一种局部放电超高频单次波形频域特征提取及识别方法与流程

本发明属于电力设备局部放电检测技术领域，具体涉及一种局部放电超高频单次波形频域特征提取及识别方法，用于电力设备局部放电类型的识别。

背景技术：
：

电力设备的绝缘材料是保证电力设备正常运行的重要组件，但是由于绝缘材料在强电场作用下老化或绝缘材料加工缺陷，在电力设备运行中绝缘材料内部会出现局部放电，局部放电的发展会加速绝缘材料的老化，从而导致电力设备寿命缩短，所以必须尽早发现和识别局部放电的类型，采用措施减缓电力设备的老化。

局部放电超高频检测凭借灵敏度高，现场抗干扰效果好等优点，在电力设备局部放电检测中得到了较为广泛的应用。局部放电超高频信号的带宽从0MHz～3000MHz，包含了丰富的放电信息，对超高频单次信号的分析和特征提取，有助于局部放电放电类型的识别。

技术实现要素：
：

本发明的目的是为了解决局部放电类型识别的问题，提供了一种局部放电超高频单次波形频域特征提取及识别方法，并验证了特征参量在局部放电类型识别中的有效性。

为达到上述目的，本发明采用如下技术方案来实现的：

一种局部放电超高频单次波形频域特征提取及识别方法，包括以下步骤：

1)采集不同局部放电类型的多组局部放电超高频单次放电信号；

2)对多组同一放电类型的超高频单次放电信号进行快速傅里叶变换，得到多组一维功率谱数组FreArray，多组一维功率谱数组FreArray构成同一放电类型的功率谱矩阵FreMatrix；

3)对同一放电类型的功率谱矩阵FreMatrix进行奇异值分解，取奇异值最大值对应的一维向量，得到同一放电类型的功率谱矩阵FreMatrix的特征向量，即该特征向量对应同一放电类型超高频单次波形的特征向量；

4)对不同放电类型重复步骤2)和3)的操作，得到不同放电类型超高频单次波形的特征向量；

5)利用步骤4)提取的特征向量，采用有监督的学习方法训练局部放电类型的识别模型，并利用识别模型对放电类型进行识别。

本发明进一步的改进在于，步骤2)的具体实现方法如下：

201)对超高频单次波形采用快速傅里叶变换，得到单次波形的一维功率谱数组FreArray；

202)对同一个放电类型的多个超高频单次波形重复201)步骤，将FFT变换的多个FreArray按行组合得到同一放电类型的功率谱矩阵FreMatrix，其中行表示一个单次波形的功率谱，列表示样本数。

本发明进一步的改进在于，步骤5)的具体实现方法如下：

501)得到不同放电类型的FreMatrix，将FreMatrix归一化到[-1,1]的范围内，之后将其分为测试集和训练集；

502)采用有监督学习的方法，利用训练集得到识别模型；

503)将测试集带到识别模型中，检验识别模型的效果，并根据识别精度，调整模型参数；

504)重复502)和503)步，直至达到满足要求的识别精度，即得到对应的局部放电超高频单次波形识别模型。

本发明进一步的改进在于，步骤501)中，将FreMatrix归一化到[-1,1]的范围内，公式如下所示：

$y=(ymax-y\min )*\frac{(x-xmin)}{(xmax-x\min )}+y\min ---\left(1\right)$

其中，ymax为1，ymin为-1，x为特征参量，xmin为特征参量的最小值，xmax为特征参量的最大值。

本发明进一步的改进在于，步骤502)中，利用支持向量机根据训练集进行识别模型的训练，得到SVM的识别模型，支持向量机的核函数如下所示：

K(x,y)＝exp(-gamma×|x-y|²) (2)

其中，x为特征参量，y为放电类型对应的值，gmmma为默认值1/(特征值个数)。

本发明进一步的改进在于，gmmma的取值为1/2000；惩罚参数为默认值1。

本发明对比已有技术具有以下创新点：

1.首次采用快速傅里叶变换和奇异值分解相结合的方式，提取了超高频单次波形的特征向量，能够直观反映不同放电类型的频域特征；

2、采用本发明提取的频率特征，在不对识别模型进行参数优化的情况下，就能达到比较高的识别精度。

本发明对比已有技术具有以下显著优点：

1、本发明提取的频率特征参量，能够尽可能的包含超高频信号的频域特征，并能够直观显示各个频率点上的特征量大小；

2、利用本发明提取的特征参量，在不优化识别模型参数的情况下，就能达到比较高的识别精度，以支持向量机为例，识别率达到96％以上。模型中核函数为径向基函数，参数c和g均采用默认值1和(1/特征值个数)。

综上所述，本发明提出了一种新的局部放电超高频单次波形频域特征提取方法，利用本发明中提取的特征参量可以直观的表示不同放电类型的频域特征，利用本发明中提出的特征参量可以有效的进行局部放电类型识别。

附图说明：

图1为本发明方法提取的四种局部放电类型超高频信号单次波形频域特征向量；其中，图1(a)为放电类型P1的超高频信号单次波形频域特征向量，图1(b)为放电类型P2的超高频信号单次波形频域特征向量，图1(c)为放电类型P3的超高频信号单次波形频域特征向量，图1(d)为放电类型P4的超高频信号单次波形频域特征向量。

具体实施方式：

以下结合附图对本发明做出进一步的说明。

本发明的基本思想是基于快速傅里叶变换和奇异值分解相结合的方式，提取超高频单次波形的频域特征参量，利用提取的特征参量进行局部放电类型识别，具体流程如下：

1)采集四种放电类型(分别是放电类型1、2、3、4，下文简称P1，P2，P3和P4)多个局部放电超高频单次波形，使用的示波器其带宽为100MHz～3GHz，其采样率为5GS/s；

2)对局部放电类型P1的超高频单次波形进行快速傅里叶变换(FFT)，得到功率谱FreArray；

3)对局部放电类型P1的多组超高频单次波形重复步骤2)的操作，得到多组超高频单次波形的FreArray，如图1(a)所示；

4)对四种放电类型P2，P3和P4的多组超高频单次波形重复步骤2)和3)，得到各自的功率谱矩阵FreMatrix，其中行表示一个单次波形的功率谱，列表示样本数，如图1(b)至(d)所示；

5)对四种放电类型的FreMatrix进行奇异值分解，提取奇异值最大值对应的一组向量，得到四种放电类型超高频单次波形的频域特征参量，如图1所示；

6)利用得到的特征向量进行局部放电识别，具体步骤如下：

a)归一化特征参量，将特征量归一化到[-1,1]的范围内，公式如下所示：

$y=(ymax-y\min )*\frac{(x-xmin)}{(xmax-x\min )}+y\min ---\left(1\right)$

其中，ymax为1，ymin为-1，x为特征参量，xmin为特征参量的最小值，xmax为特征参量的最大值；

b)将四种放电类型的样本随机分为训练集和测试集；

c)利用支持向量机(SVM)根据训练集进行识别模型的训练，得到SVM的识别模型，支持向量机的核函数如下所示：

K(x,y)＝exp(-gamma×|x-y|²) (2)

其中，x为特征参量，y为放电类型对应的值(本发明中定义：P1对应1，P2对应2，P3对应3，P4对应4)，gmmma为默认值1/(特征值个数)，本发明中即1/2000；惩罚参数为默认值1；

d)对测试集进行识别效果检验，得到的识别精度为96％以上。