基于高斯参数拟合的局部放电谱图特征模式识别算法
【技术领域】
[0001] 本发明涉及放电图谱处理技术领域，具体地，涉及基于高斯参数拟合的局部放电 谱图特征模式识别算法。
【背景技术】
[0002] 为了满足电力系统检修的需求，高压电器设备的局部放电在线检测技术，特别是 其中的关键技术一一局部放电模式识别，得到了长足的发展。用于描述局部放电故障模式 识别系统的一组与分类有关的参数就是该识别系统的特征量。特征量提取的基本任务是如 何从系统的诸多特征中找出那些最有效的特征量及研究如何把高维特征空间压缩到低维 特征空间以便有效地设计分类器。
[0003] 上世纪90年代，模式识别方法开始应用于局部放电类型的识别，以代替放电谱图 的目测判断。显著提高了识别的科学性和有效性。模式识别理论正在朝着智能化的方向发 展，即增强系统的自适应能力、学习能力以及容错能力等。但是，一方面由于很多非确定性 因素影响局部放电信号的采集；另一方面对局放信号中所包含信息的内涵及规律尚未完全 清楚，至今没有一种成熟的诊断理论或标准；所以，局部放电模式识别技术目前尚处于研究 阶段。
[0004] 在实现本发明的过程中，发明人发现现有技术中至少存在抗干扰能力差、识别难 度大和可靠性低等缺陷。
【发明内容】
[0005] 本发明的目的在于，针对上述问题，提出基于高斯参数拟合的局部放电谱图特征 模式识别算法，以实现抗干扰能力强、识别难度小和可靠性高的优点。
[0006] 为实现上述目的，本发明采用的技术方案是：基于高斯参数拟合的局部放电谱图 特征模式识别算法，包括：
[0007] a、获取待测量局部放电过程中的局部放电图谱；
[0008]b、基于获取的局部放电图谱，利用高斯函数获取待测量局部放电过程中的待识别 局部放电与标准局部放电特征量之间的距离；
[0009] c、基于获取的待识别局部放电与标准局部放电特征量之间的距离，获取局部放电 模式识别的结果并输出。
[0010] 进一步地，所述步骤b，具体包括：
[0011] bl、基于获取的局部放电图谱，对获取的局部放电图谱进行拟合；
[0012] b2、基于对局部放电图谱的拟合结果，计算高斯函数特征参量；
[0013]b3、基于计算所得高斯函数特征参量，构造二元特征量；
[0014] b4、基于构造所得二元特征量，计算待测量局部放电过程中的待识别局部放电与 标准局部放电特征量之间的距离。
[0015] 进一步地，所述步骤b2,进一步包括：
[0016] 在所述步骤b2中，所述的高斯函数特征参量，包括"聚集中心"、"弥散范围"和"分 配比重"；
[0017] 在所述步骤b2中，所述高斯函数为二元高斯函数；所述二元高斯函数的原型函数 为：
[0020] 进一步地，在所述步骤b3中，所述构造二元特征量的操作中，具体是利用以下公 式构造二元特征量：
[0023] 其中，iiy+和y,表示高斯函数的正负半周的"聚集中心"的Y轴分量，Ox+和 〇 ,表示高斯函数的正负半周的"弥散范围"的X轴分量，n+和n表示高斯函数的正负半 周的"分配比重"。
[0024] 进一步地，在所述步骤b4中，所述计算待测量局部放电过程中的待识别局部放电 与标准局部放电特征量之间的距离的操作中，具体是利用以下公式计算待识别局部放电与 标准局部放电特征量之间的距离：
[0026] 上式中，Dj为待识别局部放电与标准局部放电特征量之间的距离，(I，，Xj2I 为待识别局部放电特征量，t\(1)，If)为标准局部放电特征量。
[0027] 进一步地，所述步骤a，具体包括：
[0028] al、在待测量局部放电过程的局部放电测量中，获取局部放电的放电量Q和局部 放电相位角;
[0029] a2、对局部放电量Q在[(^max(Q1)]区间上进行量化，对局部放电相位角巾在[0， 360]区间上进行量化，得到量化网格；
[0030] a3、统计每一个量化网格中的局部放电次数，计算得到局部放电谱图。
[0031] 进一步地，在所述步骤a3中，还包括局部放电谱图的生成步骤，即：
[0032] 在局部放电测量中获取局部放电的放电量对放电发生相位角的分布函数，利用分 布函数获取局部放电的放电量Q和局部放电相位角小。
[0033] 进一步地，所述步骤c，具体包括：
[0034] 构造局部放电概率分布函数，并将局部放电概率分布函数作为局部放电模式识别 的结果输出。
[0035] 进一步地，在所述步骤c中所述局部放电概率分布函数的计算公式如下：
[0037] 上式中jG{1，2, ...M}为标准局部放电量的种类，Pj为局部放电概率分布函数。
[0038] 本发明各实施例的基于高斯参数拟合的局部放电谱图特征模式识别算法，由于包 括：a、获取待测量局部放电过程中的局部放电图谱；b、基于获取的局部放电图谱，利用高 斯函数获取待测量局部放电过程中的待识别局部放电与标准局部放电特征量之间的距离； c、基于获取的待识别局部放电与标准局部放电特征量之间的距离，获取局部放电模式识别 的结果并输出；从而可以克服现有技术中抗干扰能力差、识别难度大和可靠性低的缺陷，以 实现抗干扰能力强、识别难度小和可靠性高的优点。
[0039] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。
