WO2014101579A1 - 基于奇异值分解算法的变压器局部放电模式识别方法 - Google Patents

基于奇异值分解算法的变压器局部放电模式识别方法 Download PDF

Info

Publication number
WO2014101579A1
WO2014101579A1 PCT/CN2013/087100 CN2013087100W WO2014101579A1 WO 2014101579 A1 WO2014101579 A1 WO 2014101579A1 CN 2013087100 W CN2013087100 W CN 2013087100W WO 2014101579 A1 WO2014101579 A1 WO 2014101579A1
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
discharge
sample
vector
singular value
Prior art date
Application number
PCT/CN2013/087100
Other languages
English (en)
French (fr)
Inventor
谢齐家
李成华
阮羚
李劲彬
宿磊
陈婷
张新访
Original Assignee
国家电网公司
国网湖北省电力公司电力科学研究院
华中科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 国家电网公司, 国网湖北省电力公司电力科学研究院, 华中科技大学 filed Critical 国家电网公司
Priority to US14/416,637 priority Critical patent/US20150185270A1/en
Publication of WO2014101579A1 publication Critical patent/WO2014101579A1/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Definitions

  • the invention belongs to the field of power technology, and more particularly to a method for identifying a partial discharge pattern of a transformer based on a singular value decomposition algorithm.
  • Partial discharge is one of the main causes of internal insulation degradation of large power transformers. On-line monitoring of partial discharge of transformers can timely and accurately determine the internal insulation state of transformers, which is of great significance for preventing the occurrence of power transformer accidents.
  • the two main problems of the partial discharge pattern recognition method are the selection of the feature quantity and the design classifier.
  • the prior art directly selects several of the statistical parameters as the feature quantity. This method lacks scientific basis based on practical experience; or adopts the feature based on principal component analysis algorithm. The selection method, but this method is complicated and the algorithm implementation is difficult.
  • the prior art mainly adopts a BP (Back Propagation) neural network algorithm based classification method, which exists: sensitive to the selection of initial weights and thresholds; easy to fall into local minimum points, resulting in learning process Failure; the algorithm has slow convergence speed and low efficiency.
  • BP Back Propagation
  • the object of the present invention is to provide a partial discharge pattern recognition method based on Singular Value Decomposition (SVD) algorithm, which makes the identification and calculation process simple, and obtains an algorithm with high efficiency and classification identification.
  • Singular Value Decomposition Singular Value Decomposition
  • the method for identifying a local discharge mode of a transformer based on the singular value decomposition algorithm according to the present invention is characterized in that it comprises the following steps:
  • Step (1) Build an artificial defect experimental environment of various discharge types and collect partial discharge related measurement parameter sample data
  • Step (2) Calculate the statistical data of the partial discharge parameter sample data collected by (1)
  • Step (3) constitutes a training sample matrix and a test sample matrix.
  • the composition of the two sample matrices is the same.
  • Each row of the matrix is a kind of statistical characteristic parameter, and each column is a sample;
  • step (4) Performing a singular value decomposition on the training sample matrix to determine an optimal order of the retention matrix;
  • Step (5) generating a classification model according to the sample matrix obtained by the singular value decomposition, wherein the classification model is composed of a type feature space description matrix and a class center description vector group;
  • Step (6) Pre-processing the sample matrix to be tested or the samples to be classified collected in the field to obtain the sample vector to be classified for classification and identification.
  • the artificial defect experimental environment described in the step (1) includes various typical discharge models including surface discharge, internal discharge and bubble discharge, and various interference models including air tip discharge and corona discharge;
  • Each type of measurement parameter sample data includes: pulse discharge amount, pulse phase, sampling frequency, amplitude range, trigger level, number of pulses, measurement duration, offset phase, measurement time, time interval, equivalent frequency, etc. Effective time.
  • the statistical characteristic parameters described in the step (2) include some or all of the following: discharge repetition frequency, total discharge times, discharge duration, maximum discharge amount of positive polarity and negative polarity, distribution of positive polarity and negative discharge times
  • the weighted average discharge phase the variance of the positive polarity and the negative discharge number distribution, the skewness of the positive polarity and the negative discharge number distribution, the steepness of the positive polarity and the negative discharge number distribution, and the positive and negative half cycles of the discharge number distribution map
  • the specific method for constructing the training sample matrix in step (3) is: calculating a statistical characteristic parameter of the partial discharge sample signal, and constituting a column vector as a column vector of the matrix, each of the discharge types
  • the sample data is successively placed in the columns of the matrix, each row of the matrix represents a statistical characteristic parameter, and the data is normalized.
  • the number of training samples and test samples for each type of discharge is 2:1.
  • the method for judging the optimal order of the reserved matrix in the step (4) is specifically: obtaining the feature space description matrix, the singular value matrix and the sample space description matrix after the singular value decomposition; and calculating the intra-class scattering of the sample space description matrix
  • the matrix, the inter-class scattering matrix, and the total scattering matrix of all samples are calculated to obtain the characterization value of the degree of clustering; the characterization value and the threshold value are compared, and when the characterization value is less than the threshold, the optimal order is determined.
