局部放电模式识别方法和装置与流程

本发明涉及局部放电领域，具体而言，涉及一种局部放电模式识别方法和装置。

背景技术：

很小的绝缘缺陷在电力设备带电运行状态下会由小变大，最终可能诱发整体的绝缘性故障，造成大面积停电，给国民经济带来损失，而局部放电模式识别对及时发现绝缘损坏程度和设备检修有重大意义。

随着智能电网和能源互联网的快速发展，电力系统信息数据和状态监测数据日益庞大，这些数据的实时存储、传输和处理是大电网坚强稳固的保证，随机矩阵理论作为一种大数据分析方法，其特征根谱分析理论对分析大维数据具有优良特性，已在电力设备状态评估和异常检测中得到初步应用。

近年来，国内外学者在局放模式识别领域展开了大量的研究工作，神经网络、小波变换、分形理论以及隐马尔可夫模型在局部放电模式识别理论中有较广泛的应用，取得了显著的效果，但是，以上以PRPD图谱为基础的识别方法存在一定的局限性，即工频相位在局部放电过程中意义并不是很大，且在直流输电系统中，由于直流设备的存在已无相位信息，而以上以脉冲波形或者脉冲峰值作为识别特征量的办法受电压值的影响较大，抗干扰性不强，对于非平稳放电信号是不适用的。

针对上述现有技术中对局部放电的模式识别率高并且抗干扰性差的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种局部放电模式识别方法和装置，以至少解决现有技术中对局部放电的模式识别率高并且抗干扰性差的技术问题。

根据本发明实施例的一个方面，提供了一种局部放电模式识别方法，包括：建立典型局部放电模型，并获取各模型的局部放电信号；根据各模型的局部放电信号构建各模型的高维随机矩阵；根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；基于知识库，采用邻近算法确定待识别局部放电信号的模式。

进一步的，谱分布特性包括各模型的高维随机矩阵的特征根的谱分布圆环的平均谱半径。

进一步的，基于知识库，采用邻近算法确定待识别局部放电信号的模式，包括：从知识库中采用欧式距离算法选取与待识别局部放电信号的平均谱半径最近的K个局部放电信号；确定K个局部放电信号中多数局部放电信号的模式，得到待识别局部放电信号的模式。

进一步的，建立典型局部放电模型，并获取各模型的局部放电信号，包括：建立典型局部放电模型，并使用超高频传感器获取各模型的局部放电信号。

进一步的，典型局部放电模型包括：板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型。

根据本发明实施例的另一方面，还提供了一种局部放电模式识别装置，包括：获取模块，用于建立典型局部放电模型，并获取各模型的局部放电信号；第一构建模块，用于根据各模型的局部放电信号构建各模型的高维随机矩阵；第二构建模块，用于根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；确定模块，用于基于知识库，采用邻近算法确定待识别局部放电信号的模式。

进一步的，谱分布特性包括各模型的高维随机矩阵的特征根的谱分布圆环的平均谱半径。

进一步的，确定模块，包括：选取模块，用于从知识库中采用欧式距离算法选取与待识别局部放电信号的平均谱半径最近的K个局部放电信号；确定子模块，用于确定K个局部放电信号中多数局部放电信号的模式，得到待识别局部放电信号的模式。

进一步的，获取模块的具体实施包括：建立典型局部放电模型，并使用超高频传感器获取各模型的局部放电信号。

进一步的，典型局部放电模型包括：板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型。

在本发明实施例中，通过建立典型局部放电模型，并获取各模型的局部放电信号；根据各模型的局部放电信号构建各模型的高维随机矩阵；根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；基于知识库，采用邻近算法确定待识别局部放电信号的模式，达到了确定待识别局部放电信号的模式的目的，并且识别效率和准确率高，用时短，能够对香肠检测结果缺陷识别提供极大地帮助，进而解决了现有技术中对局部放电的模式识别率高并且抗干扰性差的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例1的一种局部放电模式识别方法的流程图；

