CN116682458A - 基于能量算子改进小波包的gis局放声纹检测方法 - Google Patents
基于能量算子改进小波包的gis局放声纹检测方法 Download PDFInfo
- Publication number
- CN116682458A CN116682458A CN202310687573.5A CN202310687573A CN116682458A CN 116682458 A CN116682458 A CN 116682458A CN 202310687573 A CN202310687573 A CN 202310687573A CN 116682458 A CN116682458 A CN 116682458A
- Authority
- CN
- China
- Prior art keywords
- energy
- wavelet packet
- output
- neuron
- gis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 15
- 210000004205 output neuron Anatomy 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 239000002923 metal particle Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 3
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于能量算子改进小波包的GIS局放声纹检测方法，选取小波包基函数对GIS声纹信号进行小波包分解、降噪，采用改进Teager能量算子小波包系数进行瞬时能量计算，得到瞬时能量序列，结合滑动窗口函数进行背景阈值判断，将能量异常点进行记录；而后结合峭度熵、模糊熵、瞬时能量以及能量异常点构建联合特征，使用RBF神经网络算法进行故障判定。本发明快速准确的发现GIS运行隐患。
Description
技术领域
本发明属于电力检测设备技术领域，具体设计一种基于能量算子改进小波包的GIS局放声纹检测方法。
背景技术
气体绝缘金属封闭组合开关设备(Gas Insulated Switchgear，GIS)由于其占地面积小、可靠性较高、输送容量大、维护简单、检修周期长等特点，在电力系统领域得到了广泛应用。但是，GIS在实际的生产制造，装运以及实际运行过程中，也会不可避免地因加工工艺、冲撞以及复杂的运行环境等问题而产生一些诸如灰尘、气隙、金属导电微粒等安全隐患，进而使GIS产生各种形式的局部放电现象。局部放电是一种并不会立即使设备绝缘击穿的缺陷，但其一旦发生，其周围介质就会被不断侵蚀，进而导致贯穿性的绝缘失效。GIS中的局部放电是有很多种类型的，不同的局部放电对设备所产生的危害亦有所不同，因此在目GIS设备大面积使用的情况下，对放电类型进行辨别是保证GIS安全运行和电力系统的稳定的大前提。
局部放电与外加电压的类型、绝缘材料本身的物理特性、放电过程中产生的空间电荷以及缺陷位置的电场分布密切相关。以现有的局部放电检测方法来说，绝大多数是对放电时出现的异常物理量进行捕捉和分解。当出现局部放电现象时，会辐射出一些波以及光脉冲和电脉冲，同时发生局部过热，还产生出一些新的气体，同时还会产生丰富的声音信号，其中含有大量的设备运行信息。由此出现了光学检测法、化学检测法、脉冲电流检测法、红外热像法以及基于声纹的检测方法。
但是上述方法在实际应用情况下，光学检测法易受外部环境影响，且检测范围有限，操作和维护难度较大；化学检测方法基于整个GIS内部气体的分解产物比例较小，浓度较低检测成分困难，且无法做到在线检测；易受到电磁信号干扰，由于其频段较窄，信号所含信息较少，对脉冲干扰电流的分辨困难；红外热像法对于大型发电机、变压器和GIS内部的热故障，检测存在检测盲区。
基于声纹检测GIS局放的方式有以下优点：无需拆卸GIS设备，可以保证在GIS正常运行的情况下检测，减少因检修造成的人力物力使用；非侵入式检测，对GIS设备本身不会造成任何影响，同时也不会对电网运行产生任何影响；检测范围广，可以对GIS各个部件进行检测，对GIS整体运行状况全面了解。
发明内容
为了解决GIS设备内部异常放电故障检测识别问题，提出了一种基于能量算子改进小波包的GIS局放声纹检测方法，通过对GIS内部异常放电信号的声纹数据实时分析，对内部异常放电现象进行监测，在确保GIS正常工作的前提下面对异常放电故障，提前发现运行隐患，减少经济损失以确保GIS的安全运行有着重要的工程应用价值。
