本發(fā)明屬于電力變壓器局部放電模式識別技術(shù)領(lǐng)域，涉及一種變壓器局部放電超高頻信號多尺度能量特征線性識別方法。

背景技術(shù)：

大型電力變壓器是電網(wǎng)關(guān)鍵輸變電設(shè)備之一。變壓器內(nèi)部絕緣為油紙組合絕緣，其絕緣缺陷一方面可能在制造與運輸過程中產(chǎn)生，另一方面可能由于電力系統(tǒng)過電壓、雷電沖擊大電流以及長時間運行過程中的絕緣失效老化等因素造成，絕緣缺陷會導(dǎo)致電力變壓器內(nèi)部發(fā)生局部放電現(xiàn)象。局部放電發(fā)生的同時，有熱、聲、臭氧、氧化氮等產(chǎn)生，腐蝕絕緣材料，使之脆化、碳化，造成不可恢復(fù)的損傷；同時放電產(chǎn)生帶電質(zhì)點，在電場作用下撞擊氣隙表面的絕緣材料，這種腐蝕和撞擊損傷的擴大，可使整個絕緣擊穿或閃絡(luò)。

變壓器局部放電時伴有電脈沖、電磁輻射、聲、光、局部發(fā)熱以及放電導(dǎo)致絕緣材料分解出氣體等現(xiàn)象，通過這些現(xiàn)象可以檢測局部放電。隨著傳感器技術(shù)、數(shù)據(jù)采集技術(shù)等的不斷發(fā)展，局部放電的檢測超高頻和超寬頻方向發(fā)展。超高頻局部放電檢測法是通過接收變壓器內(nèi)部放電所產(chǎn)生的超高頻電信號，實現(xiàn)局部放電的檢測。

上個世紀90年代以來，模式識別方法開始應(yīng)用于局部放電類型的識別，和傳統(tǒng)的依靠專家目測進行放電類型判定相比，顯著提高了識別的科學(xué)性和有效性。對變壓器局部放電二維及三維統(tǒng)計圖譜進行模式分析，是普遍采用的局部放電分析與絕緣故障診斷方法，但長期監(jiān)測中的局部放電統(tǒng)計圖譜數(shù)據(jù)量大，海量數(shù)據(jù)不利于長期監(jiān)測與遠程識別的需要。隨著超高頻檢測技術(shù)的發(fā)展，由于超高頻波形信號所含頻域信息較為豐富，應(yīng)用于脈沖電流檢測法的局部放電模式識別技術(shù)被引入超高頻信號檢測法，但目前缺乏有效的局部放電超高頻信號波形特征參量以及快速識別方法。

因此，通過電力變壓器局部放電超高頻多尺度信號的識別，可以有效鑒別變壓器內(nèi)部絕緣缺陷及缺陷發(fā)展程度，有效判斷變壓器絕緣狀態(tài)，實現(xiàn)變壓器內(nèi)部放電性故障的預(yù)警預(yù)報，提高變壓器安全運行水平。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種變壓器局部放電超高頻信號多尺度能量特征線性識別方法，具體包括如下技術(shù)方案：

一種變壓器局部放電超高頻信號多尺度能量特征線性識別方法，該方法包括以下步驟：

S1：采集局部放電超高頻信號數(shù)據(jù)；

S2：采用小波包分解局部放電超高頻信號得到多尺度信號；

S3：提取多尺度能量參數(shù)；

S4：構(gòu)造線性判別分析方法，對局部放電超高頻信號進行識別。

進一步，所述步驟S1具體包括：

S11：數(shù)據(jù)采集：采集電力變壓器油紙絕緣缺陷的局部放電超高頻信號數(shù)據(jù)；

S12：建立初始數(shù)據(jù)樣本集：將電力變壓器局部放電信號進行處理，建立電力變壓器超高頻信號初始數(shù)據(jù)樣本集。

進一步，所述步驟S2具體包括：

S21：構(gòu)建五層小波包；

S22：采用小波包對局部放電超高頻信號進行分解，每個超高頻信號得到32個局部放電超高頻信號的多尺度分解信號。

進一步，所述步驟S3包括：

S31：構(gòu)建多尺度能量參數(shù)的計算數(shù)學(xué)模型；

S32：選取1～16個局部放電超高頻多尺度分解信號作為特征信號；

S33：提取局部放電超高頻信號的多尺度能量參數(shù)。

進一步，所述步驟S4具體包括：

S41：基于K最近鄰法，構(gòu)造線性判別分析方法；

S42：采用線性判別分析方法對局部放電超高頻多尺度能量特征進行識別；

S43：采用Bootstrap算法計算局部放電超高頻脈沖信號模式識別率，檢驗線性判別分析方法的泛化能力。

本發(fā)明的有益效果在于：根據(jù)本發(fā)明的識別方法，同現(xiàn)有的電力變壓器局部放電信號統(tǒng)計特征圖譜相并列，區(qū)別特征在于超高頻信號波形特征豐富，提取的單個信號的多尺度能量特征具有線性特征，可以采用線性分類器對其進行有效識別，因此大大提高了局部放電信號識別的計算速度，從而有效提高電力變壓器狀態(tài)監(jiān)測與故障診斷的效率。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明：

