本发明涉及开关柜局部放电状态检测技术领域，尤其涉及一种基于超声波的局部放电检测方法。
背景技术：
局部放电现象的发生会伴随声的物理变化过程，近年来国内外很多研究学者都致力于开关柜局部放电的检测技术的研究与比较，针对开关柜的局部放电提出了多种检测方法，相继提出了电脉冲检测、超高频检测、电磁波检测、光检测法及超声波检测法等。
开关柜属于封闭式设备，为了不影响开关柜的正常运行，国内外的电力运行单位都倾向于采用非侵入式检测；近几年来，基于超声波的开关柜局部放电在线检测已被应用作为电力相关部门检测和诊断开关柜绝缘状况的重要手段，但其检测大都基于阈值进行类似“交通灯”原理的检测及借助人耳监听局部放电声音异常的辅助检测，且对局部放电产生的超声波信号的分析仅仅停留在通过检测信号幅值或者监听由超声波降频转换而来的音频信号声音的初级检测阶段，并无深入应用研究；检测手段存在判据单一，检测可靠性不高等缺陷。
技术实现要素：
本发明提出了一种基于超声波的局部放电检测方法，能够对开关柜中的局部放电情况进行在线智能非侵入式检测，且检测可靠性高。
本发明采用的技术方案为：
一种基于超声波的局部放电检测方法，包括如下步骤：
步骤S1；超声信号的采集和预处理；信号的采集主要由超声传感器来完成；预处理部分主要包括信号的预加重处理、FIR数字滤波和分帧；
步骤S2；信号异常区间检测；采用短时平均能量和短时平均过零率作为信号异常区间检测的依据参数，方法为双门限阈值判定法；
步骤S3；特征向量提取；基于语音端点检测技术提取信号中所有异常信号帧，并针对异常信号帧其特征参数；
步骤S4；基于偏最小二乘法降维优化；通过降维处理降低算法的复杂度，去除多余的信息，提高算法识别的精度；
步骤S5；基于向量机进行有无故障分类；基于支持向量机作为训练与决策的依据，并利用模型进行分类。
进一步地，所述步骤S3具体包括如下步骤：
步骤S3.1；计算MFCC系数均值和MFCC一阶差分系数均值特征向量；MFCC系数为梅尔频率倒谱系数，梅尔频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系，MFCC则是利用它们之间的这种关系，计算得到的Hz频谱特征，主要用于语音数据特征提取和降低运算维度；从Hz频率到梅尔频率对应公式为：
M(f)＝1125ln(1+f/700)，其中M(f)是以梅尔为单位的感知频率，f是以Hz为单位的实际频率；
步骤S3.2；计算短时平均幅度差均值特征向量；短时平均能量是通过对信号进行幅值的平方运算来表示能量变化，其计算公式为：
L为超声信号分帧后的长度，k为延迟量，超声信号分帧后表示为yi(n)；
步骤S3.3；计算响度均值和响度变化范围特征向量；响度均值为使用信号在每一帧上幅值的均方根来近似表示，其计算公式为：
其中x(n)为信号在每一帧上幅值；
响度变化范围特征向量的计算公式为:
步骤S3.4；计算频谱质心均值和带宽均值特征向量；频谱质心均值公式为:
其中DFT(n)为信号第n个傅里叶变换系数；
带宽均值计算公式为：
步骤S3.5；计算子带能量均值和子带能量比均值特征向量；将0～fs/2频段分为若干个子带区间；设计对应区间的FIR滤波器，对异常信号帧进行滤波并计算各频域子带能量值，然后计算子带能量比，即每个子带能量与总能量的比值；
步骤S3.6；计算过零率均值和高过零率；在语音的预处理中计算出原信号分帧以后每帧的过零率，根据端点检测技术提取异常信号帧的帧数，在总体的过零率中取出异常信号帧的过零率，高过零率取过零率均值的1～2倍。
进一步地，所述步骤S3.1具体包括如下步骤：
步骤S3.1.1；确定一个异常信号帧中采样点的个数；
步骤S3.1.2；对每一帧信号进行FFT变换；
步骤S3.1.3；对每一帧FFT变换后的数据计算能量；
步骤S3.1.4；利用傅里叶变换计算计算通过Mel滤波器后的能量，公式为:
其中，i为帧数，Hm(k)为Mel滤波器的频域响应；
步骤S3.1.5；取S(i,m)的自然对数；
步骤S3.1.6；对S(i,m)的自然对数进行离散余弦变换，并去除直流分量，取剩余分量为Mel倒谱系数，公式为
步骤S3.1.7；求Mel倒谱系数的一阶差分系数，计算公式为：
i取有效帧。
进一步地，所述步骤S4具体包括如下步骤：
步骤S4.1；取X0＝[X1,X2…XP](n×p),Y0＝[Y1,Y2…Yq](n×q),其中Y0为自变量，X0为因变量，n为样本数目，p为特征维数，q为因变量个数；