本发明通过下述技术方案来实现。基于能量算子改进小波包的GIS局放声纹检测方法，包括以下步骤：
步骤1：选取GIS声纹信号，建立样本数据集；
步骤2：选取小波包基函数对GIS声纹信号进行小波包分解、降噪；
步骤3：采用改进Teager能量算子小波包系数进行瞬时能量计算，得到瞬时能量序列，对步长内的的瞬时能量计算出平均值和标准差，将区域内能量值和参考阈值进行对比，如果高于阈值就记为能量异常点，否则就被判定为背景；
步骤4：针对能量异常点，联合模糊熵、峭度熵、瞬时能量序列以及能量异常点标记位置信息组成联合特征；
步骤5：以联合特征的数据集作为基础，在利用RBF神经网络构建故障诊断模型，通过故障诊断模型对在线监测的GIS声纹信号进行诊断判定。
进一步优选，样本数据集中包含局部放电故障数据，故障种类涵盖：金属尖端缺陷、悬浮电位缺陷、自由金属颗粒缺陷、绝缘沿面或空穴放电缺陷；
进一步优选，步骤2的过程如下：
步骤2.1：选用4层Morse基函数对GIS声纹信号进行小波包分解，得到小波包系数；
步骤2.2：对小波包分解所得小波包系数进行降噪：
式中，σ为信号的噪声标准差；N为信号长度；η(dj,λ)为对小波包系数dj进行阈值处理后得到的处理结果，dj为小波包系数，λ为一个阈值参数，用于控制阈值处理的幅度；
步骤2.3对经过处理的小波包系数进行重构，得到信噪比较高的信号。
进一步优选，步骤3的过程如下：
步骤3.1使用改进Teager能量算子对基于步骤2的小波包系数进行瞬时能量计算，其中改进Teager能量算子定义为：
其中，r(t)为所处理信号的值，ψ[r(t)]表示在时间为t的样本点处的Teager能量值；
Teager能量算子的瞬时能量表达式为：
E(i,j)＝ψ[r(t)]2
式中，E(i,j)为第j层第i个节点的瞬时能量，则瞬时能量序列为：
EN＝{E(1,1),……,E(i,j)}
式中，EN为瞬时能量序列，E(1,1)为第1层第一个节点的瞬时能量，E(i,j)为第j层第i个节点的瞬时能量；
步骤3.2：进行能量背景阈值计算，根据实际正常运行的GIS声纹信号的瞬时能量序列，将在时域上相近的GIS声纹信号的瞬时能量序列进行动态的背景阈值判定，是否存在能量异常点，并将能量异常点位置记入Slocation。
进一步优选，步骤3.2具体为：
步骤3.2.1：定义起始窗口大小Windowsize与步长Stepsize，分别表示初始窗口内的数据数量与初始滑动的步长；
Fs为GIS声纹信号采样率，Windowsize(i)为第i个窗口大小，Stepsize(i)为第i个步长，单位为秒,T(i)为第i帧的长度，单位为秒，Steplen为第i个窗口采样点数，i为第i步长的序号；
步骤3.2.2：计算初始窗口的标准差，并根据样本数据标准差确定阈值Ebg_threshold，并将Ebg_threshold作为判据，将超过阈值点判定为能量异常点，将能量异常点标记；
Ebg_threshold＝E(i,avg)+2*E(i,std)
式中，E(i,std)为初始窗口内各节点瞬时能量标准差，E(i,avg)为各节点瞬时能量平均值；
然后进行判断当前帧的信号能量是否超过背景阈值，并将能量异常点记入能量异常点标记位置信息Slocation
步骤3.2.3：针对下一个步长区间内进行重复步骤3.2.1、步骤3.2.2过程，直至数据结束。
进一步优选，使用训练集进行RBF神经网络的学习训练，构建故障诊断模型的过程如下：
步骤5.2.1确定输入向量X＝[x1,x2,…xn]T,其中n表示输入层的输入单元数，xn表示第n个输入单元的输入信号；确定输出向量Y＝[y1,y2……yq]T，q表示输出层的输出单元数，yq表示第q个输出单元的输出信号；确定期望的输出O＝[o1,o2…om]T，m为输出单元数；
进一步的，初始化隐含层至输出层的连接权值Wv＝[wv1wv2……wvp]T，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，T表示转置，权值初始化公式为：
wvp＝rand(minv,maxv)
式中，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，这里采用随机初始化，增加网络的多样性，避免陷入局部最优解，minv是训练集中第v个输出神经元中所有期望输出的最小值；maxv是训练集中第v个输出神经元中所有期望输出的最大值；
初始化隐含层各神经元的中心参数cj＝[cj1,cj2……cji]T；
式中，cji为隐含层的第j个神经元的第i个输入的中心参数，g为隐含层神经元总个数，p表示输出层的输出单元数；mini是训练集中第i个特征所有输入信息的最小值，maxi为训练集中第i个特征所有输入信息的最大值；