  • the classification identification method in step (6) is specifically: preprocessing the sample to be classified or the sample to be classified collected in the field, obtaining the sample vector to be classified, and then using the type feature space description matrix obtained by the step (5) Linear transformation, the vector of the reduced dimension of the sample description space is obtained, and then the similarity between the vector and each vector in the class-center description vector group obtained by the step (5) is calculated, and the most similar group is used as the classification determination. result.
  • the preprocessing process includes: calculating a statistical feature parameter and a sample vector normalization.
  • the invention adopts the singular value decomposition algorithm to select the feature with better distinguishing ability during recognition, and the calculation is simpler than the principal component analysis method, and the execution efficiency is high.
  • the result of one screening can be used multiple times without Every calculation.
  • the method described in the solution of the present application overcomes the problems caused by the classification method based on the BP neural network algorithm.
  • the sample correlation matrix output by the SVD algorithm is used to calculate the category center point, and the distance between the sample and the category center is calculated, and the algorithm is simple. efficient.
  • the present invention has the following advantageous effects as compared with the prior art:
  • the primary decomposition algorithm obtains the information of the singular value matrix, the feature space description matrix and the type space description matrix of the sample matrix. Above, it is equivalent to completing the principal components in two directions.
  • the function of the algorithm is analyzed.
  • the sample matrix is dimension-reduced by singular value decomposition.
  • the classification algorithm is carried out in the space after dimension reduction, and the algorithm efficiency is improved.
  • High information utilization rate The method of the present invention makes full use of the physical meaning represented by each matrix after singular value decomposition, and uses the decomposed sample space description matrix to determine the optimal order of the retention matrix in step (4). And the dimensionality-descriptive class description vector group, and the reduced-dimensional type feature space description matrix is also obtained by using the reserved singular value matrix and the feature space description matrix.
  • step (5) the classification model is directly calculated by the retention matrix after the singular value decomposition. Compared with the classification method using the existing neural network algorithm, no additional classifier is needed.
  • Figure 2 is a schematic flow chart of an algorithm based on singular value decomposition.
  • Figure 3 is a schematic diagram of a method for determining the optimal order of the retention matrix.
  • Figure 4 is a schematic diagram of the retention matrix after singular value decomposition.
  • the present invention is a method for identifying a partial discharge pattern of a transformer based on a singular value decomposition algorithm, which includes the following steps:
  • each type of measurement parameters include: pulse discharge amount, pulse phase, sampling frequency, amplitude range, trigger level, number of pulses, measurement duration, offset phase, measurement time, time interval, etc. Effective frequency, equivalent duration.
  • each partial discharge sample signal is calculated and grouped according to categories to form a feature matrix as shown in the following formula.
  • Each column of the matrix stores a sample column vector, and each type of sample is continuously placed in the sample.
  • each row represents a statistical feature parameter.
  • Data normalization is performed on the matrix S to obtain a training sample matrix ⁇ 4. Specifically, the matrix is normalized for each statistical parameter by row, and the calculation formula for each element of the matrix ⁇ 4 is as follows:
  • ⁇ is a singular value matrix, which is a diagonal matrix, and the singular value is from large to small.
  • the feature space description matrix reflects the relationship between statistical parameters, each row represents a parameter; the type feature space description matrix is used to form a classification decision matrix for the next classification recognition algorithm; the sample space description matrix reflects the distance between samples Relationship, each column represents a sample.
  • the matrix is used to determine whether the target features retained after dimensionality reduction are obvious.
  • One optimization scheme is: Determine the optimal order of the retention matrix with the most obvious target features. The basic idea of discriminating whether the extracted features are obvious is: The smaller the intra-class distance of the samples in the same category, the better. The larger the distance between the sample classes in different categories, the better.
  • the order of the singular value matrix ⁇ is retained
  • the initial value of the number ⁇ is set to ?
  • R is the rank of the matrix ⁇ 4, which is the number of non-zero singular values in the unitary matrix.
  • ⁇ " is a determinant.
  • T f xJ R , where J R is the characterization value of the clustering degree when the rank of the order ⁇ matrix is retained, / is the dimension reduction factor, and its value ranges from 0 ⁇ / ⁇ 1
  • ⁇ ' denotes the first sample vector of the vector subset
  • the type feature space description matrix and the class center description vector group form a description of the classification model.
  • Preprocessing the test sample matrix or the sample to be classified collected in the field to obtain the sample vector to be classified the specific steps include: calculating the statistical characteristic parameter described in (2), using the description in (3) The method normalizes the sample vector.
  • y m 1 represents the modulus of the calculation vector.
  • a total of c cosine values are calculated and sorted by the cosine value, and the largest one is determined as the category of the sample vector _y to be classified.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于奇异值分解算法的变压器局部放电模式识别方法，包括训练模型和分类识别过程，包括：首先搭建人工缺陷实验环境并采集数据样本，计算每个样本的统计特征参量，构成数据样本矩阵；对样本矩阵进行奇异值分解，通过判断保留矩阵的特征是否明显，确定最佳保留矩阵的阶数，从而得到降维后的类型特征描述矩阵和类中心描述向量组；对待识别的样本进行预处理得到样本向量，用类型特征空间描述矩阵将其线性变换，得到降维后的样本描述空间的向量，然后计算该向量与类型向量组中的每个向量的相似度大小，从而得到分类判断结果。该算法简单而且高效，能够实现局部放电检测中干扰信号和放电信号的可靠区分，提高局部放电模式诊断的准确性。

