CN115840120B - 一种高压电缆局放异常监测及预警方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种高压电缆局放异常监测及预警方法，所述方法包括：采集得到局部放电信号，根据局部放电信号中的每相信号得到每相信号各极值点与其他各相信号各极值点之间的匹配程度；根据所述匹配程度得到基于其他相的各相信号的多个区间段；根据所述多个区间段得到每相信号区间段中各极值点在其他相信号区间段中的匹配点；根据所述匹配点得到每相信号各极值点的参考权重；基于LMD算法根据所述参考权重对每相信号进行去噪处理得到去噪后的每段局部放电信号；根据去噪后的每段局部放电信号进行异常检测，根据异常检测结果做出预警措施，从而实现去除局部放电信号中的噪声干扰，提高高压电缆局部放电异常检测的准确性。

Description

一种高压电缆局放异常监测及预警方法

技术领域

本申请涉及数据处理领域，具体涉及一种高压电缆局放异常监测及预警方法。

背景技术

通过布置高压电缆局部放电信号采集装置采集局部放电信号，由于在采集过程中，局部放电信号受到许多噪声的干扰会导致严重变形，进而导致异常监测结果出现较大的偏差。LMD（Local Mean Decomposition）是一种将复杂的非平稳信号分解成一系列PF分量的算法，广泛应用于信号去噪方面，在非平稳监测信号数据相较于EMD算法有着明显的优势。其中LMD分解信号的性能取决于每次迭代过程中局部均值函数和包络估计函数的获取，而对于局部均值函数和包络估计函数的获取取决于采集信号的极值点，而传统的LMD算法中采用滑动平均的方法对局部均值函数和包络估计函数进行处理会造成信号的局部特征信息丢失，因此亟待一种根据采集的局部放电信号的分布特征进行自适应LMD算法信号分解。

发明内容

为了解决上述技术问题，本发明提供一种高压电缆局放异常监测及预警方法，所述系统包括：

获取得到多段局部放电信号，每段局部放电信号是由三相信号构成；

根据多段局部放电信号获取三相信号的所有极值点，获取每相信号中每个极值点处的趋势序列；根据每相信号各极值点处的趋势序列与其他各相信号各极值点处的趋势序列的相似性得到每相信号各极值点与其他各相信号各极值点之间的趋势相似度，根据每相信号各极值点与其他各相信号各极值点之间在排除噪声下的信号相似情况得到每相信号各极值点与其他各项信号各极值点之间的噪声影响下的信号相似度，将所述趋势相似度和在噪声影响下的信号相似度的乘积作为每相信号各极值点与其他各相信号各极值点的匹配程度；

根据每相信号各极值点与其他各相信号各极值点的匹配程度得到基于其他相的各相信号的多个区间段；根据基于其他相的各相信号的多个区间段得到每相信号区间段与其他相信号匹配区间段；根据每相信号区间段与其他相信号匹配区间段得到每相信号区间段中各极值点在其他相信号区间段中的匹配点；根据每相信号区间段中各极值点在其他相信号区间段中的匹配点得到每相信号各极值点的参考权重；基于LMD算法根据各相信号中各极值点的参考权重对每相信号进行去噪处理得到去噪后的每段局部放电信号；

根据去噪后的每段局部放电信号进行异常检测，根据异常检测结果做出预警措施。

优选的，所述获取每相信号中每个极值点处的趋势序列，包括的具体步骤为：

在每相信号上获取每个极值点的第一区间段，利用STL时间序列分割算法对每相信号每个极值点的第一区间段进行处理得到每相信号每个极值点的趋势序列。

优选的，所述根据每相信号各极值点处的趋势序列与其他各相信号各极值点处的趋势序列的相似性得到每相信号各极值点与其他各相信号各极值点之间的趋势相似度，包括的具体步骤为：

将每相信号各极值点的趋势序列与其他相信号各极值点的趋势序列相同位置上的两点构成一个点对得到每相信号各极值点的趋势序列与其他相各极值点的趋势序列的多个点对；

将三相信号中任意两相信号分别记为A相信号和B相信号；

A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度的计算公式为：

；

其中，表示A相信号第i个极值点的趋势序列，表示B相信号第j个极值点的趋势序列，表示趋势序列与趋势序列的点对个数；表示趋势序列与趋势序列的第个点对之间的欧式距离；表示趋势序列与趋势序列的第个点对之间的欧式距离，表示A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度；