初始化宽度向量Dj＝[dj1,dj2……dji],
式中，dji为隐含层的第j个神经元的第i个输入的宽度，表示训练集中的第v个样本的第i个输入，N表示训练集的样本个数，df为宽度调节系数，取值小于1；
步骤5.2.2计算隐含层第j个神经元的输出值zj，X表示的输入层的输入向量，j＝1,2……g，Cj是隐含层第j个神经元的中心向量，由隐含层第j个经元对应于输入层所有神经元的中心分量构成；
Cj＝[cj1,cj2,……cjn]T；Dj为隐含层第j个神经元的宽度向量，与Cj相对应，
Dj＝[dj1,dj2……dji]T，Dj越大，隐含层对输入层的影响范围就越大，且神经元间的平滑度也比较好，||.||为欧式范数；
步骤5.2.3：计算输出层神经元的输出：
Y＝[y1,y2……yq]T
式中，v＝1，2，……q,其中wvj为输出层第v个神经元与隐含层第j个神经元间的调节权重；
步骤5.2.4：采用改进Adam算法针对学习率进行调整：
其中，α(u)为第u次迭代的学习率，α0是初始学习率，β1是常数因子，t是迭代次数；
迭代计算如下：
式中，wvj(u)第v个输出神经元与第j个隐含层神经元之间在第u次迭代计算时的调节权重，v＝1，2，……q，j＝1,2……g；cji(u)为第j个隐含层神经元对于第i个输入神经元在第u次迭代计算时的中心分量；dji(u)为与学习中心cji(u)对应的宽度；表示wvj(u)的一阶矩估计、/>表示wvj(u)的二阶矩估计、/>表示cji(u)的一阶矩估计、/>表示cji(u)的二级矩估计、/>表示dji(u)的一阶矩估计、/>表示dji(u)的二阶矩估计分别表示，它们的初始值为0，∈是一个极小值，避免分母为0，η为学习因子；
E为RBF神经网络评价函数：
式中，Olv为第v个输出神经元在第l个输入样本时的期望输出值；ylv为第v个输出神经元在第l个输入样本时的网络输出值。
进一步优选，使用测试集验证算法可行性：
A1：根据步骤5.2.1对神经网络参数进行初始化，并给定η和α的取值及迭代精度ε的值；
A2：计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤A3，
A3：根据步骤5.2.4权重迭代计算，对调节权重，中心和宽度参数进行迭代计算；
A4：返回步骤A2。
本发明利用改进Teager能量算子对脉冲信号敏感的特点，先使用小波包分析，针对GIS声纹信号进行分解降噪；在获取各子带的小波包系数后，利用改进Teager能量算子进行瞬时能量计算从而得到瞬时能连序列，结合滑动窗口函数进行背景阈值判断，将能量异常点进行记录；而后结合峭度熵、模糊熵、瞬时能量以及能量异常点构建联合特征，使用RBF神经网络算法进行故障判定，提前发现运行隐患，减少经济损失以确保GIS的安全运行有着重要的工程应用价值。
附图说明
图1是基于能量算子改进小波包的GIS局放声纹检测方法流程图。
图2是RBF神经网络训练图。
具体实施方式
下面结合附图对本发明进一步详细阐明。
参照图1，基于能量算子改进小波包的GIS局放声纹检测方法，包括以下步骤：
步骤1：选取GIS声纹信号，建立样本数据集，样本数据集中包含局部放电故障数据，故障种类涵盖：金属尖端缺陷、悬浮电位缺陷、自由金属颗粒缺陷、绝缘沿面或空穴放电缺陷；
步骤2：选取小波包基函数对GIS声纹信号进行小波包分解、降噪；
步骤2.1：针对GIS局部放电信号的特性，选用4层Morse基函数对GIS声纹信号进行小波包分解，其中Morse在频域中的函数表达式为：
式中，ψβ,γ表示的是Morse小波基函数，Kβ,γ＝2(eγ/β)β/γ是一个标准常数，e是个欧拉数，H(w)是单位阶跃函数，β和γ是两个变化参数，且均大于0；
式中，W2n(t)表示分解层数为2n时的小波系数，W2n+1(t)表示分解层数为2n+1时的小波系数，h0(k)和h1(k)表示共轭滤波器系数，t表示时间变量，即时间轴上的位置，k表示的是小波函数的平移量，W(2t-k)表示时间轴上的伸缩变换，n表示小波函数分解的层数；当n＝0时，表示的是尺度函数，W1(t)＝ψ(t)表示的是小波函数,W0(t)对应的小波包为{Wn(t)},其中n∈Z；Z表示正整数，/>表示是尺度函数，是一种低通滤波器，用于对信号进行平滑处理，提取信号的低频部分，ψ(t)是一种带通滤波器，用于对信号进行高频部分的分析。
由于小波包分解得到的是二叉树结构，将二叉树节点记作(j，i),其中j是小波包分解层数，i是节点个数，故而在第j层第i个节点的小波包系数为：
式中，为第j层第i个节点的低频小波包系数/>为第j层第i个节点的高频小波包系数；/>表示在j-1层的第i个节点使用低通滤波器对偏移量为k的信号进行滤波，得到第j层的低频系数，/>表示层的第i个节点使用高通滤波器对偏移量为k的信号进行滤波，得到第j层的高频系数，k为偏移量；