Description

基于奇异值分解算法的变压器局部放电模式识别方法
技术领域
本发明属于电力技术领域， 更具体地， 涉及一种基于奇异值分解算法 的变压器局部放电模式识别方法。
背景技术
局部放电是导致大型电力变压器内部绝缘劣化的主要原因之一， 变压 器局部放电的在线监测， 能够及时、 准确地判断变压器内部绝缘状态， 对 防止电力变压器事故的发生具有重要意义。 局部放电模式识别方法的二个 主要问题是选择特征量与设计分类器。 在选择统计特征参量作为局放特征 量时， 现有技术或者直接从众多的统计参数中挑选几个作为特征量， 这种 方法完全凭实践经验缺乏科学依据； 或者采用基于主成分分析算法的特征 选择方法， 但这种方法过程复杂， 算法实现比较困难。
在分类器构造方面， 现有技术主要是采用基于 BP (Back Propagation) 神经网络算法的分类方法， 这种方法存在： 对初始权值和阈值的选取敏感； 容易陷入局部极小点， 致使学习过程失效； 算法收敛速度慢， 效率低等不 足。
发明内容
针对现有技术的缺陷， 本发明的目的在于提供一种基于奇异值分解 ( Singular Value Decomposition, SVD)算法的局部放电模式识别方法， 使 识别、 计算过程简单， 得到一种算法效率高、 分类识别率高、 能提高变压 器设备局部放电诊断的科学性和准确性的识别方法。
为实现上述目的， 本发明所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 包括以下歩骤：
歩骤（1 ) 搭建多种放电类型的人工缺陷实验环境并采集局部放电相关 测量参量样本数据；
歩骤 （2 ) 计算由第 （1 ) 歩采集到的局部放电参量样本数据的统计特 歩骤 （3 ) 构成训练样本矩阵和测试样本矩阵， 两种样本矩阵的组成结 构相同， 矩阵的每一行是一种所述的统计特征参量， 每一列是一个样本； 歩骤 （4) 对所述训练样本矩阵进行奇异值分解， 确定保留矩阵的最佳 阶数；
歩骤 （5) 根据经奇异值分解得到的样本矩阵生成分类模型， 所述分类 模型由类型特征空间描述矩阵和类中心描述向量组构成；
歩骤（6)对测试样本矩阵或者现场采集到的待分类的样本进行预处理 得到待分类样本向量， 进行分类识别。
作为优化方案， 歩骤 （1 ) 中所述人工缺陷实验环境包括表面放电、 内 部放电和气泡放电在内的多种典型放电模型， 以及空气尖端放电和电暈放 电在内的多种干扰模型； 每种类型的测量参量样本数据包括： 脉冲放电量、 脉冲相位、 采样频率、 幅值范围、 触发电平、 脉冲个数、 测量时长、 偏移 相位、 测量时间、 时间间隔、 等效频率、 等效时长。
歩骤 （2) 中所述的统计特征参量包括下述的部分或全部： 放电重复频 率、 总放电次数、 放电持续时间、 正极性和负极性的最大放电量、 正极性 和负极性放电次数分布的加权平均放电相位、 正极性和负极性放电次数分 布的方差、 正极性和负极性放电次数分布的偏斜度、 正极性和负极性放电 次数分布的陡峭度、 放电次数分布图的正负半周不对称度、 放电次数分布 图的正负半分布相关系数、 正极性和负极性平均放电量分布的方差、 正极 性和负极性平均放电量分布的偏斜度、 正极性和负极性平均放电量分布的 陡峭度、 平均放电量分布图的正负半周不对称度、 平均放电量分布图的正 负半分布相关系数、 脉冲幅度威布尔分布的阿尔法参数、 脉冲幅度威布尔 分布的贝塔参数。
歩骤 （3) 中构成所述训练样本矩阵的具体方法为， 计算局放样本信号 的统计特征参量， 并构成列向量作为矩阵的列向量， 每一种所述放电类型 的样本数据连续放置在矩阵的列中， 矩阵每一行代表一种统计特征参量， 并做数据归一化计算。
作为优化方案， 每种放电类型的训练样本和测试样本数量取 2 : 1 的比 例。
歩骤 （4) 中所述保留矩阵的最佳阶数的判断方法具体为， 奇异值分解 后得到特征空间描述矩阵、 奇异值矩阵和样本空间描述矩阵； 对样本空间 描述矩阵计算其类内散射矩阵、 类间散射矩阵、 全部样本的总散射矩阵， 计算得到判断聚类程度的表征值； 比较表征值和阈值大小， 当表征值小于 阈值时， 判定为最佳阶数。
歩骤 （6) 中分类识别方法具体为， 对测试样本矩阵或者现场采集到的 待分类的样本进行预处理， 得到待分类样本向量， 然后用歩骤 （5 ) 得到的 类型特征空间描述矩阵做线性变换， 得到降维后的样本描述空间的向量， 再计算该向量与歩骤（5 )得到的类中心描述向量组中的每个向量的相似度 大小， 将最相似的一组作为分类判定结果。
