局部放电故障判定特征提取方法及判定方法与流程

本发明涉及监测
技术领域：
，特别涉及一种局部放电故障判定特征提取方法及一种判定方法。
背景技术：
：局部放电是高压电器设备出现故障、出现绝缘劣化的主要原因，同时也是绝缘劣化的主要征兆和表现形式。因此，在监测大型电力设备的绝缘状况方面已做出了大量的关于局部放电的研究。在局部放电故障诊断方面，能够有效提取局部放电的故障特征，并能准确的实现在线监测和实时故障诊断将对电力系统安全稳定运行提供重要的保障。目前，在处理局部放电信号时，常用的特征提取分析方法有统计参数法、波形特征参数法、weibull参数法、分形特征参数法、数字图像矩特征参数法、小波(包)变换、(总体)经验模态分解等。但小波变换缺乏自适应性，小波分析效果很大程度取决于小波基函数的选取。经验模态分解方法虽具有自适应性，但理论上仍存在频率混淆、过包络、欠包络、端点效应和出现无物理意义的负频率成分等局限。奇异值分解方法，能够在强噪声背景下检测出突变信息，在信号处理中表现出独特的优势，其具有零相移、波形失真小、信噪比高等优点，但奇异值分解存在提取不同状态信息所得到的特征分量个数不等的难题。因此，有必要提出稳定有效的局部放故障判定特征提取方法。技术实现要素：为了克服上述问题，本发明提供一种信噪比高的局部放电故障类型判定特征提取方法及一种判定方法。.为达上述优点，本发明提供一种局部放电故障类型判定特征提取方法，包括：对局部放电区域信号进行离散采样；由离散数字信号构建hankel矩阵；对hankel矩阵进行奇异值分解得到奇异值矩阵；对奇异值进行筛选，保留数值较大的奇异值得到经筛选的奇异值矩阵，根据经筛选的奇异值矩阵得到改进hankel矩阵；对改进hankel矩阵相空间重构得到构建相空间矩阵b；计算相空间矩阵b各分量能量矩，得到局部放电故障判定特征向量。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述对奇异值进行筛选，保留数值较大的奇异值得到经筛选的奇异值矩阵，包括：确定最佳奇异值数目k。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述最佳奇异值数目k，经如下方法确定：由奇异值矩阵构成奇异值曲线c；计算奇异值曲线c中各点曲率；由各点曲率构建曲率族f；确定曲率族最大个体w；若曲率族最大个体为凹，则奇异值最佳数目为w，若曲率族最大个体为凸，则奇异值最佳数目为w-1。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述局部放电故障判定特征向量用于通过智能分类方法实现局部放故障的类型判定。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述局部放故障的类型包括模拟尖端放电、沿面放电、悬浮放电、气泡放电中的一种或几种。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为神经网络方法。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为支持向量机方法。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为k近邻方法。在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述的对奇异值进行筛选，保留数值较大的奇异值得到经筛选的奇异值矩阵，根据经筛选的奇异值矩阵得到改进hankel矩阵，用于除无效特征成分或噪声成分干扰。本发明还提供一种判定方法，包括获取任一上述的局部放电故障判定特征向量，所述判定方法还包括根据局部放电故障判定特征向量判定故障类型的步骤。本发明通过对hankel矩阵a1进行奇异值分解得到奇异值矩阵；奇异值矩阵中的奇异值按大小排序，选择k个的前面数值较大的奇异值得到经筛选的奇异值矩阵，根据经筛选的奇异值矩阵得到改进hankel矩阵a2；能够去除噪声信号，信噪比高。附图说明图1所示为本发明第一实施例的局部放电故障类型判定特征提取方法的流程图。图2所示为模拟尖端放电、沿面放电、悬浮放电以及气泡放电的原理图。