步骤2.2：对小波包分解所得小波包系数进行降噪。基于传统阈值函数的缺陷与不足，本发明采用改进小波包的阈值方法：
式中，σ为信号的噪声标准差；N为信号长度；η(dj,λ)为对小波包系数dj进行阈值处理后得到的处理结果，dj为小波包系数，λ为一个阈值参数，用于控制阈值处理的幅度；
步骤2.3对经过处理的小波包系数进行重构，得到信噪比较高的信号。
步骤3：采用改进Teager能量算子小波包系数进行瞬时能量计算，得到瞬时能量序列，对步长内的的瞬时能量计算出平均值和标准差，将区域内能量值和参考阈值进行对比，如果高于阈值就记为能量异常点，否则就被判定为背景(即正常信号区域)。
步骤3.1使用改进Teager能量算子对基于步骤2的小波包系数进行瞬时能量计算，其中改进Teager能量算子定义为：
其中，r(t)为所处理信号的值，ψ[r(t)]表示时间为t个样本点处的Teager能量值，在原始Teager能量算子的基础上，加入相邻两个点的成绩一半，可以提高处理数据的分辨率和准确性；
Teager能量算子的瞬时能量表达式为：
E(i,j)＝ψ[r(t)]2
式中，E(i,j)为第j层第i个节点的瞬时能量，t为此时在时间轴上的位置，则瞬时能量序列为：
EN＝{E(1,1),……,E(i,j)}
式中，EN为瞬时能量序列，E(1,1)为第1层第一个节点的瞬时能量，E(i,j)为第j层第i个节点的瞬时能量。
步骤3.2：进行能量背景阈值计算，根据实际正常运行的GIS声纹信号的瞬时能量序列，将在时域上相近的GIS声纹信号的瞬时能量序列进行动态的背景阈值判定，是否存在能量异常点，并将能量异常点位置记入Slocation；
步骤3.2.1定义起始窗口大小Windowsize与步长Stepsize，分别表示初始窗口内的数据数量与初始滑动的步长；
Fs为GIS声纹信号采样率，Windowsize(i)为第i个窗口大小，Stepsize(i)为第i个步长，单位为秒,T(i)为第i帧的长度，单位为秒，Steplen为第i个窗口采样点数，i为第i步长的序号。
步骤3.2.2计算初始窗口的标准差，并根据样本数据标准差确定阈值Ebg_threshold，并将Ebg_threshold作为判据，将超过阈值点判定为能量异常点，将能量异常点标记；
Ebg_threshold＝E(i,avg)+2*E(i,std)
式中，E(i,std)为初始窗口内各节点瞬时能量标准差，E(i,avg)为各节点瞬时能量平均值。
然后进行判断当前帧的信号能量是否超过背景阈值，并将能量异常点记入能量异常点标记位置信息Slocation
步骤3.2.3针对下一个步长区间内进行重复步骤3.2.1、步骤3.2.2过程，直至数据结束。
步骤4：针对能量异常点，联合模糊熵、峭度熵、瞬时能量序列以及能量异常点标记位置信息组成联合特征；
模糊熵：SFE(X,m,r,N)＝lnΨm(r)-lnΨm+1(r)
式中，X＝{x(i),i＝1,2,…,N}为长度为N的时间序列，x(i)为时间序列数据元素，m为维度，r为相似容限，Ψm为其中/>
i,j＝1,2,…,N-m,i≠j；
x0(i)为时间序列数据X中m个连续数据的均值；
是对时间序列X＝{x(i),i＝1,2,…,N}进行相空间重构后的m维向量，/>为与/>所对应元素差值的绝对值的最大值，/>是/>与/>的相似度。
峭度熵：
式中：表示第i个步长内GIS声纹信号频率分布的峭度所占所有GIS声纹信号频率分布的峭度总和的比例；ηi为第i个步长内GIS声纹信号频率分布的峭度；N2表示GIS声纹信号可区分频率分布特性的数量
联合特征TE＝[SFE,SQE,EN,Slocation]。
步骤5：以联合特征的数据集作为基础，在利用RBF神经网络构建故障诊断模型，通过故障诊断模型对在线监测的GIS声纹信号进行诊断判定。参照图2，具体过程如下：
步骤5.1将联合特征的数据集分为训练集和测试集；
步骤5.2使用训练集进行RBF神经网络的学习训练；
步骤5.2.1确定输入向量X＝[x1,x2,…xn]T,其中n表示输入层的输入单元数，xn表示第n个输入单元的输入信号；确定输出向量Y＝[y1,y2……yq]T，q表示输出层的输出单元数，yq表示第q个输出单元的输出信号；确定期望的输出O＝[o1,o2…om]T，m为输出单元数。
进一步的，初始化隐含层至输出层的连接权值Wv＝[wv1wv2……wvp]T，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，T表示转置，权值初始化公式为：
wvp＝rand(minv,maxv)