步骤S4.2；求X0的自相关系数矩阵，若特征向量之间相关程度高，则进行降维处理；
步骤S4.3；分别对X0和Y0进行标准化处理，标准化处理后的矩阵为E0和F0；
步骤S4.4；采用拉格朗日算法求出w1和c1，w1为矩阵E0'F0F0'E0最大特征值所对应的单位特征向量，c1是矩阵F0'E0E0'F0最大特征值所对应的单位的特征向量，||w1||＝1，||c1||＝1；目标矩阵为θ＝E0'F0F0'E0w1，分别得到E0的第一个成分t1和F0的第一个成分u1；
步骤S4.5；分别求E0和F0对t1和u1的回归方程，其中：
E0＝t1p1'+E1；
F0＝t1r1'+F1；
其中r1和p1为回归系数向量；p1'和r1'分别为r1和p1的转置矩阵；
步骤S4.6；求出残差矩阵E1和F1；
步骤S4.7；将E1和F1分别替换E0和F0，进一步循环以上步骤即可提出成分ti＝[t1,t2…tm],
m的值由交叉有效性验证。
进一步地，所述步骤S4中，支持向量机的核函数选取线性核模型进行训练，在支持向量机的模型参数设置之前需进行参数寻优，所用参数寻优方法为网格寻优法；将最佳参数输入模型中后，再利用模型进行分类。
本发明主要包括超声信号采集及其预处理、异常信号区间检测、特征向量提取、基于偏最小二乘法降维优化、基于向量机的有无故障分类五个步骤；首先采用超声波检测方法对开关柜进行局部放电检测，通过对超声信号的分析和处理预测开关柜的绝缘状态；然后利用音频信号处理技术及模式识别分类算法，对超声波信号进行降频处理，得到语音频率范围内的信号，提取表征局部放电的信号特征参数；通过偏最小二乘法降维优化，降低算法的复杂度，去除多余的信息，提高算法识别的精度，进而利用先进的语音识别技术及数学分类模型达到智能识别的目的，最终实现对开关柜中的局部放电情况进行在线智能非侵入式检测，达到检测和诊断开关柜绝缘状况的目的。
附图说明
图1为本发明的流程图；
图2位本发明所述的异常信号区间检测算法流程图；
图3位本发明所述的基于向量机的有无故障分类算法流程图。
具体实施方式
如图1所示，一种基于超声波的局部放电检测方法，包括如下步骤：
步骤S1；超声信号的采集和预处理；信号的采集主要由超声传感器来完成；预处理部分主要包括信号的预加重处理(预加重系数取值范围一般为0.9～1)、FIR数字滤波和分帧；对信号进行预处理的目的是为了提升高频部分信号，使信号的频率谱更加平滑，方便于进行频谱和声道参数的相关操作；对于分帧来说，我们运用短时分析技术对时变信号进行处理；语音信号的特性是随时间而变化的，是一个非稳态过程，虽然语音信号具有时变性，但声音在一个短时间内，其基本特性保持相对稳定，所以可将其看作是一个准稳态过程，将语音信号分成连续的小段进行分析，其中每一段为一帧；一般情况下帧长为10ms～30ms之间可视为准稳态区间，对应的帧移为1/4～1/2，对于加窗而言，综合考虑主瓣和旁瓣的平衡，本设计采用Hanning窗。
步骤S2；信号异常区间检测；故障电弧声音属于异常声音，出现的频率比较低，处理器接收到的大部分是环境噪音帧，如果每帧都进行电弧声音识别运算，会产生很多不必要的计算量与存储开销。实际上，故障电弧声音的识别算法只针对异于环境噪音的帧进行处理，这样就可以大大减少计算量。而异于环境噪音帧则可在时域上区分开异常信号的起点和终点，并将起点作为故障电弧声音识别算法的触发标志，实现只对异常声音信号进行电弧声音识别处理的目标。
本设计综合考虑参数在弧声预警应用中的适应性等因素，决定采用短时平均能量和短时平均过零率作为信号异常区间检测的依据参数，方法为双门限阈值判定法；本步骤主要对超声波信号进行降频处理，得到语音频率范围内的信号，提取表征局部放电的信号特征参数。
如图2所示，本步骤首先对采集到的音频信号进行分帧，在分帧的基础上求出短时平均能量和短时平均过零率，最后逐帧地依据阈值进行比较判断；本步骤中的阈值中一共有三个，amp1为短时能量高阈值门限，amp2为短时能量低阈值门限，zcr2为短时过零率低门限，其中短时能量阈值为第一级判决，短时过零率阈值为第二级判决，短时能量阈值优先级大于短时过零率阈值。
本步骤的具体判决过程为：第一级判决以短时能量为准，算法假设系统开始阶段NIS帧内无故障，采集到的信号均为环境噪声帧，通过均值方法确定均值ampth，在此基础上根据短时能量包络线选取短时能量阈值高门限amp1和短时能量低阈值门限amp2；第二级判决以短时过零率为准，同样通过在NIS帧内确定均值zcrth，然后依据短时过零率图来选取短时过零率阈值zcr2。
