CN116432054A - 一种基于聚类分析的局部放电严重程度识别方法 - Google Patents

Abstract

本发明公开了一种基于聚类分析的局部放电严重程度识别方法，涉及局部放电检测领域。具体步骤如下：(1)数据预处理，主要包括原始数据读取，计算背景噪声信号的均值，计算脉冲数和均方根，数据归一化和构造特征向量；(2)聚类分析，主要包括对获取的数据初始化聚类中心，计算样本点到聚类中心的欧式距离，用欧式距离判断并将样本分配到就近的簇，更新聚类中心，判断信号所属簇是否改变，若所属簇改变，重新按照欧式距离分配，若所属簇不改变则聚类结束，完成局部放电严重程度的判别。

Description

一种基于聚类分析的局部放电严重程度识别方法

技术领域

本发明涉及气体绝缘电气设备局部放电领域，具体涉及一种基于聚类分析的局部放电严重程度识别方法。

背景技术

气体绝缘组合电器因其绝缘性能好、可靠性高以及占用空间小等优点广泛应用于电力系统。然后在生产、制造、运输或者安装过程中难免产生一些灰尘或微小划痕等缺陷，当气体绝缘组合电气设备内部存在绝缘缺陷时，会发生局部放电的现象，局部放电的长期累积会加剧绝缘劣化，给电气设备安全运行带来威胁。局部放电过程往往伴随超声波信号，特高频信号，光辐射信号以及会有气体分解等现象，针对这些现象，当前的检测方法主要有超声波检测、特高频检测、脉冲电流法检测、分解气体检测以及光学检测等方法，超声波检测法检测灵敏度低，易受环境干扰，特高频法易受环境中电磁信号干扰，脉冲电流法无法进行实时监测，分解气体法检测具有滞后性，需要对分解的气体进行检测，光学检测法针对实时的放电产生的光信号进行检测，具有响应速度快，检测灵敏度高等优点，近年来国内外的专家学者对光学检测法做了一些研究。

针对获取的光学信号进行分析，不同放电阶段对应的光信号信息不同，光强大小、脉冲频率、信噪比、均方根以及相位分布等都有差异。根据信号的差异，选择能表征不同放电程度以及不同放电类型的特征参数，构造特征向量并进行聚类分析，利用模式识别算法对光信号进行统计，通过算法的不断改进和迭代，使得光学检测仪器能准确识别局部放电信息，对电气设备安全稳定运行有很重要的意义。

发明内容

为解决上述技术问题，本发明提供一种基于聚类分析的局部放电严重程度识别方法，对局部放电产生的光学信号进行聚类分析，旨在为气体绝缘电气设备的局部放电检测提供一种基于聚类分析的局部放电严重程度识别方法。

为达到上述目的，本发明采用如下技术方案：

一种基于聚类分析的局部放电严重程度识别方法，所述识别方法具体包括：

(1)数据预处理：主要包括原始数据读取，计算背景噪声信号的均值，计算脉冲数和均方根，数据归一化和构造特征向量；

(2)聚类分析：主要包括对获取的数据初始化聚类中心，计算样本点到聚类中心的欧式距离，用欧式距离判断并将样本分配到就近的簇，更新聚类中心，判断信号所属簇是否改变。若改变，重新按照欧式距离分配；若不改变，则聚类结束，完成局部放电严重程度的判别。

所述的步骤(1)包括原始数据读取，计算背景噪声的均值，计算的均值作为脉冲数统计的阈值，计算脉冲数和数据均方根等参数作为后续严重程度判断的特征参数，为了便于统计，采用归一化的方式对数据进行处理，然后对处理后的数据进行特征选择。

所述的聚类分析采用k-means算法，该算法理解简单，操作容易，其原理为：假定样本集D，样本中m个对象，这些数据有N维特征，根据这些特征将数据分到k个不同簇中，每个数据基于距离分到离它最近的簇中，从而将数据聚为k类。

所述的k-means算法中关键因素在于：(1)k值的选取：k-means算法作为辅助分类或数据预处理的算法，其值一般不会太大，2到15之间；(2)初始聚类中心的确定：初始聚类中心可以通过程序随机选取或通过计算选取。(3)距离度量标准的确定：距离度量的准则一般选取闵可夫斯基距离或者余弦距离。闵可夫斯基距离(Minkowski Distance)表示的是一组距离的定义，计算公式如下所示：

