一种基于光纤超声传感信号的套管局部放电识别算法

1.本发明涉及变压器套管运行状态在线监测领域，特别涉及一种基于光纤超声传感信号的套管局部放电识别算法。


背景技术：

2.变压器套管是支撑变压器引出线的重要装置。但是，在实际生产、运输、运行过程中不可避免会出现绝缘缺陷，影响其长期可靠性。据统计，由绝缘水平降低而引起的套管故障所占比重很大。局部放电是绝缘故障的重要表征形式，因此，对变压器套管局部放电进行有效检测具有重要意义。
3.根据局部放电产生的不同物理量来划分，套管局部放电的检测方法主要有：脉冲电流法、特高频法、声测法，其中声测法具有传感器体积小，抗电磁干扰强的优点，更加适合套管局放检测。近年来，光纤传感技术发展迅速。光纤传感的成本低，绝缘性能好，灵敏度高，在电学传感方面具有优良的可靠性。光纤-超声传感相结合的方法在局部放电超声信号检测方面具有巨大应用潜力。
4.但是，目前基于光纤超声传感信号的套管局部放电识别算法大多采用图像二维滤波方式。在实际应用中，由于对变压器套管进行局部放电试验比较困难，因此缺乏大量的变压器套管局部放电样本数据，bp神经网络法往往效果不佳。而且图像二维滤波只能采用特定的滤波方式，无法有效区分变压器套管局部放电4种不同缺陷：套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。目前，套管局部放电识别算法都存在无法准确识别和分类变压器套管故障的问题。