图2是根据本发明实施例1的板板放电模型示意图；

图3是根据本发明实施例1的悬浮电极放电模型示意图；

图4是根据本发明实施例1的气隙放电模型示意图；

图5是根据本发明实施例1的高压沿面放电模型示意图；

图6是根据本发明实施例1的电晕放电模型示意图；

图7是根据本发明实施例1的油隙放电模型示意图；

图8是根据本发明实施例1的针对板板放电模型的局部放电信号的高维随机矩阵示意图；

图9是根据本发明实施例1的板板放电模型的高维随机矩阵的特征根的谱分布示意图；

图10是根据本发明实施例1的悬浮电极放电模型的高维随机矩阵的特征根的谱分布示意图；

图11是根据本发明实施例1的气隙放电模型的高维随机矩阵的特征根的谱分布示意图；

图12是根据本发明实施例1的高压沿面放电模型的高维随机矩阵的特征根的谱分布示意图；

图13是根据本发明实施例1的电晕放电模型的高维随机矩阵的特征根的谱分布示意图；

图14是根据本发明实施例1的油隙放电模型的高维随机矩阵的特征根的谱分布示意图；以及

图15是根据本发明实施例2的一种局部放电模式识别装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种局部放电模式识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的局部放电模式识别方法，如图1所示，该方法包括如下步骤：

步骤S102，建立典型局部放电模型，并获取各模型的局部放电信号。

步骤S104，根据各模型的局部放电信号构建各模型的高维随机矩阵。

步骤S106，根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库。

步骤S108，基于知识库，采用邻近算法确定待识别局部放电信号的模式。

在本发明实施例中，通过建立典型局部放电模型，并获取各模型的局部放电信号；根据各模型的局部放电信号构建各模型的高维随机矩阵；根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；基于知识库，采用邻近算法确定待识别局部放电信号的模式，达到了确定待识别局部放电信号的模式的目的，并且识别效率和准确率高，用时短，能够对香肠检测结果缺陷识别提供极大地帮助，进而解决了现有技术中对局部放电的模式识别率高并且抗干扰性差的技术问题。

在一种可选的实施例中，典型局部放电模型包括：板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型。

具体的，板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型的示意图分别如图2-7所示。

在一种可选的实施例中，步骤S104中根据各模型的局部放电信号构建各模型的高维随机矩阵的具体实施可以是：

针对局部放电信号构建高维随机矩阵，可以利用单位时间间隔Δt的数据向量来生成矩阵X，其表达式如下式所示，图8是针对板板放电模型的局部放电信号的高维随机矩阵示意图；

其中，上式中X是N×T随机矩阵，可以通过改变采样频率和采样时长来调整矩阵X的行列数比值，以保证矩阵X满足随机矩阵理论分析的要求。对矩阵的乘积其中Xi是N×n独立同分布的非厄米特随机方阵的奇异值等价矩阵，则Z的经验谱密度将收敛于：

当N,n→∞和c＝N/n≤1，在复平面表示下，特征根将处于内圈半径为(1-c)^α/2外圆半径为1的圆环内。其中，是一个Harr矩阵。

在一种可选的实施例中，谱分布特性包括各模型的高维随机矩阵的特征根的谱分布圆环的平均谱半径。

具体的，由局部放电信号产生的时间序列，通过构造为满足一定要求的高维矩阵后，理论上已证明其特征根呈环状分布，现选取六类放电波形的谱分布圆环的平均谱半径(MSR，Mean Spectral radius)为放电类型识别的特征量：

其中，|λ_Z|表示λ_Z在复平面的半径。

在一种可选的实施例中，步骤S108，包括：

步骤S202，从知识库中采用欧式距离算法选取与待识别局部放电信号的平均谱半径最近的K个局部放电信号。

步骤S204，确定K个局部放电信号中多数局部放电信号的模式，得到待识别局部放电信号的模式。

具体的，邻近算法也就是K近邻算法，是一种简单的机器学习算法，即给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类。K值的选择，距离度量和分类决策规则是该算法的三个基本要素。距离度量在本实验中选择欧氏距离，即对于任意两类信号的10个波形的圆环谱分布，其MSR的欧式距离为d(κ_1iMSR，κ_2iMSR)：