式中，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，这里采用随机初始化，增加网络的多样性，避免陷入局部最优解，minv是训练集中第v个输出神经元中所有期望输出的最小值；maxv是训练集中第v个输出神经元中所有期望输出的最大值。
进一步的，初始化隐含层各神经元的中心参数cj＝[cj1,cj2……cji]T
式中，cji为隐含层的第j个神经元的第i个输入的中心参数，g为隐含层神经元总个数，p表示输出层的输出单元数；mini是训练集中第i个特征所有输入信息的最小值，maxi为训练集中第i个特征所有输入信息的最大值；
进一步的，初始化宽度向量Dj＝[dj1,dj2……dji],
式中，dji为隐含层的第j个神经元的第i个输入的宽度，表示训练集中的第v个样本的第i个输入，N表示训练集的样本个数，df为宽度调节系数，取值小于1，作用是使每个隐含层神经元更容易实现对局部信息的感受能力，有利于提高RBF神经网络的局部响应能力；
步骤5.2.2计算隐含层第j个神经元的输出值zj，X表示的输入层的输入向量，j＝1,2……g，Cj是隐含层第j个神经元的中心向量，由隐含层第j个经元对应于输入层所有神经元的中心分量构成，
Cj＝[cj1,cj2,……cjn]T；Dj为隐含层第j个神经元的宽度向量，与Cj相对应，
Dj＝[dj1,dj2……dji]T，Dj越大，隐含层对输入层的影响范围就越大，且神经元间的平滑度也比较好，||.||为欧式范数；
步骤5.2.3计算输出层神经元的输出：
Y＝[y1,y2……yq]T
式中，v＝1，2，……q,其中wkj为输出层第v个神经元与隐含层第j个神经元间的调节权重；
步骤5.2.4鉴于传统的RBF神经网络权重参数的训练方法，比如梯度下降法会陷入局部最优解、收敛速度慢等问题，故而采用改进Adam算法针对学习率进行调整，进更好的控制模型训练进程，提高模型的性能和鲁棒性。
优化Adam算法，针对学习率衰减方法进行动态调整学习率：
其中，α(u)为第u次迭代的学习率，α0是初始学习率，β1是常数因子，u是迭代次数；
迭代计算如下：
式中，wvj(u)第v个输出神经元与第j个隐含层神经元之间在第u次迭代计算时的调节权重，v＝1，2，……q，j＝1,2……g；cji(u)为第j个隐含层神经元对于第i个输入神经元在第u次迭代计算时的中心分量；dji(u)为与学习中心cji(u)对应的宽度；表示wvj(u)的一阶矩估计、/>表示wvj(ut)的二阶矩估计、/>表示cji(u)的一阶矩估计、/>表示cji(u)的二级矩估计、/>表示dji(u)的一阶矩估计、/>表示dji(u)的二阶矩估计分别表示，它们的初始值为0，∈是一个极小值，避免分母为0，η为学习因子
E为RBF神经网络评价函数：
式中，Olv为第v个输出神经元在第l个输入样本时的期望输出值；ylv为第v个输出神经元在第l个输入样本时的网络输出值；
综上所述，给出RBF神经网络的学习算法，并使用测试集验证算法可行性：
A1：根据步骤5.2.1对神经网络参数进行初始化，并给定η和α的取值及迭代精度ε的值；
A2：按照下式计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤A3，
A3：根据步骤5.2.4权重迭代计算，对调节权重，中心和宽度参数进行迭代计算；
A4：返回步骤A2。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围。
Claims (7)
1.一种基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，包括以下步骤：
步骤1：选取GIS声纹信号，建立样本数据集；
步骤2：选取小波包基函数对GIS声纹信号进行小波包分解、降噪；
步骤3：采用改进Teager能量算子小波包系数进行瞬时能量计算，得到瞬时能量序列，对步长内的的瞬时能量计算出平均值和标准差，将区域内能量值和参考阈值进行对比，如果高于阈值就记为能量异常点，否则就被判定为背景；
步骤4：针对能量异常点，联合模糊熵、峭度熵、瞬时能量序列以及能量异常点标记位置信息组成联合特征；
步骤5：以联合特征的数据集作为基础，在利用RBF神经网络构建故障诊断模型，通过故障诊断模型对在线监测的GIS声纹信号进行诊断判定。
2.根据权利要求1所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，样本数据集中包含局部放电故障数据，故障种类涵盖：金属尖端缺陷、悬浮电位缺陷、自由金属颗粒缺陷、绝缘沿面或空穴放电缺陷。
3.根据权利要求1所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，步骤2的过程如下：