圖1為本發(fā)明所述方法的流程示意圖；

圖2為經(jīng)線性判別分析降維后的局部放電三維特征量；

圖3為經(jīng)線性判別分析降維后的局部放電三維特征量在各維上的投影。

具體實施方式

下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。

通過采集變壓器不同油紙絕緣缺陷的局部放電超高頻信號，構(gòu)建局部放電超高頻信號數(shù)據(jù)庫，能夠識別局部放電的類型，圖1為本發(fā)明所述方法的流程示意圖，如圖所示，該方法的具體步驟如下：

步驟1：設(shè)計四種油紙絕緣內(nèi)部典型局部放電模型，主要包括油中氣隙放電模型、油中沿面放電模型、油中懸浮電極放電模型、油中電暈放電模型，采用超高頻天線采集四種絕緣缺陷的局部放電超高頻信號，建立電力變壓器超高頻信號初始數(shù)據(jù)樣本集。

步驟2：小波包分解得到信號的時頻窗劃分比相同分解深度的小波分解更精細，能得到更多信號分量數(shù)，有利于考察局部放電超高頻信號的細節(jié)特征。本發(fā)明通過5層小波包變換分解局部放電超高頻信號得到多尺度信號，第五層每個節(jié)點對應(yīng)一組小波包分解系數(shù)，局部放電超高頻信號通過小波包分解后可得到對應(yīng)多尺度系數(shù)的信號分量，進一步計算出各信號分量參數(shù)，即得到信號的多尺度特征參數(shù)。

步驟3：多尺度能量系數(shù)的計算方法如下：

假設(shè)被測信號s＝{s_i:i＝1,2,…,n}經(jīng)小波或小波包分解后得到的全部系數(shù)為c＝{c_j,k:j＝1,2,…,n；k＝0,1,…,2ⁿ-1}，全部系數(shù)的總能量為：

$e_t=\underset{j,k}{\Σ}{c}_{j,k}^2---\left(1\right)$

多尺度能量參數(shù)定義為：

$E_k=\frac{\underset{j}{\Σ}{c}_{j,k}^2}{e_t}\×100\%---\left(2\right)$

局部放電超高頻信號小波第一層分解信號分量(d1)包含的主要是噪聲信號，因此，局部放電超高頻信號第一層分解的小波系數(shù)不參與局部放電超高頻信號多尺度能量參數(shù)的計算。對應(yīng)于一個N層的小波分解，局部放電超高頻信號小波分解后的多尺度能量參數(shù)向量為E＝{E_k:k＝1,2,…,N}，依次對應(yīng)于a_N、d_N、d_N－1、……、d₂系數(shù)。同樣，對于局部放電超高頻信號N層小波包分解，由(1,1)包繼續(xù)分解的小波包系數(shù)，也主要包含的是噪聲信號，不參與多尺度參數(shù)提取，參與多尺度參數(shù)提取的小波包為(N,0)、(N,1)、(N,2)、……、(N,2^N-1)，相應(yīng)的局部放電超高頻信號小波包分解多尺度能量參數(shù)向量為E＝{E_k:k＝1,2,…,2^N-1}。而且可知，多尺度能量參數(shù)向量中各參數(shù)是歸一化參數(shù)。

步驟4：構(gòu)造線性判別分析方法，對局部放電超高頻信號進行識別。

K最近鄰方法

K最近鄰方法(K-Nearest Neighbor，KNN)是一種基于統(tǒng)計的懶惰學(xué)習(xí)算法，是由Cover和Hart于1968年提出的。KNN方法在很多領(lǐng)域都有應(yīng)用，在文本自動分類領(lǐng)域，KNN被證明是效果最好的方法之一，該方法為最近鄰(NN)決策規(guī)則的推廣。假定有c個類w₁,w₂,…,w_c的模式識別問題,每類有標明類別的樣本N_i個，i＝1,2,…,c。我們可以規(guī)定w_i類的判別函數(shù)為：