计算出每相信号各极值点与其他相信号各极值点之间的趋势相似度。

优选的，所述根据每相信号各极值点与其他各相信号各极值点之间在排除噪声下的信号相似情况得到每相信号各极值点与其他各项信号各极值点之间的噪声影响下的信号相似度，包括的具体步骤为：

获取每相信号上所有极值点处的信号值，通过对每相信号上所有极值点处的信号值进行统计分析得到每相信号的极值点概率分布函数；

A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度的计算公式为：

；

；

其中，表示相信号的第i个极值点的信号值，表示相信号的第j个极值点的信号值，表示局部放电信号噪声影响函数，表示A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度，表示防零系数；X为相位变量，X可以取A和B，q为极值点变量，q可以取i和j，表示X相信号的第q个极值点的信号值，表示X相信号的极值概率分布函数的均值，表示X相信号的极值点概率分布函数的方差；

得到每相信号各极值点与其他各相信号各极值点之间的噪声影响下的信号相似度。

优选的，所述根据每相信号各极值点与其他各相信号各极值点的匹配程度得到基于其他相的各相信号的多个区间段，包括的具体步骤为：

获取与每相信号中各极值点匹配程度最大的其他每相信号的极值点作为基于其他相的各相信号中各极值点的最佳匹配点，获取每相信号中与最佳匹配点的匹配程度大于预设匹配程度阈值的极值点作为基于其他相的各相信号的信号分界点，基于其他相的各相信号的所有信号分界点将每相信号分割成多个区间段作为基于其他相的各相信号的多个区间段。

优选的，所述根据基于其他相的各相信号的多个区间段得到每相信号区间段与其他相信号匹配区间段，包括的具体步骤为：

每相信号区间段由两个信号分界点分割得到，获取每相信号区间段的每个信号分界点的最佳匹配点，两个信号分界点的最佳匹配点分割其他相信号得到的区间段作为每信号区间段与其他相信号匹配区间段。

优选的，所述根据每相信号区间段与其他相信号匹配区间段得到每相信号区间段中各极值点在其他相信号区间段中的匹配点，包括的具体步骤为：

将每相信号区间段与其他相匹配区间段中各点的匹配程度代替信号值差值，利用DTW算法来实现每相信号区间段与其他相匹配区间段中各点的匹配，得到每相信号区间段中各极值点在其他相匹配区间段中的匹配点。

优选的，所述根据每相信号区间段中各极值点在其他相信号区间段中的匹配点得到每相信号各极值点的参考权重，包括的具体步骤为：

将每相信号区间段内各极值点与其他相信号的匹配点作为基于其他相的每相信号区间段的一个匹配点对，得到基于其他相的每相信号区间段的多个匹配点对；

基于其他相的每相信号区间段中的极值点包括信号分割点和普通极值点两种类型的极值，获取这两种类型的各极值点的参考权重，包括：

确定基于其他相的每相信号区间段中各信号分割点的参考权重；将基于其他相的每相信号区间段中各普通极值点与其他相信号的匹配点之间的信号值差值绝对值作为基于其他相的每相信号区间段中各普通极值点参考权重；

每相信号各极值点基于其他两相信号均得到一个参考权重，将每相信号各极值点基于其他两相信号得到的两个参考权重均值作为每相信号各极值点的综合参考权重。

优选的，所述确定基于其他相的每相信号区间段中各信号分割点的参考权重，包括的具体步骤为：

将三相信号中任意两相信号分别记为A相信号和B相信号；

基于B的A相信号各区间段中的各信号分割点的参考权重的计算公式为：

；

其中，表示基于B的A相信号中第区间段第m个匹配点对中两点的信号值差值绝对值，M表示基于B的A相信号中第区间段中包含匹配点对的数量，表示基于B的A相信号各区间段中的各信号分割点的参考权重；

由于基于B的A相信号的一个信号分割点对应两个区间段，每个对应区间段可以求得一个信号分割点的参考权重，将对应两个区间段求的参考权重的均值作为基于B的A相信号的每个信号分割点的参考权重；