所述预处理过程包括： 计算统计特征参量、 样本向量归一化。
本发明采用奇异值分解算法选择对识别时的区别能力较好的特征， 计 算比主成分分析法简单， 执行效率高， 对现有的统计特征参量， 一次筛选 得到的结果可多次使用， 不必每次计算。 本申请方案所述的方法克服了采 用基于 BP神经网络算法的分类方法所带来的问题， 采用 SVD算法输出的 样本关联矩阵， 计算类别中心点， 用测算样本到类别中心的距离， 算法简 单， 效率高。
通过本发明所构思的以上技术方案， 与现有技术相比， 本发明具有以 下的有益效果：
1、 算法效率高： 因为歩骤 （4) 中采取对样本矩阵进行奇异值分解， 一次分解算法得到了样本矩阵的奇异值矩阵、 特征空间描述矩阵和类型空 间描述矩阵三方面的信息， 从功能上讲， 相当于完成了两个方向上主成分 分析算法实现的功能； 通过奇异值分解对样本矩阵进行了降维， 分类算法 在降维后的空间进行， 算法效率得到了提高。
2、 信息利用率高： 本发明的方法充分利用了奇异值分解后各矩阵代表 的物理意义， 在歩骤 （4) 中利用了分解后的样本空间描述矩阵来判断保留 矩阵的最佳阶数和降维的类中心描述向量组， 还利用保留的奇异值矩阵和 特征空间描述矩阵得到降维了的类型特征空间描述矩阵。
3、 分类算法实现过程简单： 歩骤 （5 ) 中分类模型直接由奇异值分解 后的保留矩阵计算得到， 相比采用现有神经网络算法的分类方法， 不需要 额外构造分类器。
4、 识别率高： 因为判断保留矩阵的阶数方法没有采取传统的由奇异值 的贡献率大小来判断， 在歩骤 （4) 中的确定最佳保留矩阵的阶数方法使得 保留矩阵在过滤掉不相关的冗余信息的同时尽可能反映原始数据的信息。 附图说明
图 1是本发明一种实施例的总体流程图，
图 2是基于奇异值分解的算法流程示意图，
图 3 是确定保留矩阵最佳阶数的方法示意图，
图 4是奇异值分解后保留矩阵示意图。
具体实施方式
为了使本发明的目的、 技术方案及优点更加清楚明白， 以下结合附图 及实施例， 对本发明进行进一歩详细说明。 应当理解， 此处所描述的具体 实施例仅仅用以解释本发明， 并不用于限定本发明。
如图 1 实施例所示， 本发明是一种基于奇异值分解算法的变压器局部 放电模式识别方法， 包括以下歩骤：
( 1 ) 搭建人工缺陷实验环境并采集数据。 具体而言， 可以设置表面放 电、 内部放电和气泡放电等在内的多种典型放电模型， 以及空气尖端放电 和电暈放电等在内的多种干扰模型； 采用超高频局部放电测量系统在实验 室中进行数据采集， 每种类型的测量参量包括： 脉冲放电量、 脉冲相位、 采样频率、 幅值范围、 触发电平、 脉冲个数、 测量时长、 偏移相位、 测量 时间、 时间间隔、 等效频率、 等效时长。 分别获取这些模型的多个样本数 据， 取每类三分之二数量的样本用于训练， 其余样本用于测试。
(2 )计算每个样本的统计特征参量。 具体而言， 包括以下统计特征参 数： 放电重复频率、 总放电次数、 放电持续时间、 正极性和负极性的最大 放电量、 正极性和负极性放电次数分布的加权平均放电相位、 正极性和负 极性放电次数分布的方差、 正极性和负极性放电次数分布的偏斜度、 正极 性和负极性放电次数分布的陡峭度、 放电次数分布图的正负半周不对称度、 放电次数分布图的正负半分布相关系数、 正极性和负极性平均放电量分布 的方差、 正极性和负极性平均放电量分布的偏斜度、 正极性和负极性平均 放电量分布的陡峭度、 平均放电量分布图的正负半周不对称度、 平均放电 量分布图的正负半分布相关系数、 脉冲幅度威布尔分布的阿尔法参数、 脉 冲幅度威布尔分布的贝塔参数。
作为一种实施例， 我们选了 25种参数和 4种缺陷模型， 本发明并不限 定使用另外的参数和缺陷模型。
( 3 ) 构成局放样本数据矩阵^ 。 具体而言， 首先计算每个局部放电样 本信号的统计特征参量， 按类别分组整理好， 形成如下式所示的特征矩阵， 矩阵的每一列存放一个样本列向量， 每一类的样本连续放置在矩阵的列中， 每一行代表一种统计特征参量。
作为一种实施例， 第 （1 ) 歩共取了 4*40=160个样本用于训练， 由第 (2 ) 歩从每个样本计算出 25个统计特征参量， 下列的 S矩阵中有 25个行 向量， 4类样本共 160个样本列向量。 样 样 样
本 本 ― 本
1 2 Ώ.
4 1
Sl l ½ ■ - . ¾ 特征 1
½ S - - 特征 2 特征
«表示样本数， 本例中为 160 w表示特征数， 本例中为 25