步骤2.1：选用4层Morse基函数对GIS声纹信号进行小波包分解，得到小波包系数；
步骤2.2：对小波包分解所得小波包系数进行降噪：
式中，σ为信号的噪声标准差；N为信号长度；η(dj,λ)为对小波包系数dj进行阈值处理后得到的处理结果，dj为小波包系数，λ为一个阈值参数，用于控制阈值处理的幅度；
步骤2.3对经过处理的小波包系数进行重构，得到信噪比较高的信号。
4.根据权利要求1所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，步骤3的过程如下：
步骤3.1使用改进Teager能量算子对小波包系数进行瞬时能量计算，其中改进Teager能量算子定义为：
其中，r(t)为所处理信号的值，ψ[r(t)]表示在时间为t的样本点处的Teager能量值；
Teager能量算子的瞬时能量表达式为：
E(i,j)＝ψ[r(t)]2
式中，E(i,j)为第j层第i个节点的瞬时能量，则瞬时能量序列为：
EN＝{E(1,1),……,E(i,j)}
式中，EN为瞬时能量序列，E(1,1)为第1层第一个节点的瞬时能量，E(i,j)为第j层第i个节点的瞬时能量；
步骤3.2：进行能量背景阈值计算，根据实际正常运行的GIS声纹信号的瞬时能量序列，将在时域上相近的GIS声纹信号的瞬时能量序列进行动态的背景阈值判定，是否存在能量异常点，并将能量异常点位置记入Slocation。
5.根据权利要求4所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，步骤3.2具体为：
步骤3.2.1：定义起始窗口大小Windowsize与步长Stepsize，分别表示初始窗口内的数据数量与初始滑动的步长；
Fs为GIS声纹信号采样率，Windowsize(i)为第i个窗口大小，Stepsize(i)为第i个步长，单位为秒,T(i)为第i帧的长度，单位为秒，Steplen为第i个窗口采样点数，i为第i步长的序号；
步骤3.2.2：计算初始窗口的标准差，并根据样本数据标准差确定阈值Ebg_threshold，并将Ebg_threshold作为判据，将超过阈值点判定为能量异常点，将能量异常点标记；
Ebg_threshold＝E(i,avg)+2*E(i,std)
式中，E(i,std)为初始窗口内各节点瞬时能量标准差，E(i,avg)为各节点瞬时能量平均值；
然后进行判断当前帧的信号能量是否超过背景阈值，并将能量异常点记入能量异常点标记位置信息Slocation
步骤3.2.3：针对下一个步长区间内进行重复步骤3.2.1、步骤3.2.2过程，直至数据结束。
6.根据权利要求1所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，使用训练集进行RBF神经网络的学习训练，构建故障诊断模型的过程如下：
步骤5.2.1确定输入向量X＝[x1,x2,…xn]T,其中n表示输入层的输入单元数，xn表示第n个输入单元的输入信号；确定输出向量Y＝[y1,y2……yq]T，q表示输出层的输出单元数，yq表示第q个输出单元的输出信号；确定期望的输出O＝[o1,o2…om]T，m为输出单元数；
初始化隐含层至输出层的连接权值Wv＝[wv1wv2……wvp]T，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，T表示转置，权值初始化公式为：
wvp＝rand(minv,maxv)
式中，wvp是隐含层的第v个神经元到输出层的第p个神经元的连接权值，这里采用随机初始化，增加网络的多样性，避免陷入局部最优解，minv是训练集中第v个输出神经元中所有期望输出的最小值；maxv是训练集中第v个输出神经元中所有期望输出的最大值；
初始化隐含层各神经元的中心参数cj＝[cj1,cj2……cji]T；
式中，cji为隐含层的第j个神经元的第i个输入的中心参数，g为隐含层神经元总个数，p表示输出层的输出单元数；mini是训练集中第i个特征所有输入信息的最小值，maxi为训练集中第i个特征所有输入信息的最大值；
初始化宽度向量Dj＝[dj1,dj2……dji],
式中，dji为隐含层的第j个神经元的第i个输入的宽度，表示训练集中的第v个样本的第i个输入，N表示训练集的样本个数，df为宽度调节系数，取值小于1；
步骤5.2.2计算隐含层第j个神经元的输出值zj，X表示的输入层的输入向量，j＝1,2……g，Cj是隐含层第j个神经元的中心向量，由隐含层第j个经元对应于输入层所有神经元的中心分量构成；