得到基于其他相的每相信号的各区间段中各信号分割点的参考权重。

优选的，所述根据去噪后的每段局部放电信号进行异常检测，包括的具体步骤为：

利用数理统计方法获取每段局部放电信号的偏斜度、陡坡度和互相关系数，相关专家通过对每段局部放电信号的偏斜度、陡坡度和互相关系数进行分析得到每段局部放电信号的偏斜度、陡坡度和互相关系数的异常等级，并完成所有段局部放电信号的偏斜度、陡坡度和互相关系数的标注处理，将所有段带标签的局部放电信号的偏斜度、陡坡度和互相关系数构成数据集；

构建一个BP神经网络，网络的输入为每段局部放电信号的偏斜度、陡坡度和互相关系数，网络的输出为每段局部放电信号的预测的异常等级，网络的损失函数为交叉熵损失函数，利用数据集中所有数据对网络进行训练，得到训练完成的网络；

将新采集的局部放电信号的偏斜度、陡坡度和互相关系数输入到训练完成的网络中得到局部放电信号的异常等级。

本发明实施例至少具有如下有益效果：传统的LMD算法在分解高压电缆局部放电信号的过程中，由于受到噪声的影响，若仅根据相邻极值点之间的信号的平均值来获取局部均值函数和包络估计函数，会使得许多高压电缆局部放电信号的特征信息丢失较多，产生较多的误差。因此本实施例中根据高压电缆局部放电信号的三相分布特征，通过不同相之间的极值点进行匹配，根据匹配的极值点进行原始信号的区间的划分，并根据划分后的区间的不同相位的波动幅值之间的差异性来表征每个极值点的参考权重值，并根据获取的极值点的参考权重值，进行加权滑动平均来获取局部均值函数以及包络估计函数，进而使得LMD算法划分的PF分量更加准确，进而使得去噪的效果更加好，减少了特征信息的损失，保证了异常监测及预警结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种高压电缆局放异常监测及预警方法的流程图；

图2为本发明提供的高压电缆局部放电信号采集系统的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种高压电缆局放异常监测及预警方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种高压电缆局放异常监测及预警方法的具体方案。

请参阅图1，其示出了本发明的一个实施例提供的一种高压电缆局放异常监测及预警方法的步骤流程图，该方法包括以下步骤：

步骤S001，布置高压电缆局部放电信号采集系统采集多段局部放电信号。

在高压电缆周围为布置局部放电信息采集系统，高压电缆局部放电信号采集系统包括相位传感器、高频电流互感器以及高频局放采集器等，具体参考图2，利用局部放电信息采集系统采集得到多段局部放电信号，每段局部放电信息由三相信号构成，分别记为A相信号、B相信息号和C相信号。

步骤S002，根据每段局部放电信号得到每相信号的多个极值点，计算每相信号的各极值点与其他相信号各极值点之间的匹配程度。

LMD分解信号的性能取决于每次迭代过程中局部均值函数和包络估计函数的获取，而对于局部均值函数和包络估计函数的获取取决于采集信号的极值点，而传统的LMD算法中每个极值点的权重值相同，采用滑动平均的方法对局部均值函数和包络估计函数进行处理会造成信号的局部特征信息丢失。没有考虑到每个极值点处受噪声影响的不同，造成每个极值点信号的真实性不同，因而需根据每个极值点的真实性情况来设置每个极值点的参考权重。

当局部放电信号为真实信号时，即不受噪声影响时的信号，局部放电信号的三相信号之间的匹配值较高，但当局部放电信号受噪声影响时，会造成局部放电信号中一些极值点处受造成影响，使得这些极值点处的三相信号之间的匹配值降低，因而可以通过分析局部放电信号中各极值点的匹配情况设置各极值点的参考权重。

在根据极值点的匹配情况设置各极值点的参考权重时，需获取每相信号与其他各相信号对应的区间段，只有得到准确的得到每相信号与其他各项信号对应的区间段才能准确的分析区间段内对应极值点之间的匹配情况，由于无法确定局部放电信号中每相信号中的每段信号与其他各相信号中每段信号的匹配关系，因而需分析每相信号中各极值点与其他各极值点之间的匹配程度，具体如下：