$g_i\left(x\right)=\left|\right|minx-x_i^k\left|\right|,k=1,2,\mathrm{\Λ},N_i---\left(3\right)$

其中x_i的角標i表示w_i類，k表示w_i類N_i個樣本中的第k個。按照式(5.1)，決策規(guī)則可以寫為：若g_j(x)＝min(g_i(x)),i＝1,2,…,c，則決策x∈w_j。

對未知樣本x_u，我們只要比較x_u與N個已知類別的樣本S之間的馬式距離：

$d=\sqrt{{(t_u-m)}^T{C}^{-1}(t_u-m)}---\left(4\right)$

式中m和C分別為S的平均值和協(xié)方差。判定x與離它最近的樣本同類。由于未知樣本x的決策完全取決于最近鄰樣本，對于不同的樣本集最近鄰樣本具有偶然性，因而導(dǎo)致最近鄰決策可靠性不高。

線性判別分析法

線性判別分析法(LDA)是基于Fisher準則，以樣本的可分性為目標尋找一組線性變換，使樣本類內(nèi)離散度最小且類間離散度最大，也稱為Fisher線性判別(FLD)。

模式識別中的特征提取問題可簡單陳述為：給定N個n維樣本x_i，分別屬于c₁,c₂,…,c_K類，目標是在基于優(yōu)化某種準則的基礎(chǔ)上，尋找一個變換T，得到l維向量y_i＝T(x_i)(l<n)。LDA目標是從高維特征空間里提取出最具有判別能力的低維特征，這些特征能幫助將同一個類別的所有樣本聚集在一起，不同類別的樣本盡量分開，即選擇使得樣本類間離散度和樣本類內(nèi)離散度的比值最大的特征(Fisher準則)。樣本的類間散度矩陣S_w、類內(nèi)散度矩陣S_b分別定義為：

$S_w=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}\underset{m=1}{\overset{n_i}{\&Sigma;}}{(x_{im}-\stackrel{\&OverBar;}{X_i})}^T(x_{im}-\stackrel{\&OverBar;}{X_i})---\left(5\right)$

$S_b=\frac{1}{n}\underset{i=1}{\overset{C}{\&Sigma;}}{(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})}^T(\stackrel{\&OverBar;}{X_i}-\stackrel{\&OverBar;}{X})---\left(6\right)$

式(5)中：x_im為第i模式類樣本中的第m個樣本。然后，LDA就是搜尋某一投影方向矩陣w∈R_p，使得Fisher準則最大：

$J\left(w\right)=\arg \underset{w}{max}\frac{w^T{S}_{b}w}{w^T{S}_{w}w}---\left(7\right)$

在數(shù)學(xué)上，容易證明使得上述準則函數(shù)最大化的w的第k列向量w_k∈R^p(k＝1,2,…,r)必須滿足：

S_bw_k＝λ_kS_ww_k (8)

其中λ_k為最大本征值，w_k為與其對應(yīng)的本征矢量。由于S_b的秩為z＝c-1或更低，這樣非零本征值的個數(shù)，即對應(yīng)于特征變量空間的維數(shù)，將至多只有r＝min(p,z)個。

實驗及結(jié)果分析

將局部放電超高頻信號的多尺度能量特征參數(shù)輸入到模式識別分類器中，對四種局部放電類型進行了識別。選用75組局部放電差高頻信號特征量作為訓(xùn)練樣本訓(xùn)練分類器，剩下的局部放電超高頻信號特征量作為測試樣本。此外，定義分類器識別可靠率為：

P_j＝y(tǒng)_j/y_t (9)

y_j為第j類局部放電超高頻信號識別正確數(shù)目，y_t為總的局部放電超高頻信號數(shù)目。計算識別正確的各類放電樣本總數(shù)(不包括每類正確識別的訓(xùn)練樣本數(shù)，即75個樣本)與各類待識樣本總數(shù)(75)的比值，即得到識別正確率。

圖2與3為經(jīng)線性判別分析降維后的局部放電三維特征量及其在各維上的投影，可見局部放電超高頻信號多尺度特征參量經(jīng)線性判別分析處理后的特征參量能夠有效分開，尤其是氣隙和電暈放電與另兩種局部放電信號可以完全分開。線性分類器的識別正確率分別達到了98.77％，93.33％，91.05％，97.11％，線性分類器的模式識別時間為0.22s，能夠?qū)崿F(xiàn)電力變壓器局部放電實時監(jiān)測與模式識別。

最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述優(yōu)選實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。