本步骤的算法详细步骤如下：
1、参数初始化，其中包括：
IS＝0.1：设置前导无话段的时长；
maxsilence＝8:最大无声段的长度；
minlen＝5：判定是语音的最小长度；
以上三个变量均为经验值，可根据现场实际情况进行调节；
status＝0：记录最初语音段的所处的状态；
count＝0：记录最初语音序列化的长度；
silence＝0:记录最初无声的长度；
2、开始端点检测
举例说明：将采集到的音频信号wav被分为400帧，即帧集合fn为1～400，对fn依次从第1帧到第400帧判别其短时能量和过零率。
当某一帧信号的短时能量大于短时能量阈值高门限amp1时，直接判定该帧为异常信号帧，同时进入异常信号段，并将其标记为异常信号段起始点，将其状态标记为status＝2，并将count加1进行计数；下一帧到来时继续判断其短时能量和短时过零率，如果amp>amp1或者amp>amp2或者zcr>zcr2，那么count继续+1，说明异常信号区间帧数继续加1，直至amp<amp2或者zcr<zcr2，那么标记该语音段可能要结束，将silence加1，如果silence的值小于maxsilence，说明正常信号长度不够，该帧依然为异常信号帧，异常信号继续加1(此处认为正常信号长度要最少连续8帧以上才被认定为正常信号)；如果silence的值大于maxsilence的值，还需要继续判断count的值和minlen的值的大小，如果count>minlen，则异常信号区间结束，将该帧记录为异常信号区间的终点；用X2-X1即为异常信号区间的帧数，X1为异常信号帧的起始端，X2为异常信号帧的结束端。
步骤S3；特征向量提取；基于语音端点检测技术(Voice Activity Detection，VAD)提取信号中所有异常信号帧，并针对异常信号帧其特征参数。
其中针对异常信号帧提取其特征参数的原则为：1)各参数之间保持较好的独立性；2)提取的参数能够有效地表征音频信号的特点，具备良好的区分性；3)提取参数的计算方法要简单高效。
基于以上条件，选取了39维基于音频帧的特征参数，其具体算法步骤如下：
步骤S3.1；计算MFCC(Mel-frequency Cepstral Coefficients)系数均值和MFCC一阶差分系数均值特征向量；MFCC为梅尔频率倒谱系数，梅尔频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系，MFCC则是利用它们之间的这种关系，计算得到的Hz频谱特征，主要用于语音数据特征提取和降低运算维度；从Hz频率到梅尔频率对应公式为：
M(f)＝1125ln(1+f/700)，其中M(f)是以梅尔为单位的感知频率，f是以Hz为单位的实际频率。
所述步骤S3.1具体包括如下步骤。
步骤S3.1.1；确定一个异常信号帧中采样点的个数。
步骤S3.1.2；对每一帧信号进行FFT变换。
步骤S3.1.3；对每一帧FFT变换后的数据计算能量。
步骤S3.1.4；利用傅里叶变换计算计算通过Mel滤波器后的能量，公式为:
其中，i为帧数，Hm(k)为Mel滤波器的频域响应。
步骤S3.1.5；取S(i,m)的自然对数。
步骤S3.1.6；对S(i,m)的自然对数进行离散余弦变换得到Dm，并去除直流分量D0，取D1～D12为Mel倒谱系数，这里M取值为13，即Dm为D1～D12，公式为
步骤S3.1.7；求Mel倒谱系数的一阶差分系数，计算公式为：
步骤S3.2；计算短时平均幅度差均值特征向量；短时平均能量是通过对信号进行幅值的平方运算来表示能量变化，这种方法客观上增大了高低信号之间的差距，其计算公式为：
L为超声信号分帧后的长度，k为延迟量，超声信号x(n)分帧后表示为yi(n)；如果超声信号x(n)为一个周期为p的周期性信号，那么当k＝0,±p,±2p...时，Di(k)＝0，但是，超声信号不会完全是一个纯周期性的信号，因此Di(k)不会完全等于0，而是会在基音周期处出现一个谷值，并随时间的增加，谷值深度也会减退。
步骤S3.3；计算响度均值和响度变化范围特征向量；响度均值为使用信号在每一帧上幅值的均方根来近似表示响度均值(Root Mean Square，RMS)，其计算公式为：
其中x(n)为信号在每一帧上幅值；
响度变化范围特征向量的计算公式为:
步骤S3.4；计算频谱质心均值和带宽均值特征向量；频谱质心均值公式为:
其中DFT(n)为信号第n个傅里叶变换系数；
带宽均值计算公式为：
步骤S3.5；计算子带能量均值和子带能量比均值特征向量；将0～fs/2频段分为若干个子带区间；设计对应区间的FIR滤波器，对异常信号帧进行滤波并计算各频域子带能量值，然后计算子带能量比，即每个子带能量与总能量的比值；本实施例中具体步骤如下：
步骤S3.5.1；将0～fs/2频段分为[0,2k],[2k,4k],[4k,8k],[8k,16k]四个子带区间。
步骤S3.5.2；设计对应区间的FIR滤波器，对有效信号帧进行滤波并计算各频域子带能量值。根据帕瓦赛尔定理可知，把时域信号分解成正弦函数或者余弦函数组成的完整正交集以后，在时域和频域的能量和是一样的，因此
计算公式:
E(i，k)＝[X(i,k)]2；
其中i为有效帧，分别对应四个子带区间。
步骤S3.5.3；计算子带能量比，公式为：
步骤S3.6；计算过零率均值和高过零率；在语音的预处理中计算出原信号分帧以后每帧的过零率，根据端点检测技术提取异常信号帧的帧数，在总体的过零率中取出异常信号帧的过零率；一般地，高过零率取过零率均值的1～2倍。
步骤S4；基于偏最小二乘法降维优化；通过降维处理降低算法的复杂度，去除多余的信息，提高算法识别的精度。
所述步骤S4具体包括如下步骤：
步骤S4.1；取X0＝[X1,X2…XP](n×p),Y0＝[Y1,Y2…Yq](n×q),其中Y0为自变量，X0为因变量，n为样本数目，p为特征维数，q为因变量个数。
步骤S4.2；求X0的自相关系数矩阵，若特征向量之间相关程度高，即特征向量之间相关系数大于0.3，则进行降维处理。
步骤S4.3；分别对X0和Y0进行标准化处理，标准化处理后的矩阵为E0和F0；
步骤S4.4；采用拉格朗日算法求出w1和c1，w1为矩阵E0'F0F0'E0最大特征值所对应的单位特征向量，c1是矩阵F0'E0E0'F0最大特征值所对应的单位的特征向量，||w1||＝1，||c1||＝1；目标矩阵为θ＝E0'F0F0'E0w1，分别得到E0的第一个成分t1和F0的第一个成分u1。
步骤S4.5；分别求E0和F0对t1和u1的回归方程，其中：
E0＝t1p1'+E1；
F0＝t1r1'+F1；
其中r1和p1为回归系数向量；p1'和r1'分别为r1和p1的转置矩阵。
步骤S4.6；求出残差矩阵E1和F1。
步骤S4.7；将E1和F1分别替换E0和F0，进一步循环以上步骤即可提出成分ti＝[t1,t2…tm],
m的值由交叉有效性验证。
步骤S5；基于向量机进行有无故障分类；基于支持向量机(SVM)作为训练与决策的依据，采用LibSVM 3.22版工具包进行设计；考虑采集样本数目大小的难易程度，SVM核函数选取线性核模型进行训练，开发环境为MATLAB 2015a；需注意的是，在模型参数设置之前需进行参数寻优，所用方法为网格寻优法；将最佳参数输入模型中后，再利用模型进行分类。
如图3所示，本步骤的具体流程如下：
(1)导入数据集(比如1000个样本数据)，同时将数据集分为样本集(800个)和测试集数据(200个)。
(2)对数据集(1000个)进行适当的格式转换和缩放；
(3)利用样本集(800个)建立线性核模型，并进行训练产生model；由于本实施例选用基于向量机的分类方法，因此支持向量机的核函数选取线性核模型进行训练，在支持向量机的模型参数设置之前需进行参数寻优，所用参数寻优方法为网格寻优法；
(4)利用测试集(200个)对(3)中的model进行验证。
(5)导入待测数据，同样进行格式转换和缩放后，利用验证后的model对该数据进行分类判别。
综上所述，本方法主要包括超声信号采集及其预处理、异常信号区间检测、特征向量提取、基于偏最小二乘法降维优化、基于向量机的有无故障分类五个步骤；首先采用超声波检测方法对开关柜进行局部放电检测，通过对超声信号的分析和处理预测开关柜的绝缘状态；然后利用音频信号处理技术及模式识别分类算法，对超声波信号进行降频处理，得到语音频率范围内的信号，提取表征局部放电的信号特征参数；通过偏最小二乘法降维优化，降低算法的复杂度，去除多余的信息，提高算法识别的精度，进而利用先进的语音识别技术及数学分类模型达到智能识别的目的，最终实现对开关柜中的局部放电情况进行在线智能非侵入式检测，达到检测和诊断开关柜绝缘状况的目的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。