Cj＝[cj1,cj2,……cjn]T；Dj为隐含层第j个神经元的宽度向量，与Cj相对应，Dj＝[dj1,dj2……dji]T，Dj越大，隐含层对输入层的影响范围就越大，且神经元间的平滑度也比较好，||.||为欧式范数；
步骤5.2.3：计算输出层神经元的输出：
Y＝[y1,y2……yq]T
式中，v＝1，2，……q,其中wvj为输出层第v个神经元与隐含层第j个神经元间的调节权重；
步骤5.2.4：采用改进Adam算法针对学习率进行调整：
其中，α(u)为第u次迭代的学习率，α0是初始学习率，β1是常数因子，t是迭代次数；
迭代计算如下：
式中，wvj(u)第v个输出神经元与第j个隐含层神经元之间在第u次迭代计算时的调节权重，v＝1，2，……q，j＝1,2……g；cji(u)为第j个隐含层神经元对于第i个输入神经元在第u次迭代计算时的中心分量；dji(u)为与学习中心cji(u)对应的宽度；表示wvj(u)的一阶矩估计、/>表示wvj(u)的二阶矩估计、/>表示cji(u)的一阶矩估计、/>表示cji(u)的二级矩估计、/>表示dji(u)的一阶矩估计、/>表示dji(u)的二阶矩估计分别表示，它们的初始值为0，∈是一个极小值，避免分母为0，η为学习因子；
E为RBF神经网络评价函数：
式中，Olk为第v个输出神经元在第l个输入样本时的期望输出值；ylv为第v个输出神经元在第l个输入样本时的网络输出值。
7.根据权利要求6所述的基于能量算子改进小波包的GIS局放声纹检测方法，其特征在于，使用测试集验证算法可行性：
A1：根据步骤5.2.1对神经网络参数进行初始化，并给定η和α的取值及迭代精度ε的值；
A2：计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤A3，
A3：根据步骤5.2.4权重迭代计算，对调节权重，中心和宽度参数进行迭代计算；
A4：返回步骤A2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687573.5A CN116682458A (zh) | 2023-06-12 | 2023-06-12 | 基于能量算子改进小波包的gis局放声纹检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687573.5A CN116682458A (zh) | 2023-06-12 | 2023-06-12 | 基于能量算子改进小波包的gis局放声纹检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116682458A true CN116682458A (zh) | 2023-09-01 |
Family
ID=87780658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310687573.5A Pending CN116682458A (zh) | 2023-06-12 | 2023-06-12 | 基于能量算子改进小波包的gis局放声纹检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116682458A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233589A (zh) * | 2023-09-14 | 2023-12-15 | 中国南方电网有限责任公司超高压输电公司广州局 | Gis设备故障诊断方法、装置、计算机设备及存储介质 |
| CN117969958A (zh) * | 2024-04-02 | 2024-05-03 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及系统 |
-
2023
- 2023-06-12 CN CN202310687573.5A patent/CN116682458A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233589A (zh) * | 2023-09-14 | 2023-12-15 | 中国南方电网有限责任公司超高压输电公司广州局 | Gis设备故障诊断方法、装置、计算机设备及存储介质 |
| CN117969958A (zh) * | 2024-04-02 | 2024-05-03 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及系统 |