对矩阵 S进行数据归一化， 得到训练样本矩阵^ 4。 具体而言， 是矩阵 按行对每种统计参数进行归一化操作，矩阵^ 4每个元素 的计算公式如下:
Figure imgf000008_0001
(4)对样本矩阵^ 进行奇异值分解， 确定最佳保留矩阵的阶数， 具体 流程参见图 2
具体而言， 首先对歩骤 （3 ) 中构造好的矩阵^做奇异值分解， 分解后 的输出 = f/∑ ， 其中∑是奇异值矩阵， 为对角矩阵， 奇异值按从大到小排 列； 特征空间描述矩阵 反映统计参量之间的关系， 每一行代表一个参量； 类型特征空间描述矩阵 用来构成分类判定矩阵， 用于下一歩分类识别 算法； 样本空间描述矩阵 反映样本之间的距离关系， 每一列代表一个样 本。 矩阵 用来判断降维后保留下来的目标特征是否明显， 一种优化方案 是： 用最明显的目标特征确定保留矩阵的最佳阶数。 判别提取特征是否明 显的基本思路是： 中同一类别中样本的类内距离越小越好， 不同类别间 样本类间距离越大越好。
图 3为确定保留矩阵最佳阶数的方法， 具体说明如下： 矩阵 的列向量 »含有《个样本， 分别属于 c个类型， 每个类型构成向量子集 （7=1,2， ...， c)， 每个子集有"；个样本。 将奇异值矩阵∑保留的阶数^初始值设为?， R为 矩阵^ 4的秩， 即为∑矩阵中非零奇异值的个数。
①、 取样本空间描述矩阵 ^的前 ^行， 按列构成^维空间矩阵 D。
②、 计算矩阵)的类内散射矩阵 ， 计算公式如下：
其中， 为各类型先验概率，
Figure imgf000009_0001
为某一个类型的 类内散射矩阵， 计算公式如下： η .
该式中 ;)表示向量子集 ^的第 ζ个样本向量， = 1, 2, 3, ..., ，
= 1, 2, 3, ..., C ； ^为各类型的均值向量； 表示对矩阵进行转置操作，下同。
③、 计算矩阵)的类间散射矩阵&， 其定义如下：
Figure imgf000009_0002
其中， 和^的含义同上所述， ™为全部样本的均值向量。
④、 计算矩阵 D全部样本的总散射矩阵&， 其定义如下：
⑤、 计算矩阵 特征值。
⑥、 计算判断聚类程度的表征值 ， 其定义如下， 其中， =1 I Λ =1 C I
其中 为保留的阶数， 表示矩阵的迹， 也就是对角线元素之和， 符号
ΊΙ"为行列式。
⑦、 确定阈值 , T = f xJR , 其中， JR是当保留阶数 ^^矩阵的秩 时 聚类程度的表征值， /为降维因子， 它的取值范围为 0 < / < 1， 其取值反映了 用户对聚类程度要求， 作为一种实施例， 取/ = 0.9。 比较 Λ和 的大小， 如 果 Λ大于 则赋值 ^1， 回到歩骤①、 如小于 则停止， 保留此时的 从而得到了保留阶数为 的三个矩阵½、 Σ Π矩阵^， 如图 4所示。 作 为一种实施例， 选择保留矩阵的最佳阶数 ^=6。
(5) 分类模型的生成。 具体而言， 利用第 （4) 中保留矩阵 ½和 ∑k 计算得到降维后的类型特征空间描述矩阵^ % 计算公式如下：
AL = Uk *∑ -、
对 矩阵， 求出每一类的类中心描述向量 ， ^是通过计算类型 _； 中样本的均值得到的， 计算公式如下：
其中， χ' 表示向量子集 的第 I个样本向量， z=l, 2, 3,···, =1, 2, 3 ·· c, c代表类型的总数。
类型特征空间描述矩阵 和类中心描述向量组构成分类模型的描述。
(6) 分类识别过程。 具体而言， 分两歩进行，
①、 对测试样本矩阵或者现场采集到的待分类的样本进行预处理得到 待分类样本向量 具体歩骤包括： 计算第（2)歩中描述的统计特征参量， 利用第 （3 ) 歩中描述的方法对样本向量进行归一化计算。
②、用歩骤（ 5 )得到的类型特征空间描述矩阵^ ^对向量 _y做线性变换， 得到降维后的样本描述空间的向量 ， 计算公式如下： y ' = yT * AL
③、计算上一歩②中得到的向量 与歩骤（5)中类中心描述向量组中 每个向量"^间的相似度大小， 从而得到分类判断结果。 具体而言， 计算向 量 ^与类中心描述向量组中每个向量 的夹角余弦值， 公式如下：
m - y
y m 式中， 1表示计算向量的模。 共计算得到 c个余弦值， 并按余弦值计 算结果大小排序， 取其中 最大的一个类别判定为待分类样本向量 _y 的类 别。
本领域的技术人员容易理解， 以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明， 凡在本发明的精神和原则之内所作的任何修改、 等 同替换和改进等， 均应包含在本发明的保护范围之内。

