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 |