在一种可选的实施例中，对于新输入波形的MSR，可以在60个波形(每类局部放电信号各十个波形)的谱分布知识库中挑出与其最近的K个MSR，然后看这K个MSR多数属于哪一类，则把新输入的波形归为该类局部放电信号，实验结果表明K取3时，识别效果最好。

上述实施例本发明采用KNN算法，识别不同放电信号的随机矩阵谱分布，进而实现对不同类型局部放电信号的识别。

在一种可选的实施例中，步骤S102，包括：建立典型局部放电模型，并使用超高频传感器获取各模型的局部放电信号。

在一种可选的实施例中，可以利用放电模型产生六种局部放电信号，并采集相应的特高频信号各10组，本实验利用放电信号的多脉冲波形进行谱分析，利用示波器的顺序采集模式可以得到放电信号的多脉冲波形，所谓多脉冲波形即为采集多个脉冲且只对放电脉冲附近若干点进行采集，示波器的设置为(500mv/div，200ns，1G/S，顺序采集模式，300段脉冲)，在此设置下，每个脉冲采集了200*10-9s*1G/s＝2000个点，一个完整的多脉冲波形共采集了300*2000＝600000个点，分别构造每种局部放电特高频信号的600*1000维随机矩阵Z。图9-14给出了板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型所生成的高维矩阵Z的特征根谱分布情况，从图中可看出其特征根很明显呈现圆环分布的特点，且每个圆环的内径大小不同，环内的谱分布疏密也有自身的特点。可以分别采集每类放电波形50个，构造相应的高维随机矩阵进行谱分析，并将提取的特征量输入训练好的K-近邻识别算法进行识别，识别结果为：针对板板放电，识别35个，识别率为70％，针对悬浮电极放电，识别43个，识别率为86％，针对气隙放电，识别44个，识别率为88％，针对高压沿面放电，识别43个，识别率为86％，针对电晕放电，识别44个，识别率为88％，针对油隙放电，识别38个，识别率为76％，由上可知，本发明对常见的六种缺陷进行实验验证，平均识别率均在85％以上，对现场检测结果缺陷识别提供了很大帮助，缩短了分析时间，提高了分析效率和准确率。

实施例2

根据本发明实施例，提供了一种局部放电模式识别装置的产品实施例，图15是根据本发明实施例的局部放电模式识别装置，如图15所示，该装置包括获取模块、第一构建模块、第二构建模块和确定模块。

其中，获取模块，用于建立典型局部放电模型，并获取各模型的局部放电信号；第一构建模块，用于根据各模型的局部放电信号构建各模型的高维随机矩阵；第二构建模块，用于根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；确定模块，用于基于知识库，采用邻近算法确定待识别局部放电信号的模式。

在本发明实施例中，通过获取模块建立典型局部放电模型，并获取各模型的局部放电信号；第一构建模块根据各模型的局部放电信号构建各模型的高维随机矩阵；第二构建模块根据各模型的高维随机矩阵的特征根的谱分布特性构建知识库；确定模块基于知识库，采用邻近算法确定待识别局部放电信号的模式，达到了确定待识别局部放电信号的模式的目的，并且识别效率和准确率高，用时短，能够对香肠检测结果缺陷识别提供极大地帮助，进而解决了现有技术中对局部放电的模式识别率高并且抗干扰性差的技术问题。

在一种可选的实施例中，谱分布特性包括各模型的高维随机矩阵的特征根的谱分布圆环的平均谱半径。

在一种可选的实施例中，确定模块，包括选取模块和确定子模块。

其中，选取模块，用于从知识库中采用欧式距离算法选取与待识别局部放电信号的平均谱半径最近的K个局部放电信号；确定子模块，用于确定K个局部放电信号中多数局部放电信号的模式，得到待识别局部放电信号的模式。

在一种可选的实施例中，获取模块的具体实施包括：建立典型局部放电模型，并使用超高频传感器获取各模型的局部放电信号。

在一种可选的实施例中，典型局部放电模型包括：板板放电模型、悬浮电极放电模型、气隙放电模型、高压沿面放电模型、电晕放电模型和油隙放电模型。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。