每相信号各极值点与其他各相信号各极值点之间的匹配程度可用两极值点处的趋势相似性和两极值点之间的噪声影响下的信号相似度来反映，其中两极值点处的趋势相似性反映两极值点处的趋势相似性情况，两极值点之间的噪声影响下的信号相似度反映排除噪声影响后两点之间的信号相似情况。

为了便于描述，以A相信号第i个极值点与B相信号第j个极值点之间的匹配程度为例来说明。

1、获取每段局部放电信号中每相信号的多个极值点：

分别获取A相信号、B相信息号和C相信号的极值点。

2、计算每相信号各极值点与其他各相信号各极值点的趋势相似度：

 (1)获取A相信号第i个极值点的趋势序列和B相信号第j个极值点的趋势序列：

在A相信号上获取之间的区间段作为A相信号第i个极值点的第一区间段，其中表示A相信号的第i个极值点的横坐标，Z为预设范围，本实施例预设范围Z取20，其他实施例中实施者可根据实际设置，在B相信号上获取之间的区间段作为B相信号第j个极值点的第一区间段,利用STL时间序列分割算法对A相信号第i个极值点的第一区间段和B相信号第i个极值点的第一区间段进行处理得到A相信号第i个极值点的趋势序列和B相信号第j个极值点的趋势序列。

(2)利用A相信号第i个极值点的趋势序列和B相信号第j个极值点的趋势序列计算A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度：

将趋势序列与趋势序列中相同位置上的两点构成一个点对得到趋势序列与趋势序列的多个点对；

A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度的计算公式为：

；

其中，表示趋势序列与趋势序列的点对个数；表示趋势序列与趋势序列的第个点对之间的欧式距离；表示趋势序列与趋势序列的第个点对之间的欧式距离，该值越大，则表明两个趋势分布曲线的分布差异越大，这两个极值点处信息相似性越小，表示A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度。

3、计算A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度：

其中A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度是反应两极值点处的趋势相似度情况，为准确的反映A相信号第i个极值点与B相信号第j个极值点之间的相似性情况，还需分析A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度，具体如下：

由于采集的高压电缆的局部放电信号近似服从正态分布，并且噪声主要属于“小概率事件”，因此本案根据正态分布中的“法则”，计算A相信号第i个极值点与B相信号第j个极值点的噪声相似度，具体如下：

获取A相信号上所有极值点处的信号值，通过对A相信号上所有极值点处的信号值进行统计分析得到A相信号的极值点概率分布函数，同理得到B相信号的极值点概率分布函数，根据A相信号的极值点概率分布函数得到A相信号的极值点取值均值和取值方差，同理得到B相信号的极值点取值均值和取值方差，根据每相信号的极值点处的取值特征可得到每相信号的极值点概率分布函数符合正态分布特征。

 A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度的计算公式为：

；

；

式中，表示相信号的第i个极值点的信号值，表示相信号的第j个极值点的信号值，表示局部放电信号噪声影响函数，、分别表示A相第i个极值点处信号受噪声影响下的信号值情况和B相第j个极值点处受噪声影响下的信号情况，表示A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度，该值越大说明两个极值点之间的受噪声影响下的信号相似度越高，表示防零系数，本实施例中取0.00001，其他实施例可根据实际设置。X为相位变量，X可以取A和B，q为极值点变量，q可以取i和j，表示X相信号的第q个极值点的信号值，表示X相信号的极值点取值均值，表示X相信号的极值点取值方差，根据法则，处于之间的数据的真实性较大，将处于之间的数据的噪声影响函数值设置为原信息值，处于之外的数据受噪声影响较大,真实性较差，并且数据取值偏离中心，因而根据数据的偏心性特征将数据的影响函数值设置为，表示A相信号的第i个极值点与相信号的第j个极值点的在噪声影响下的信号差异，该值越大说明这两个极值点处在噪声影响下的信号差异越大，因而这两个极值点在噪声影响下的相似度越小。

4、计算A相信号第i个极值点与B相信号第j个极值点的匹配程度：

；

其中，表示A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度，该值越大说明两个极值点处的趋势相似度越大；表示A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度，该值越大说明两个极值点之间受噪声下的信号值差异越小，即两极值点之间受噪声影响下的信号相似度越大, 表示A相信号第i个极值点与B相信号第j个极值点之间的匹配程度。