式中，d_ij表示两点间距离；q表示阶数，取1，2，+∞；k表示样本点数，取1，2，......，p。x_ik和x_jk表示两个不同样本点。

q＝1时，称为曼哈顿距离(Manhattan Distance)，又称绝对距离，绝对轴距的总和，其表达式如：

＝2时，称为欧式距离(Euclidean Distance)，其表达式如：

q＝+∞时，称为切比雪夫距离(Chebyshev Distance)，其表达式如：

余弦距离是一种向量间的相似性，强调方向性，其表达式如：

本发明根据实际需要选择欧式距离。

所述的聚类算法包括如下步骤：

(1)给定样本集D＝{x₁，x₂...，x_m}，聚类簇数k；

(2)从样本集D＝{x₁，x₂...，x_m}随机选择k个样本作为初始均值向量(聚类中心){u₁，u₂，...，u_k}，定义集合

(1≤i≤k)用于存储聚类后的数据；

(3)计算样本中各向量x_j(j＝1，2，...，m)与各均值向量u_i(1≤i≤k)的距离d_ji＝||x_j-u_i||²；

(4)根据距离最近的均值向量确定x_j的簇标记：λ_j＝arg min_{i∈{1，2，...k}}d_ji，将样本x_j划入相应的簇：

(5)完成一次聚类；

(6)计算新的均值向量

(7)如果新的均值向量u_i′≠u_i，更新均值向量，重复(3)-(6)；

(8)如果新的均值向量u_i′＝u_i，保持当前结果；

(9)直到所有均值向量不再更新，结束聚类。

所述的特征向量的选择，针对原数数据处理后的不同统计参数和指标，包括但不限于数据的均值、最大值、最小值、均方根、信噪比、偏度、峰度以及频谱变换等，数据特征的选择维度包括但不限于一维、二维和多维。

所述的放电缺陷包括但不限于悬浮放电、电晕放电、火花放电和自由金属颗粒放电等。

有益效果：

本发明基于聚类分析对放电严重程度进行识别，可对光学检测数据进行准确的分析从而识别放电类型和严重程度，有利于提高光学检测仪器对局部放电进行诊断的有效性。本发明为电气设备状态监测提供一种简单快捷的数据处理方法，针对聚类分析的处理结果对局部放电严重程度进行判断，可及时采取措施从而为电气设备的稳定运行提供保障，具有良好的工程应用价值。

附图说明

图1为本发明的一种基于聚类分析的局部放电严重程度识别方法流程图；

图2为未对实验平台施加电压时的基础噪声信号(10个工频周期)；

图3为施加电压较小时，光学检测原始信号(10个工频周期)；

图4为施加电压较大时，光学检测原始信号(10个工频周期)；

图5为基于聚类分析的局部放电严重程度识别结果。

具体实施方式

以下结合附图和具体实施方式进一步说明本发明。

如图1所示，本发明的一种基于聚类分析的局部放电严重程度识别方法包括如下步骤：

第一步、数据预处理，实验气罐在施加电压前先记录噪声信号并计算均值，将噪声均值作为脉冲数统计的阈值；然后，计算检测信号的脉冲数和均方根值，将数据归一化；最后，将这两个参数构造二维特征向量，作为聚类分析的输入。

第二步、聚类分析，将第一步预处理的信号用聚类分析算法进行处理，初始化聚类中心，计算样本点到所给聚类中心的欧式距离并分配到就近的簇中，完成一次聚类，改变聚类中心，继续通过计算欧式距离判断样本所属簇是否改变，若改变则重复上一步，若样本所属簇不再改变则结束聚类。聚类结果以正确率为判断标准，选择正确率最高的聚类结果作为局部放电严重程度判别的结果。根据电气设备放电发展的具体情况划分每个簇所属的严重程度，一般地，描述严重程度可用“轻微、中等、严重”等词，如图5所示。

如图2所示，为未对实验平台施加电压时检测到的基础噪声信号，噪声来源可能是环境中的光干扰、光电探测器自身的暗电流噪声或散粒噪声。

如图3所示，为施加电压较小时，光电探测器检测的结果，图中脉冲信号频率明显增加，信号幅值相较于图2进一步增加，数据记录为10个工频周期，即200ms。

如图4所示，为施加电压进一步增加时，光电探测器的检测结果，图中脉冲信号频率进一步增加，信号幅值也进一步增加，脉冲信号的频率可用脉冲数表征，信号幅值出现的概率具有随机性，因此选择数据均方根作为又一特征参数，图2-图4的数据记录为10个工频周期，即200ms。

具体实施方式如下：

本发明的一种基于聚类分析的局部放电严重程度识别方法，在数据预处理前需要搭建实验平台，模拟局部放电，本发明以针板电晕放电为例，实验时充入不同气压的SF₆气体，通过工频实验平台对气罐进行加压，通过改变施加电压的大小，模拟不同严重程度的局部放电。将光纤探头对准实验气罐的石英观察窗。放电产生的光信号通过光纤传输到光电探测器，将光信号转换为电信号后通过采集卡或采集软件采集，使用本发明所述方法对采集到的原始信号进行处理，完成局部放电严重程度的判别。

所述局部放电模拟平台包括但不限于实验室常用的模拟装置和类型，如悬浮放电、电晕放电、火花放电和自由金属颗粒放电等，本发明要求所模拟的实验均能通过观察窗检测光信号，可用全透明石英玻璃罐作为实验气罐或者其他设置光学观察窗的气体绝缘组合电气设备模型，实验时，对模拟放电的实验气罐进行检漏，清洗，充入实验气体，工频实验平台通过：设定最大值，使其以恒定的工频交流电压输出，将电压加在模拟局部放电的电极两端。