Claims

权利要求书
1、 一种基于奇异值分解算法的变压器局部放电模式识别方法， 其特征在于， 包括以下歩骤：
歩骤 （1 ) 搭建多种放电类型的人工缺陷实验环境并采集局部放 电相关测量参量样本数据；
歩骤（2)计算由第（1 )歩采集到的局部放电参量样本数据的统 计特征参量；
歩骤 （3 ) 构成训练样本矩阵和测试样本矩阵， 两种样本矩阵的 组成结构相同， 矩阵的每一行是一种所述的统计特征参量， 每一列是 一个样本；
歩骤 （4) 对所述训练样本矩阵进行奇异值分解， 确定保留矩阵 的最佳阶数；
歩骤 （5) 根据经奇异值分解得到的样本矩阵生成分类模型， 所 述分类模型由类型特征空间描述矩阵和类中心描述向量组构成； 歩骤 （6) 对测试样本矩阵或者现场采集到的待分类的样本进行 预处理得到待分类样本向量， 进行分类识别。
2、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 歩骤 （1 ) 中所述人工缺陷实验环境 包括表面放电、 内部放电和气泡放电在内的多种典型放电模型， 以及 空气尖端放电和电暈放电在内的多种干扰模型；每种类型的测量参量 样本数据包括： 脉冲放电量、 脉冲相位、 采样频率、 幅值范围、 触发 电平、 脉冲个数、 测量时长、 偏移相位、 测量时间、 时间间隔、 等效 频率、 等效时长。
3、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 歩骤 （2) 中所述的统计特征参量包 括下述的部分或全部： 放电重复频率、 总放电次数、 放电持续时间、 正极性和负极性的最大放电量、正极性和负极性放电次数分布的加权 平均放电相位、正极性和负极性放电次数分布的方差、正极性和负极 性放电次数分布的偏斜度、 正极性和负极性放电次数分布的陡峭度、 放电次数分布图的正负半周不对称度、放电次数分布图的正负半分布 相关系数、正极性和负极性平均放电量分布的方差、正极性和负极性 平均放电量分布的偏斜度、 正极性和负极性平均放电量分布的陡峭 度、平均放电量分布图的正负半周不对称度、平均放电量分布图的正 负半分布相关系数、脉冲幅度威布尔分布的阿尔法参数、脉冲幅度威 布尔分布的贝塔参数。
4、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 歩骤 （3) 中构成所述训练样本矩阵 的具体方法为， 计算局放样本信号的统计特征参量， 并构成列向量作 为矩阵的列向量，每一种所述放电类型的样本数据连续放置在矩阵的 列中， 矩阵每一行代表一种统计特征参量， 并做数据归一化计算。
5、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 每种放电类型的训练样本和测试样本 数量取 2 : 1的比例。
6、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 歩骤 （4) 中所述保留矩阵的最佳阶 数的判断方法具体为， 奇异值分解后得到特征空间描述矩阵、奇异值 矩阵和样本空间描述矩阵； 对样本空间描述矩阵计算其类内散射矩 阵、类间散射矩阵、 全部样本的总散射矩阵， 计算得到判断聚类程度 的表征值； 比较表征值和阈值大小， 当表征值小于阈值时， 判定为最 佳阶数。
7、 根据权利要求 1所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 歩骤 （6) 中分类识别方法具体为， 对测试样本矩阵或者现场采集到的待分类的样本进行预处理，得到待 分类样本向量， 然后用歩骤 （5 ) 得到的类型特征空间描述矩阵做线 性变换，得到降维后的样本描述空间的向量，再计算该向量与歩骤（5 ) 得到的类中心描述向量组中的每个向量的相似度大小，将最相似的一 组作为分类判定结果。
8、 根据权利要求 7所述的基于奇异值分解算法的变压器局部放 电模式识别方法， 其特征在于， 所述预处理过程包括： 计算统计特征 参量、 样本向量归一化。
PCT/CN2013/087100 2012-12-28 2013-11-14 基于奇异值分解算法的变压器局部放电模式识别方法 WO2014101579A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/416,637 US20150185270A1 (en) 2012-12-28 2013-11-14 Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201210581013.3A CN103077402B (zh) 2012-12-28 2012-12-28 基于奇异值分解算法的变压器局部放电模式识别方法
CN201210581013.3 2012-12-28

Publications (1)

Publication Number Publication Date
WO2014101579A1 true WO2014101579A1 (zh) 2014-07-03

Family

ID=48153926

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/087100 WO2014101579A1 (zh) 2012-12-28 2013-11-14 基于奇异值分解算法的变压器局部放电模式识别方法

Country Status (3)