同理得到A相信号各极值点与B相信号各极值点之间的匹配程度，同理得到三相信号中任意两相信号极值点之间的匹配程度。

步骤S003，根据每相信号的各极值点与其他相信号各极值点之间的匹配程度得到基于其他相每相信号的多个区间段，根据基于其他相每相信号的多个区间段得到每相信号各区间段各极值点的其他相匹配点，根据每相信号各区间段各极值点的其他相匹配点得到每相信号各极值点的参考权重值，根据各极值点的参考权重值对每段局部放电信息进行去噪处理得到去噪后的每段局部放电信息。

由于要获取各极值点的参考权重，需分析每相中各极值点与其他相各极值点相似性情况，极值点与其他相的相似性越大说明该极值点受噪声影响越小，为了准确分析各极值点与其他相各极值点的相似性情况，需获得各极值点与其他相极值点的对应关系。当每相信号不受噪声影响时，每相信号会呈现正弦或余弦变化，这时很容易获取相间各极值点之间的对应关系，但是由于每相信号受噪声影响会导致每相信号中会存在一些其他波动，导致很难获取相间极值点的对应关系，而正常情况下，相较于其他极值点，真实信号的极值点与对应极值点的匹配程度较大，因而利用一些匹配程度大极值点来划分区间段，进而实现相间区间段的匹配，然后基于区间段的匹配基础上，分析匹配区间段内部各极值点之间的对应关系，找出极值点之间的对应关系基础上获取各极值点的参考权重，具体实现过程如下：

为了便于描述，以基于B的A相信号的各极值点的参考权重的实现过程为例来说明。

1、获取基于B的A相信号的区间段：

利用S002中所述方法计算A相信号中各极值点与B相信号中各极值点之间的匹配程度，获取与A相信号中各极值点匹配程度最大的B相信号的极值点作为基于B的A相信号中各极值点的最佳匹配点，获取A相信号中与最佳匹配点的匹配程度大于预设匹配程度阈值的极值点作为基于B的A相信号的信号分界点，基于B的A相信号的所有信号分界点将A相信号分割成多个区间段作为基于B的A相信号的多个区间段，同理得到基于A的B相信号的多个区间段。

2、获取A相信号各区间段的B相匹配区间段：

A相信号各区间段由两个信号分界点分割得到，获取A相信号各区间段的每个信号分界点的最佳匹配点，两个信号分界点的最佳匹配点分割B相信号得到区间段作为A信号各区间段的B相匹配区间段。

3、获取A相信号各区间段各极值点的B相匹配点：

传统的DTW算法，以A相信号各区间段与B相匹配区间段中各点的信号值差值实现A相信号各区间段与B相匹配区间段中各点的匹配，在本实施例中，将A相信号各区间段与B相匹配区间段中各点的匹配程度代替信号值差值来实现A相信号各区间段与B相匹配区间段中各点的匹配，将该方法称为自适应DTW算法。利用自适应DTW算法对A相信号各区间段与B相匹配区间段进行处理，得到A相信号各区间段中各极值点在B相匹配区间段中的匹配点，记为A相信号各区间段中各极值点的B相匹配点，将A相信号各区间段内各极值点与B相匹匹配点作为基于B的A相信号的一个匹配点对，得到基于B的A相信号各区间段的多个匹配点对。

4、计算基于B的A相信号各区间段中各极值点的参考权重：

将基于B的A相信号的各区间段中除信号分割点之外的极值点称为普通极值点，因而基于B的A相信号各区间段中的极值点包含信号分割点和普通极值点两种类型的极值点，下面分别研究这两种类型的极值点的参考权重；

(1)基于B的A相信号各区间段中的各信号分割点的参考权重为：

；

其中，表示基于B的A相信号中第区间段第m个匹配点对中两点的信号值差值绝对值，M表示基于B的A相信号中第区间段中包含匹配点对的数量，表示基于B的A相信号各区间段中的各信号分割点的参考权重。