| CN117969958B (zh) * | 2024-04-02 | 2024-06-07 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116682458A (zh) | 基于能量算子改进小波包的gis局放声纹检测方法 | |
| EP3699614B1 (en) | Method and system of partial discharge recognition for diagnosing electrical networks | |
| CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
| CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
| CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
| CN110686767A (zh) | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 | |
| CN112763871A (zh) | 一种局部放电分类识别方法 | |
| Yusoff et al. | Denoising technique for partial discharge signal: A comparison performance between artificial neural network, fast fourier transform and discrete wavelet transform | |
| CN116540025A (zh) | 一种基于迁移学习与残差网络的故障检测方法 | |
| Pan et al. | Learning approach based DC arc fault location classification in DC microgrids | |
| Palangar et al. | Designing an automatic detector device to diagnose insulator state on overhead distribution lines | |
| CN115047290A (zh) | 基于深度学习的电缆故障放电声音的检测方法 | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| Das et al. | Cross spectrum aided surface condition assessment of metal oxide surge arrester employing convolutional neural network | |
| CN115236385B (zh) | 一种高频脉冲电流波形极性的自动识别方法 | |
| CN114113951B (zh) | 一种高压开关柜绝缘缺陷超声应力检测系统与方法 | |
| Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
| CN115291103A (zh) | 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法 | |
| Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity | |
| CN114878969A (zh) | 一种线路故障行波反演方法 | |
| Lee | Fault diagnosis of induction motors using discrete wavelet transform and artificial neural network | |
| Shariatinasab et al. | A novel wavelet-neural network method for fault location analysis on transmission lines | |
| Zhang et al. | Adaptive window singular value decomposition method based on particle swarm optimization for partial discharge denoising | |
| CN110703080A (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 |
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 |