Country Link
US (1) US20150185270A1 (zh)
CN (1) CN103077402B (zh)
WO (1) WO2014101579A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829412A (zh) * 2019-01-24 2019-05-31 三峡大学 基于动态模式分解分形特征的局部放电模式识别方法
CN111104972A (zh) * 2019-12-06 2020-05-05 南京工程学院 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法
CN111144431A (zh) * 2018-11-06 2020-05-12 西安工程大学 一种基于cbbo-svm的变压器故障诊断方法
CN111274286A (zh) * 2020-01-16 2020-06-12 首都师范大学 基于模式分析的矩阵填充方法及装置
CN111639263A (zh) * 2020-06-03 2020-09-08 小红书科技有限公司 笔记推荐方法、装置及系统
CN112906672A (zh) * 2021-04-08 2021-06-04 上海应用技术大学 钢轨缺陷识别方法及系统
CN113203924A (zh) * 2021-04-29 2021-08-03 国网四川省电力公司电力科学研究院 一种基于局部放电检测的电容器冲击老化程度预测方法
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402B (zh) * 2012-12-28 2016-05-11 国家电网公司 基于奇异值分解算法的变压器局部放电模式识别方法
CN103777123A (zh) * 2014-01-27 2014-05-07 国家电网公司 用于gis设备的局部放电故障综合诊断方法
CN104502812B (zh) * 2014-11-26 2018-02-23 国家电网公司 局部放电采集方法和装置
CN104777410A (zh) * 2015-04-22 2015-07-15 东北电力大学 交联聚乙烯电缆局部放电模式识别方法
CN105548832B (zh) * 2015-12-10 2018-09-21 国网四川省电力公司电力科学研究院 高压电力电缆故障识别方法
CN105938177A (zh) * 2016-06-23 2016-09-14 西安西热节能技术有限公司 基于局部放电统计量的特征提取及识别方法
CN106019104A (zh) * 2016-07-01 2016-10-12 国网辽宁省电力有限公司抚顺供电公司 低压电缆交流耐压设备
CN106291275B (zh) * 2016-07-27 2019-03-22 西安西热节能技术有限公司 一种局部放电超高频单次波形频域特征提取及识别方法
CN106569099A (zh) * 2016-10-10 2017-04-19 江苏省电力公司泰州供电公司 一种基于奇异值分解的局部放电超高频信号压缩方法
CN106778692B (zh) * 2017-01-17 2020-07-03 广东电网有限责任公司珠海供电局 一种基于s变换的电缆局部放电信号识别方法及装置
CN106771938B (zh) * 2017-03-22 2019-12-10 广东工业大学 一种固体绝缘环网柜局部放电模式识别方法及装置
CN107238782A (zh) * 2017-05-10 2017-10-10 西安热工研究院有限公司 一种基于特征相位的多种局部放电混合信号分离方法
CN107436975A (zh) * 2017-07-20 2017-12-05 同济大学 一种平稳脉动风幅值谱的确定方法
CN107895222A (zh) * 2017-10-26 2018-04-10 华北电力大学 基于dbscan算法的变压器不良漏抗参数辨识方法
CN108106500B (zh) * 2017-12-21 2020-01-14 中国舰船研究设计中心 一种基于多传感器的导弹目标类型识别方法
CN108693448B (zh) * 2018-03-28 2020-11-13 西安博源电气有限公司 一种应用于电力设备局部放电模式识别系统
CN108536648B (zh) * 2018-03-30 2021-07-06 武汉大学 基于多超声波传感器的局部放电非线性模型转换求解与优化方法
CN108765189B (zh) * 2018-05-15 2020-03-20 国网江苏省电力有限公司电力科学研究院 基于智能诊断算法的开放式局部放电大数据管理系统
CN109541405B (zh) * 2018-10-23 2020-10-16 深圳供电局有限公司 一种电力电缆局部放电定位方法
CN109635845B (zh) * 2018-11-14 2021-10-22 湖南金石分选智能科技有限公司 基于主成分分析和支持向量机结合的物料分选方法及系统
CN109685138B (zh) * 2018-12-25 2023-04-07 东南大学 一种xlpe电力电缆局部放电类型识别方法
CN110160483B (zh) * 2019-04-26 2021-01-29 云南电网有限责任公司电力科学研究院 一种电缆终端绝缘损伤面积的测量方法以及装置
CN110514295B (zh) * 2019-08-31 2021-04-06 广东石油化工学院 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统
CN110837028B (zh) * 2019-09-27 2021-08-31 中国船舶重工集团公司第七一九研究所 一种快速识别局部放电模式的方法
CN111178391B (zh) * 2019-12-10 2023-06-30 网络通信与安全紫金山实验室 一种使用增量奇异值分解法进行产品行业平行数据集构建的方法
CN111175615A (zh) * 2019-12-20 2020-05-19 云南电网有限责任公司玉溪供电局 一种真空度关联局放信号的处理方法
CN111159646B (zh) * 2019-12-24 2023-08-15 一汽解放汽车有限公司 喷油器多工况性能数据的分组方法
CN111275109A (zh) * 2020-01-20 2020-06-12 国网山东省电力公司枣庄供电公司 基于自编码器的电力设备状态数据特征选优方法及系统
CN111693812B (zh) * 2020-06-15 2021-10-01 中国科学技术大学 一种基于声音特征的大型变压器故障检测方法
CN111721834B (zh) * 2020-06-22 2023-08-08 南京南瑞继保电气有限公司 一种电缆局部放电在线监测缺陷辨识方法
CN112381351B (zh) * 2020-10-15 2022-10-11 广西电网有限责任公司 一种基于奇异谱分析的用电行为变化检测方法及系统
CN112270363A (zh) * 2020-11-02 2021-01-26 杭州电子科技大学 一种局部近邻在线自适应建模的性能绩效指标确定方法
CN112446320B (zh) * 2020-11-23 2022-03-29 广东电网有限责任公司 一种模糊识别逻辑门多重互补局放判别装置及方法
CN112505551B (zh) * 2020-12-16 2023-01-10 北方工业大学 一种面向退役动力电池的筛选方法
CN112684311B (zh) * 2021-01-30 2023-04-07 国网上海市电力公司 用于变压器油纸绝缘局部放电类型识别的特征量提取方法
CN113138323B (zh) * 2021-03-12 2024-04-19 深圳供电局有限公司 局部放电类型识别装置
CN113655098B (zh) * 2021-08-17 2023-07-21 广西电网有限责任公司电力科学研究院 基于电流测试的电缆终端用硅油微水含量测量方法
CN113777449A (zh) * 2021-08-31 2021-12-10 云南电网有限责任公司昆明供电局 基于改进svd算法的电缆局部放电窄带干扰抑制方法
FR3128537A1 (fr) * 2021-10-25 2023-04-28 Schneider Electric Industries Sas Procédé de classification de décharge partielle dans un conducteur électrique d’un appareil électrique de moyenne tension
CN114492636B (zh) * 2022-01-26 2023-11-24 上海交通大学 一种变压器绕组状态信号的采集系统
CN115114571A (zh) * 2022-06-26 2022-09-27 长安大学 一种基于核主成分分析增强无监督学习的非视距识别方法
CN114839495B (zh) * 2022-06-30 2022-09-20 江苏苏能森源电气有限公司 基于人工智能的变压器局部放电异常检测方法
CN116207708B (zh) * 2023-04-28 2023-07-21 华北电力科学研究院有限责任公司 变压器故障防御方法及装置
CN116304931B (zh) * 2023-05-12 2023-08-04 山东英伟电子技术有限公司 一种基于大数据的电力数据挖掘方法
CN117708760A (zh) * 2024-02-05 2024-03-15 国网江西省电力有限公司电力科学研究院 基于多模型融合的开关柜多源局放模式识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707203A (zh) * 2012-02-16 2012-10-03 安徽理工大学 变压器局部放电模式识别的测量方法
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6807536B2 (en) * 2000-11-16 2004-10-19 Microsoft Corporation Methods and systems for computing singular value decompositions of matrices and low rank approximations of matrices