由于一个信号分割点对应两个区间段，所以每个信号分割点得到两个参考权重，将每个信号分割点两个参考权重的均值作为每个信号分割点的参考权重。

(2) 基于B的A相信号各区间段中的各普通极值点的参考权重为：

将基于B的A相信号各区间段中各普通极值点与B相匹配点之间的信号值差值绝对值作为基于B的A相信号各区间段中各普通极值点的参考权重。

因而得到了基于B的A相信号各区间段的所有极值点的参考权重值，同理完成基于B的A相信号的所有区间段处理得到基于B的A相信号的所有极值点的参考权重。

同理得到基于C的A相信号的各极值点的参考权重。

5、确定A相信号各极值点的综合参考权重：

A相信号各极值点基于B相信号得到一个参考权重，基于C相信号得到一个参考权重，将A相信号各极值点基于B相信号的参考权重与基于C相信号的参考权重的均值作为A相信号各极值点的综合参考权重；

同理得到B相信号各极值点的综合参考权重和C相信号各极值点的综合参考权重。

6、根据每相信号各极值点的综合参考权重对每段局部放电信号进行去噪处理得到去噪后的每段局部放电信号：

对每相信号进行去噪处理得到去噪后的每相信号：基于LMD算法，将每段局部放电信号的每相信号的各极值点的综合参考权重作为权重，设置滑动步长为5，对每相信号进行加权滑动平均得到每相信号的局部均值函数和包络估计函数，将局部均值函数从每相信号中分离，然后利用包络估计函数进行其进行调节处理，得到每相信号的多个PF分量和余量，计算每个PF分量与每相信号的皮尔逊相关系数，将大于皮尔逊相关系数阈值的PF分量作为噪声的主导PF分量，本实施例中预设相关系数阈值取0.6，其他实施例中实施者可根据实际设置预设相关系数阈值的取值；将噪声主导的PF分量从多个PF分量中去除，然后利用SVD算法对剩余的PF分量进行降噪处理得到去噪后的PF分量，将去噪后的PF分量重构获取得到去噪后的每相信号。

按照上述方法对每段局部放电信号的三相信号分别进行处理得到去噪后的局部放电信号。

步骤S004，根据去噪后的每段局部放电信号来进行异常检测预警。

上述步骤中完成了每段局部放电信号的去噪处理得到去噪后的每段局部放电信号，此时信号中受噪声影响较小，下面需利用去噪后的局部放电信号进行异常检测，具体如下：

利用数理统计方法获取每段局部放电信号的偏斜度、陡坡度和互相关系数，相关专家通过对每段局部放电信号的偏斜度、陡坡度和互相关系数进行分析得到每段局部放电信号的偏斜度、陡坡度和互相关系数的异常等级，并将异常等级为第一异常等级的每段局部放电信号的偏斜度、陡坡度和互相关系数标注为[1,0,0]，将异常等级为第二异常等级的每段局部放电信号的偏斜度、陡坡度和互相关系数标注为[0,1,0]，将异常等级为第三异常等级的每段局部放电信号的偏斜度、陡坡度和互相关系数标注为[0,0,1]，完成所有段局部放电信号的偏斜度、陡坡度和互相关系数的标注处理；将所有段带标签的局部放电信号的偏斜度、陡坡度和互相关系数构成数据集。

构建一个BP神经网络，网络的输入为每段局部放电信号的偏斜度、陡坡度和互相关系数，网络的输出为每段局部放电信号的预测异常等级，网络的损失函数为交叉熵损失函数；利用数据集中所有数据对网络进行训练，得到训练完成的网络。需要说明的是本实施例中BP神经网络实现普通分类功能，因此BP神经网络的训练、输入以及损失函数均为常规技术，此处将不再赘述。