所述的数据预处理，根据数据的特征进行选择，选择能将数据进行良好划分的参数，包括但不限于数据的最大值、最小值、均值、均方根、峰度和偏度等统计参数，数据的特征向量构造包括但不限于一维、二维和多维。本发明在对原始信号进行观察的基础上选择脉冲数和均方根作为数据预处理中的特征参数，并将数据归一化，再构造特征向量进行分析。

所述的聚类分析结果包括但不限于两类，三类和四类等，严重程度划分根据局部放电对电气设备产生的实际危害，应对措施可根据需要进行选择，定期监测或者更换零部件等。

放电严重程度的划分包括但不限于“轻微、中等和严重”或“正常、轻微、严重和危险”再或者使用“正常、注意、异常、警戒”或“局部放电起始阶段、局部放电发展阶段、局部放电危险阶段”等划分方式。

以上仅为本发明实施例，解释本发明的技术方法而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可对本发明的具体实施方式进行修改或者等同变换等，凡在本发明实施例的精神和原则之内，均应包含在本发明实施例的保护范围之内。

Claims (7)

1.一种基于聚类分析的局部放电严重程度识别方法，其特征在于，包括如下步骤：

步骤(1)数据预处理：包括原始数据读取，计算背景噪声信号的均值，计算脉冲数和均方根，数据归一化和构造特征向量；

步骤(2)聚类分析：包括对获取的数据初始化聚类中心，计算样本点到聚类中心的欧式距离，用欧式距离判断并将样本分配到就近的簇，更新聚类中心，判断信号所属簇是否改变，若改变，重新按照欧式距离分配，若不改变则聚类结束，完成局部放电严重程度的判别。

2.如权利要求1所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，所述步骤(1)中，计算背景噪声信号的的均值作为脉冲数统计的阈值，计算脉冲数和数据均方根作为后续严重程度判断的特征参数，为了便于统计，采用归一化的方式对数据进行处理，然后对处理后的数据进行特征选择。

3.如权利要求1所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，所述步骤(2)中，聚类分析采用k-means算法，假定样本集D，样本中m个对象，这些数据有N维特征，根据N维特征将数据分到k个不同簇中，每个数据基于距离分到离它最近的簇中，从而将数据聚为k类。

4.如权利要求3所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，k-means算法中的关键因素为：(1)k值的选取：k-means算法作为辅助分类或数据预处理的算法，k值在2到15之间；(2)初始聚类中心的确定：初始聚类中心通过程序随机选取或通过计算选取；(3)距离度量标准的确定：距离度量的准则为选取闵可夫斯基距离或者余弦距离；闵可夫斯基距离表示的是一组距离的定义，计算公式如下所示：

式中，d_ij表示两点间距离；q表示阶数，取1，2，+∞；k表示样本点数，取1，2，......，p；x_ik和x_jk表示两个不同样本点；

q＝1时，称为曼哈顿距离，又称绝对距离，绝对轴距的总和，其表达式为：

g＝2时，称为欧式距离，其表达式为：

q＝+∞时，称为切比雪夫距离，其表达式为：

余弦距离是一种向量间的相似性，强调方向性，其表达式为：

根据实际需要选择欧式距离。

5.如权利要求3所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，聚类算法的包括如下步骤：

步骤(1)给定样本集D＝{x₁，x₂...，x_m}，聚类簇数k；

步骤(2)从样本集D＝{x₁，x₂...，x_m}随机选择k个样本作为初始均值向量{u₁，u₂，...，u_k}，即聚类中心，定义集合

用于存储聚类后的数据，其中1≤i≤k；

步骤(3)计算样本中各向量x_j与各均值向量u_i的距离d_ji＝||x_j-u_i||₂，其中j＝1，2，...，m，1≤i≤k；

步骤(4)根据距离最近的均值向量确定x_j的簇标记：λ_j＝argmin_{i∈{1，2，...k}}d_ji，将样本x_j划入相应的簇：

步骤(5)完成一次聚类；

步骤(6)计算新的均值向量

步骤(7)如果新的均值向量u_i′≠u_i，更新均值向量，重复步骤(3)-步骤(6)；

步骤(8)如果新的均值向量u_i′＝u_i，保持当前结果；

步骤(9)直到所有均值向量不再更新，结束聚类。

6.如权利要求1所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，特征向量的选择，针对原数数据处理后的不同统计参数和指标，包括数据的均值、最大值、最小值、均方根、信噪比、偏度、峰度以及频谱变换，数据特征的选择维度包括一维、二维或多维。

7.如权利要求1所述的一种基于聚类分析的局部放电严重程度识别方法，其特征在于，放电缺陷包括悬浮放电、电晕放电、火花放电和自由金属颗粒放电。

Images