[0040] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
【附图说明】
[0041] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实 施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0042]图1为本发明中对局部放电谱图分布特征进行高斯参数拟合的模式识别算法的 处理流程框图；
[0043] 图2为本发明中对放电散点谱图在Q-ci)平面上的二元高斯分布的曲面拟合；
[0044] 图3为本发明中一次电晕放电的N-Q-巾三维分布谱图；
[0045] 图4为对图3中的放电谱图拟合出的二元高斯分布函数；
[0046]图5为本发明中计算得出的放电谱图在正、负半周分布的特征参量；
[0047] 图6为本发明中新构造的X(1)和X(2)特征量空间对几种典型放电类型的聚集坐标， 其中，（a)油中电晕放电，（b)内部气隙放电，（c)悬浮放电；
[0048] 图7为本发明中通过距离分类器构造而出的放电概率分布图；
[0049]图8为本发明中高斯曲线拟合的曲线；
[0050] 图9为本发明中迭代过程的流程图。
【具体实施方式】
[0051] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实 施例仅用于说明和解释本发明，并不用于限定本发明。
[0052] 针对局部放电相位谱图的分布特征，根据本发明实施例，如图1-图9所示，提供了 基于高斯参数拟合的局部放电谱图特征模式识别算法，即对局部放电谱图分布特征进行高 斯参数拟合的模式识别算法。
[0053] 本发明的技术方案，采用高斯分布函数拟合放电谱图中的散点分布，提取高斯函 数的"聚集中心"、"弥散范围"和"分配比重"等相关参数，再重新构造两个新的特征量X(1) 和X(2)，通过计算待识别放电特征量与标准分类放电特征量之间的统计距离D,，将待识别放 电在各个标准放电模式上的概率分布&作为局部放电模式识别算法的结果输出。
[0054] 本发明技术方案的基于高斯参数拟合的局部放电谱图特征模式识别算法，可以有 效压缩特征量参数空间的维度，有利于特征分类器的设计构造；从对典型放电的分类效果 来看，该基于高斯参数拟合的局部放电谱图特征模式识别算法的特征量选取可对电晕放电 类型达到最大化的分类识别。
[0055] 本发明采用的技术方案是：一种基于高斯参数拟合的局部放电谱图特征模式识别 方法，包括以下步骤：
[0056] S100、计算局部放电谱图；步骤SlOO具体为：
[0057] S1001、在局部放电测量中获取局部放电的放电量Q和局部放电相位角小；
[0058]S1002、对局部放电量Q在[(^max(Q1)]区间上进行量化，对局部放电相位角伞在 [0,360]区间上进行量化，得到量化网格；
[0059]S1003、统计每一个量化网格中的局部放电次数，计算得到局部放电谱图；步骤 S1003具体为：
[0060] 统计每一个量化网格中的局部放电次数，比如说，放电谱图中的三个放电点分别 是（85. 4, 159. 2)、（88. 7, 168. 2)、（93. 1，187. 5)，横坐标是放电相位角，纵坐标是放电量。如 果放电相位的一个量化区间是[80, 90]，放电量的一个量化区间是[150, 180]，那么，前两 个放电点就落在这个放电区块内，记放电次数为2,第三个放电点不落在这一区块内，在下 一个区块计数。由此计算出局部放电N-Q-巾三维分布的PRH)统计谱图。
[0061] 步骤SlOO进一步介绍了局部放电谱图的生成步骤，其中在局部放电测量中获取 局部放电的放电量对放电发生相位角的分布函数，利用所述分布函数获取局部放电的放电 量Q和局部放电相位角4>。
[0062]S200、利用高斯函数对放电谱图进行拟合；
[0063] 高斯函数拟合的数学基础：
[0064] 通过循环调用广义最小二乘方法和Levenberg-Marquardt方法，使数据拟合为形 式由下列等式描述的高斯曲线：
[0065]f=a*exp_x_U22 〇 2+c
[0066]X是输入序列X，a是幅值，y是中心，〇是标准差，c是偏移量。
[0067] 查找最佳拟合观测（X，Y)的a，y，〇和c的值，下列等式用于描述由高斯拟合算 法得到的高斯曲线：
[0068]yi=a*exp-xi_U22 〇 2+c
[0069] 如Y的噪声为高斯分布，可使用最小二乘法。图8为使用该方法的高斯曲线拟合。
[0070] 如拟合方法为最小二乘法，采用迭代过程得到指数模型的幅值、中心、标准差和偏 移量，然后使用最小二乘法中的公式计算残差。迭代过程如图9所示。
[0071] 最小残差计算公式如下列所示：
[0072]INi=ON-Iw^
[0073]N是Y的长度，W1是权重的第i个元素，fi是最佳高斯拟合的第i个元素，y肩Y 的第i个元素。
[0074] S300、计算高斯函数特征参量；步骤S300提及的高斯函数特征参量，包括"聚集中 心"、"弥散范围"和"分配比重"。在步骤S300中，二元高斯函数具有如下原型函数：
[0076] 其中，均值y