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707203A (zh) * 2012-02-16 2012-10-03 安徽理工大学 变压器局部放电模式识别的测量方法
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANG, JU ET AL.: "Partial Discharge Pattern Recognition Using Discrete Wavelet Transform and Singular Value Decomposition", HIGH VOLTAGE ENGINEERING, vol. 36, no. 7, 31 July 2010 (2010-07-31), pages 1686 - 1691 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144431A (zh) * 2018-11-06 2020-05-12 西安工程大学 一种基于cbbo-svm的变压器故障诊断方法
CN109829412B (zh) * 2019-01-24 2023-03-24 三峡大学 基于动态模式分解分形特征的局部放电模式识别方法
CN109829412A (zh) * 2019-01-24 2019-05-31 三峡大学 基于动态模式分解分形特征的局部放电模式识别方法
CN111104972A (zh) * 2019-12-06 2020-05-05 南京工程学院 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法
CN111274286A (zh) * 2020-01-16 2020-06-12 首都师范大学 基于模式分析的矩阵填充方法及装置
CN111274286B (zh) * 2020-01-16 2023-06-23 首都师范大学 基于模式分析的矩阵填充方法及装置
CN111639263A (zh) * 2020-06-03 2020-09-08 小红书科技有限公司 笔记推荐方法、装置及系统
CN111639263B (zh) * 2020-06-03 2023-11-24 小红书科技有限公司 笔记推荐方法、装置及系统
CN112906672A (zh) * 2021-04-08 2021-06-04 上海应用技术大学 钢轨缺陷识别方法及系统
CN112906672B (zh) * 2021-04-08 2024-02-02 上海应用技术大学 钢轨缺陷识别方法及系统
CN113203924A (zh) * 2021-04-29 2021-08-03 国网四川省电力公司电力科学研究院 一种基于局部放电检测的电容器冲击老化程度预测方法
CN113203924B (zh) * 2021-04-29 2023-07-11 国网四川省电力公司电力科学研究院 一种基于局部放电检测的电容器冲击老化程度预测方法
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN113655348B (zh) * 2021-07-28 2023-12-08 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备

Also Published As

Publication number Publication date
CN103077402A (zh) 2013-05-01
CN103077402B (zh) 2016-05-11
US20150185270A1 (en) 2015-07-02

Similar Documents

Publication Publication Date Title
WO2014101579A1 (zh) 基于奇异值分解算法的变压器局部放电模式识别方法
CN111626153A (zh) 一种基于集成学习的局放故障状态识别方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
Jia et al. Non-intrusive load identification using reconstructed voltage–current images
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN109472288A (zh) 一种抽水蓄能机组振动混合特征提取与分类方法
US20240133391A1 (en) Prediction method for stall and surging of axial-flow compressor based on deep autoregressive network
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
WO2022052548A1 (zh) 数据分析方法及装置、电子设备、存储介质
CN111308185A (zh) 一种非侵入式负荷识别方法
CN112485622A (zh) 基于ga-bpnn的局部放电模式识别方法
CN111611961A (zh) 一种基于变点分段与序列聚类的谐波异常识别方法
CN111398798A (zh) 基于振动信号区间特征提取的断路器储能状态辨识方法
CN116010884A (zh) 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法
CN116087647A (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法
CN111031064A (zh) 一种检测电网假数据注入攻击的方法
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN117056678A (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN109508350B (zh) 一种对数据进行采样的方法和装置
CN115688015A (zh) 基于非侵入式负荷监测的电压暂降类别识别方法及设备
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法
CN111461214A (zh) 一种基于随机森林算法的绝缘管母故障自动诊断方法
CN114252737B (zh) 一种电力电缆局放发展过程的状态识别与评价方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13869039

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14416637

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13869039

Country of ref document: EP

Kind code of ref document: A1