技术实现要素：

5.本发明要解决的技术问题是针对上述不足，在变压器套管故障样本少、故障种类多的实际情况下，提供一种基于光纤超声传感信号的能够解决准确识别和分类变压器套管局部放电问题的套管局部放电识别算法。
6.本发明是通过以下技术方案实现的：
7.一种基于光纤超声传感信号的套管局部放电识别算法，该套管局部放电识别算法包括如下步骤：
8.(1)获取光纤超声传感系统测量的套管局部放电超声信号，进行小波变换抑制噪声处理，得到去噪后的套管局部放电超声信号；
9.(2)对去噪后的套管局部放电超声信号进行分析，获得超声信号幅值、频带和对应的工频相位信息，绘制出二维谱图，并从中提取局部放电相位宽度、谱图偏斜度、参量趋势图波动系数、相位不对称度、谱图正负半周轮廓互相关系数特征参量作为放电特征量；
10.(3)将不同缺陷类型套管下的套管局部放电超声信号划分为不同的样本集，并划分训练集和测试集；
11.(4)利用训练集，以最小化分类任务的交叉熵为目标，使用随机梯度下降法对分类
器的参数和超参数进行优化，使用最优参数和最优超参数构建预测模型；
12.(5)使用所述预测模型对所述测试样本集进行测试，完成放电模式识别。
13.进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(1)中，将获取的套管局部放电超声信号经过小波分析得到尺度系数，再进行阈值处理和小波重构，去除混杂在所述套管局部放电信号中的干扰信号。
14.进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(1)中，将含噪的套管局部放电超声信号运用小波变换公式分解至8层尺度，得到各层尺度小波分解系数；
15.小波变换公式为：
[0016][0017]
其中，c为尺度系数，d为小波分解系数，h、g为mexicanhat对应的一对正交滤波器组，j为分解层数，n为离散采样点数，n为1，2，......，8。
[0018]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(1)中，应用软阈值函数处理各层小波分解系数，得出各层小波分解系数的估值；
[0019]
所述软阈值函数为：
[0020][0021]
其中，其中，x为输入变量，t为阈值。sgn为符号函数，如果变量大于0，则sgn返回1；如果变量等于0，则返回0；如果变量小于0，则返回-1。
[0022]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(1)中，将经软阈值函数处理过的小波系数用重构公式进行逆变换，得到去噪后的套管局部放电超声信号；
[0023]
重构公式为：
[0024][0025]
其中，c为尺度系数，d为小波分解系数，h、g为mexicanhat对应的一对正交滤波器组，j为分解层数，n为离散采样点数，n为1，2，......，8。
[0026]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(2)中，所述二维谱图包括最高频率相位分布谱图、超声信号最大幅值相位分布谱图、超声信号平均幅值相位分布谱图和超声次数相位分布谱图。
[0027]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(3)中，所述不同缺陷类型包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。
[0028]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(3)中，人工挑选特征明显的样本作为训练集，剩余样本作为测试集。
[0029]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(4)包括：
[0030]
①
将训练集分的每个片段划分为支持集和询问集；
[0031]
②
初始化模型的初始参数、迭代次数及超参数
[0032]
③
利用支持集样本训练模型；
[0033]
④
在询问集上评估，评估时以最小化分类任务的交叉熵为目标，使用随机梯度下降法对分类器的参数和超参数进行优化；
[0034]
⑤
上一个任务所优化得到的模型直接用于下一个任务的训练，反复进行多轮迭代；
[0035]
⑥
若迭代次数超出最大允许迭代次数，训练结束；针对不同的任务分别计算损失，若损失在阈值内，则根据每个任务的损失更新对应的模型参数，否则执行步骤
④
至
⑥
继续进行参数优化；
[0036]
⑦
采用最优的参数和超参数建立预测模型。
[0037]
进一步的，所述的一种基于光纤超声传感信号的套管局部放电识别算法，所述步骤(4)中，所述预测模型为：
[0038][0039]
其中，i是片段编号，r(θ
i’)是θ’的最大熵，θ’、α’、β’分别是优化后的参数θ和超参数α、β。
[0040]
本发明的优点与效果是：
[0041]
1.在变压器套管故障样本少、故障种类多的实际情况下，本发明提供了一种基于光纤超声传感信号的未知任务式元学习套管局部放电识别算法。该识别算法对小样本的识别精准度高于bp神经网络法或图像二维滤波法，且学习时间短，识别精度高，达到了小样本局部放电模式精准识别的目的。
[0042]
2.本发明提供了一种基于光纤超声传感信号的未知任务式元学习套管局部放电识别方法，能够实现基于小样本光纤超声信号的局部放电模式的精准识别，提高了局部放电模式识别准确率。
附图说明
[0043]
图1为本发明提供的套管局部放电识别算法的流程图；
[0044]
图2为本发明提供的套管局部放电识别算法中构建预测模型的流程图。
具体实施方式
[0045]
为使本发明实施的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。所描述的实施例是本发明的一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明：
[0046]