图3所示为图2的模拟尖端放电、沿面放电、悬浮放电以及气泡放电实验电路的原理图。具体实施方式为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出具体实施方式、结构、特征及其功效，详细说明如后。图1所示为本发明第一实施例的局部放电故障类型判定特征提取方法的流程图请参见图1。本实施例的局部放电故障类型判定特征提取方法包括：对局部放电时域信号进行离散采样得到局部放得到离散数字信号x，并有x＝[x(1),x(2),x(3),…,x(n)]，其中n为离散采样长度。由多个离散数字信号构建hankel矩阵a1，包括：其中，则对hankel矩阵a1进行奇异值分解(singularvaluedecomposition，svd)得到奇异值矩阵，包括：a1＝udvt其中，u是m×m阶酉矩阵，vt为n×n阶酉矩阵，d为奇异值矩阵，且其为对角矩阵，并有d＝diag[λ1,λ2,l,λk,λk+1,l,λm]。奇异值矩阵d中奇异值λq(q＝1,2,…,m)递减，即λ1≥λ2≥l≥λk≥λk+1≥l≥λm。对奇异值进行筛选，保留数值较大的奇异值，具体的保留局部放电信号中有效特征成分，去除无效特征成分或噪声成分干扰，可对奇异值进行筛选，保留d中前k个数值较大的奇异值。进一步的对于k，可由如下方法确定：(1)由奇异值矩阵[λ1,λ2,l,λk,λk+1,l,λm]可构成奇异值曲线c。(2)计算奇异值曲线c中各点曲率t(q)，其计算方法为：其中，(3)由t(q)构建曲率族f，即f＝[t(1),t(2),…,t(m-1)]。(4)确定曲率族最大个体w，即t(w)＝max{f}。(5)判定曲率最大个体处凹凸性，即判定β″(w)正负：若β″(w)<0，则k＝w；若β″(w)>0，则k＝w-1。根据经筛选的奇异值矩阵d′＝diag[λ1,λ2,l,λk,0,l,0]，得到经有效特征筛选或无效噪声抑制的改进hankel矩阵a2，具体的a2＝ud′vt，由a2中元素可相空间重构得到构建相空间矩阵b，并有其中，p≥2，q≥2，并有p＝int(n/q)。对相空间矩阵b进行奇异值分解，可表示为i个离散正交分量矩阵p1,p2,l,pi和的形式，包括计算相空间矩阵b各分量能量矩，即其中，δt为采样时间间隔，n为采样点数；k为采样点。由此构建局部放电故障判定特征向量f＝[m1,m2,l,mp]。对局部放故障判定特征进行提取后，可结合智能分类方法实现局部放故障的智能判定。本实例分别选取支持向量机方法、神经网络方法以及k近邻方法进行了局部放电故障类型判定。图2所示为模拟尖端放电、沿面放电、悬浮放电以及气泡放电的原理图。请参见图2，实验室中设置了典型缺陷下局部放模型，用以模拟尖端放电、沿面放电、悬浮放电以及气泡放电等四种典型局部放类型，其中尖端放电、沿面放电、悬浮放电中纸板厚度均为2mm，气泡放电模型中纸板气泡结构由厚度分别为0.5mm、2mm、0.5mm的三层纸板组成。图3所示为图2的模拟尖端放电、沿面放电、悬浮放电以及气泡放电实验电路的原理图。请参见图3，实验中变压器为tdtw50/250型油浸式变压器，其容量为50kva，额定电压为250kv；高频传感器采用hfct-1型，频带范围为100khz～100mhz，其灵敏度<1pc。额定电压下，变压器局部放电视在放电量小于5pc，实验时采样频率为500mhz。各类型放电共采集156组样本信号，其组成如表1所示。其中各组随机选取10组信号作为训练样本信号，其余信号作为测试样本信号，实验5次，求得判定结果正确率平均值，结果如表2、3、4所示。表1局部放样本信号表2局部放故障诊断正确率％(支持向量机)表3局部放故障诊断正确率(神经网络)表4局部放故障诊断正确率(k近邻)pd类型气泡放电针板放电沿面放电悬浮放电识别正确率％95.092.586.187.5综上，本发明至少具有以下的优点：本发明能够有效避免奇异值分解产生的有效奇异值数量不等进而影响故障诊断精度的问题，并能改善其他方法在进行模式识别时忽略特征值间的相互内在关系的不足。以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化和修饰，均仍属于本发明技术方案的范围内。当前第1页12