊断方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
-
2021
- 2021-09-28 CN CN202111146698.4A patent/CN114118130B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
| CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
| CN112033689A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于baso—svm的汽轮机振动故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张建文;王恩俊;陈焕栩;王曼;丁冬;: "基于自回归模型和超球面支持向量机的局部放电模式识别", 电工电能新技术, no. 09 * |
| 胡晓黎;张皓;段玉兵;杨波;孙晓斌;: "基于参数优化SVM算法的交联电缆局部放电模式识别", 电气应用, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114118130B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104090214B (zh) | 一种电缆故障检测及老化分析方法 | |
| Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
| CN109507554B (zh) | 一种电气设备绝缘状态评估方法 | |
| CN110675712B (zh) | 一种电力电缆振荡波局部放电检测实操培训系统 | |
| CN108120907B (zh) | 一种基于工频至低频电压下特征提取的局部放电诊断方法 | |
| CN103592529A (zh) | 一种基于低温脉冲的xlpe电缆绝缘老化评估方法 | |
| CN107727749B (zh) | 一种基于小波包融合特征提取算法的超声定量检测方法 | |
| Soomro et al. | Study on different techniques of partial discharge (PD) detection in power transformers winding: Simulation between paper and EPOXY resin using UHF method | |
| Lin et al. | Optimized denoising method for weak acoustic emission signal in partial discharge detection | |
| CN115951185A (zh) | 绝缘子闪络检测方法、装置、电子设备及存储介质 | |
| CN114118130A (zh) | 一种变压器局部放电模式识别方法、系统、介质及设备 | |
| CN116124903B (zh) | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 | |
| CN112285435A (zh) | 一种大功率磁场辐射源的等效模拟方法 | |
| Xie et al. | Statistical analysis of radio interference of 1000 kV UHV AC double-circuit transmission lines in foul weather | |
| CN116910648A (zh) | Gis设备局部放电图谱分析方法、系统及介质 | |
| CN110567487A (zh) | 一种激光陀螺可靠性测试系统及方法 | |
| CN115684855A (zh) | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 | |
| CN115389816A (zh) | 一种电网谐波与间谐波的检测方法 | |
| CN114062966A (zh) | 一种基于改进果蝇优化算法的接地网腐蚀故障诊断方法 | |
| Zhang et al. | Defect reconstruction from magnetic flux leakage measurements employing modified cuckoo search algorithm | |
| CN109684308B (zh) | 一种基于模式搜索的电磁环境参数一致性清理方法及装置 | |
| CN117665503A (zh) | 基于som的电力电缆多参量老化评估方法与系统 | |
| CN113627051B (zh) | 一种重力异常场分离方法、系统、存储介质和电子设备 | |
| Ho et al. | Fundamental Study on Condition Assessment of Insulating Material using Deep Learning based on Waveform Characteristics of Partial Discharge | |
| CN219068167U (zh) | 一种涂层传感器的差分放大电路 |
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 |