本发明的未知任务式元学习模型是一种基于小样本数据的识别算法。小样本学习模型可从少量新事物中快速学习抽象概念的能力，并在遇见同类事物时能够快速对比重要
信息从而做出正确判断。具体而言，未知任务式元学习模型在小样本学习任务的基础上将训练集划分为多个小类支撑集与询问集，在少量支撑集样本参与模型训练的情况下，利用模型的超参数构建性能优异的分类器，最终完成精确识别。
[0047]
本发明提出的未知任务式元学习模型以套管局部放电光纤超声传感系统的测试数据为数据集，利用元知识自动修改初始参数、超参数、网络结构和优化器等。并且在输出预测时加入正则化项，避免模型只适用于特定任务。最后模型可以在小样本数据下准确识别和分类多种不同的套管局部放电故障。
[0048]
具体的，如图1所示，该套管局部放电识别算法包括如下步骤：
[0049]
(1)获取光纤超声传感系统测量的套管局部放电超声信号，对信号进行小波变换抑制噪声处理，得到去噪后的套管局部放电超声信号。
[0050]
具体的是：
[0051]
①
将获取的套管局部放电超声信号经过小波分析得到尺度系数。选择mexicanhat小波和8层小波分解尺度，小波mexicanhat(x)＝c*exp(-x^2/2)*(1-x^2)，c＝2/(sqrt(3)*pi^{1/4})。将含噪的套管局部放电超声信号运用小波变换公式分解至8层尺度，得到各层尺度小波分解系数。
[0052]
小波变换公式为：
[0053][0054]
其中，c为尺度系数，d为小波分解系数，h、g为mexicanhat对应的一对正交滤波器组，j为分解层数，n为离散采样点数，n为1，2，......，8(取1到8的整数)。
[0055]
②
进行阈值处理。应用软阈值函数处理各层小波分解系数，软阈值函数会将信号的绝对值与阈值进行比较，把绝对值小于或等于阈值的信号设为零，对于绝对值大于阈值的信号，将其设为自身与阈值的差。这样基于所选择的软阈值函数，可得出各层小波分解系数的估值。
[0056]
软阈值函数为：
[0057][0058]
其中，x为输入变量，t为阈值。sgn为符号函数，如果变量大于0，则sgn返回1；如果变量等于0，则返回0；如果变量小于0，则返回-1。
[0059]
③
进行小波重构，去除混杂在套管局部放电超声信号中的干扰信号。将经软阈值函数处理过的小波系数用重构公式进行逆变换，得到去噪后的套管局部放电超声信号。
[0060]
重构公式为：
[0061][0062]
其中，c为尺度系数，d为小波分解系数，h、g为mexicanhat对应的一对正交滤波器组，j为分解层数，n为离散采样点数，n为1，2，......，8(取1到8的整数)。
[0063]
(2)对特定工频周期(例如：50～2000个工频周期，优选1000个工频周期)内的去噪后的套管局部放电超声信号进行分析，用傅里叶变化求解获得超声信号幅值、频带，用微分
交叉相乘算法求解获得对应的工频相位信息，绘制出最高频率相位分布谱图、超声信号最大幅值相位分布谱图、超声信号平均幅值相位分布谱图、超声次数相位分布谱图等二维谱图，从中分别提取局部放电相位宽度、谱图偏斜度、参量趋势图波动系数、相位不对称度、谱图正负半周轮廓互相关系数等特征参量作为放电特征量，用于后续的模式识别判断依据。
[0064]
(3)将不同缺陷类型套管下的套管局部放电超声信号划分为不同的样本集，并划分训练集和测试集。
[0065]
具体的是，不同缺陷类型包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电等缺陷。按一定比例(例如：3选1的比例)人工挑选特征明显的样本作为训练集，剩余样本作为测试集。
[0066]
(4)将训练集分为5000个片段，每个片段包括支持集和询问集，而询问集中每类的个数为支持集的3倍，去询问集上进行评估计算。然后，评估时以最小化分类任务的交叉熵为目标，使用随机梯度下降法对分类器的参数θ和超参数α、β进行优化，其中随机梯度下降法在每次更新时用1个样本来近似所有的样本，来调整下降参数θ，这样的方法更快收敛。最后，使用最优参数和最优超参数构建预测模型。
[0067]
具体的，如图2所示，预测模型的具体构建过程为：
[0068]
①
划分模型的训练集和测试集；
[0069]
②
将训练集分为5000个片段，每个片段包括支持集和询问集，而询问集中每类的个数为支持集的3倍；
[0070]
③
初始化模型的初始参数θ、迭代次数及超参数α、β；
[0071]
④
每次任务的训练集只有少量支持集样本，利用这个少量的支持集样本训练模型；
[0072]
⑤
在询问集上评估，评估时以最小化分类任务的交叉熵为目标，使用随机梯度下降法对分类器的参数θ和超参数α、β进行优化；
[0073]
⑥
上一个任务所优化得到的模型可以直接用于下一个任务的训练，反复进行多轮迭代；
[0074]
⑦
若迭代次数超出最大允许迭代次数，训练结束，在输出预测时加入了一个正则化项，即θ的最大熵，针对不同的任务分别计算损失，若损失在阈值内，则根据每个任务的损失更新对应的模型参数，否则执行步骤5)至7)继续进行参数优化；
[0075]
⑧
采用最优的参数θ’和超参数α’、β’建立预测模型。
[0076]
预测模型为：
[0077][0078]
其中，r(θ’)是θ’的最大熵，θ’、α’、β’分别是优化后的参数θ和超参数α、β，i是片段编号。
[0079]
(5)使用预测模型对测试集进行测试，完成放电模式识别，输出不同放电模式的概率。
[0080]
具体的，识别出的放电模式故障包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。
[0081]
模型训练完成后，就可将其投入现场应用。从现场光纤超声传感系统测量得到的
信号经过与上述类似的流程，所不同的是没有上述步骤(3)中的人工挑选样本集的过程，不需要步骤(4)，将步骤(2)处理好的数据输入预测模型，即可得到不同局放模式预测概率。
[0082]
以上实施例仅用以说明本发明的技术方案，并非用来限定本发明的实施范围。但凡在本发明的保护范围内所做的等效变化及修饰，皆应认为落入了本发明的保护范围内。