将新采集的局部放电信号的偏斜度、陡坡度和互相关系数输入到训练完成的网络中得到局部放电信号的异常等级。当异常等级大于等于第三异常等级时，发出预警警报。

综上所述，本发明实施例提供了一种高压电缆局放异常监测及预警方法，传统的LMD算法在分解高压电缆局部放电信号的过程中，由于受到噪声的影响，若仅根据相邻极值点之间的信号的平均值来获取局部均值函数和包络估计函数，会使得许多高压电缆局部放电信号的特征信息丢失较多，产生较多的误差。因此本实施例中根据高压电缆局部放电信号的三相分布特征，通过不同相之间的极值点进行匹配，根据匹配的极值点进行原始信号的区间的划分，并根据划分后的区间的不同相位的波动幅值之间的差异性来表征每个极值点的参考权重值，并根据获取的极值点的参考权重值，进行加权滑动平均来获取局部均值函数以及包络估计函数，进而使得LMD算法划分的PF分量更加准确，进而使得去噪的效果更加好，减少了特征信息的损失，保证了异常监测及预警结果的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高压电缆局放异常监测及预警方法，其特征在于，所述方法包括：

获取得到多段局部放电信号，每段局部放电信号是由三相信号构成；

根据多段局部放电信号获取三相信号的所有极值点，获取每相信号中每个极值点处的趋势序列；根据每相信号各极值点处的趋势序列与其他各相信号各极值点处的趋势序列的相似性得到每相信号各极值点与其他各相信号各极值点之间的趋势相似度，根据每相信号各极值点与其他各相信号各极值点之间在排除噪声下的信号相似情况得到每相信号各极值点与其他各项信号各极值点之间的噪声影响下的信号相似度，将所述趋势相似度和在噪声影响下的信号相似度的乘积作为每相信号各极值点与其他各相信号各极值点的匹配程度；

根据每相信号各极值点与其他各相信号各极值点的匹配程度得到基于其他相的各相信号的多个区间段；根据基于其他相的各相信号的多个区间段得到每相信号区间段与其他相信号匹配区间段；根据每相信号区间段与其他相信号匹配区间段得到每相信号区间段中各极值点在其他相信号区间段中的匹配点；根据每相信号区间段中各极值点在其他相信号区间段中的匹配点得到每相信号各极值点的参考权重；基于LMD算法根据各相信号中各极值点的参考权重对每相信号进行去噪处理得到去噪后的每段局部放电信号；

根据去噪后的每段局部放电信号进行异常检测，根据异常检测结果做出预警措施。

2.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述获取每相信号中每个极值点处的趋势序列，包括的具体步骤为：

在每相信号上获取每个极值点的第一区间段，利用STL时间序列分割算法对每相信号每个极值点的第一区间段进行处理得到每相信号每个极值点的趋势序列。

3.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据每相信号各极值点处的趋势序列与其他各相信号各极值点处的趋势序列的相似性得到每相信号各极值点与其他各相信号各极值点之间的趋势相似度，包括的具体步骤为：

将每相信号各极值点的趋势序列与其他相信号各极值点的趋势序列相同位置上的两点构成一个点对得到每相信号各极值点的趋势序列与其他相各极值点的趋势序列的多个点对；

将三相信号中任意两相信号分别记为A相信号和B相信号；

A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度的计算公式为：

；

其中，表示A相信号第i个极值点的趋势序列，表示B相信号第j个极值点的趋势序列，表示趋势序列与趋势序列的点对个数；表示趋势序列与趋势序列的第个点对之间的欧式距离；表示趋势序列与趋势序列的第个点对之间的欧式距离，表示A相信号第i个极值点与B相信号第j个极值点之间的趋势相似度；

计算出每相信号各极值点与其他相信号各极值点之间的趋势相似度。

4.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据每相信号各极值点与其他各相信号各极值点之间在排除噪声下的信号相似情况得到每相信号各极值点与其他各项信号各极值点之间的噪声影响下的信号相似度，包括的具体步骤为：

获取每相信号上所有极值点处的信号值，通过对每相信号上所有极值点处的信号值进行统计分析得到每相信号的极值点概率分布函数；

A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度的计算公式为：

；

；

其中，表示相信号的第i个极值点的信号值，表示相信号的第j个极值点的信号值，表示局部放电信号噪声影响函数，表示A相信号第i个极值点与B相信号第j个极值点之间的噪声影响下的信号相似度，表示防零系数；X为相位变量，X可以取A和B，q为极值点变量，q可以取i和j，表示X相信号的第q个极值点的信号值，表示X相信号的极值概率分布函数的均值，表示X相信号的极值点概率分布函数的方差；

得到每相信号各极值点与其他各相信号各极值点之间的噪声影响下的信号相似度。

5.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据每相信号各极值点与其他各相信号各极值点的匹配程度得到基于其他相的各相信号的多个区间段，包括的具体步骤为：

获取与每相信号中各极值点匹配程度最大的其他每相信号的极值点作为基于其他相的各相信号中各极值点的最佳匹配点，获取每相信号中与最佳匹配点的匹配程度大于预设匹配程度阈值的极值点作为基于其他相的各相信号的信号分界点，基于其他相的各相信号的所有信号分界点将每相信号分割成多个区间段作为基于其他相的各相信号的多个区间段。

6.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据基于其他相的各相信号的多个区间段得到每相信号区间段与其他相信号匹配区间段，包括的具体步骤为：

每相信号区间段由两个信号分界点分割得到，获取每相信号区间段的每个信号分界点的最佳匹配点，两个信号分界点的最佳匹配点分割其他相信号得到的区间段作为每信号区间段与其他相信号匹配区间段。

7.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据每相信号区间段与其他相信号匹配区间段得到每相信号区间段中各极值点在其他相信号区间段中的匹配点，包括的具体步骤为：

将每相信号区间段与其他相匹配区间段中各点的匹配程度代替信号值差值，利用DTW算法来实现每相信号区间段与其他相匹配区间段中各点的匹配，得到每相信号区间段中各极值点在其他相匹配区间段中的匹配点。

8.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据每相信号区间段中各极值点在其他相信号区间段中的匹配点得到每相信号各极值点的参考权重，包括的具体步骤为：

将每相信号区间段内各极值点与其他相信号的匹配点作为基于其他相的每相信号区间段的一个匹配点对，得到基于其他相的每相信号区间段的多个匹配点对；

基于其他相的每相信号区间段中的极值点包括信号分割点和普通极值点两种类型的极值，获取这两种类型的各极值点的参考权重，包括：

确定基于其他相的每相信号区间段中各信号分割点的参考权重；将基于其他相的每相信号区间段中各普通极值点与其他相信号的匹配点之间的信号值差值绝对值作为基于其他相的每相信号区间段中各普通极值点参考权重；

每相信号各极值点基于其他两相信号均得到一个参考权重，将每相信号各极值点基于其他两相信号得到的两个参考权重均值作为每相信号各极值点的综合参考权重。

9.如权利要求8所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述确定基于其他相的每相信号区间段中各信号分割点的参考权重，包括的具体步骤为：

将三相信号中任意两相信号分别记为A相信号和B相信号；

基于B的A相信号各区间段中的各信号分割点的参考权重的计算公式为：

；

其中，表示基于B的A相信号中第区间段第m个匹配点对中两点的信号值差值绝对值，M表示基于B的A相信号中第区间段中包含匹配点对的数量，表示基于B的A相信号各区间段中的各信号分割点的参考权重；

由于基于B的A相信号的一个信号分割点对应两个区间段，每个对应区间段可以求得一个信号分割点的参考权重，将对应两个区间段求的参考权重的均值作为基于B的A相信号的每个信号分割点的参考权重；

得到基于其他相的每相信号的各区间段中各信号分割点的参考权重。

10.如权利要求1所述的一种高压电缆局放异常监测及预警方法，其特征在于，所述根据去噪后的每段局部放电信号进行异常检测，包括的具体步骤为：

利用数理统计方法获取每段局部放电信号的偏斜度、陡坡度和互相关系数，相关专家通过对每段局部放电信号的偏斜度、陡坡度和互相关系数进行分析得到每段局部放电信号的偏斜度、陡坡度和互相关系数的异常等级，并完成所有段局部放电信号的偏斜度、陡坡度和互相关系数的标注处理，将所有段带标签的局部放电信号的偏斜度、陡坡度和互相关系数构成数据集；

构建一个BP神经网络，网络的输入为每段局部放电信号的偏斜度、陡坡度和互相关系数，网络的输出为每段局部放电信号的预测的异常等级，网络的损失函数为交叉熵损失函数，利用数据集中所有数据对网络进行训练，得到训练完成的网络；

将新采集的局部放电信号的偏斜度、陡坡度和互相关系数输入到训练完成的网络中得到局部放电信号的异常等级。

Images