基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法与流程

本发明涉及测量电变量领域，更具体地说是指一种基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法。

背景技术：

电力设备的局部放电即在电场的作用下，电力设备的绝缘结构局部区域发生“微弱”放电信号，这主要是由于电力设备绝缘劣化导致。因此局部放电状态也成为电力设备绝缘劣化的主要征兆以及表现形式。对电力设备的局部放电状态实时在线检测，分析其内涵、特性，提取表征局部放电类型的特征量，能揭示电力设备绝缘劣化、性能下降、介质击穿的渐变过程，可以有效地发现电气设备内部绝缘缺陷等局部隐患，有目的地对电力设备进行维修。这对提前发现电力设备中的潜伏性故障，避免设备事故具有重要价值。但电气设备通常受到强电磁干扰影响，从而使局部放电信号中包含各种复杂的干扰信号。同时由于电力设备局部放电信号是极其微弱的信号，往往可能完全淹没在强烈的干扰信号中，进而影响电力设备的检测及监测。因此，为了有效电力设备故障诊断，需要寻求一种强背景噪声下的局部放电信号识别方法。

技术实现要素：

本发明提供的一种基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，其目的在于解决现有技术中存在的上述问题。

本发明采用的技术方案如下：

基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，包括以下步骤：

（1）、获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典；

（2）、获取待识别信号，作为待测样本；

（3）、用复合字典，通过最小化l1范数求解待测样本的稀疏表示系数；

（4）、计算待测样本为每一个类别的逼近残差，用此来衡量对待测样本的稀疏逼近程度的子字典重构误差；将最小子字典重构误差作为分类依据，确定待测样本的类别。

进一步，所述步骤（1）具体为：所述复合字典直接由大量观测样本组成，表示为a=[a1,a2,……,ak,ak+1]∈r^m×n；其中a1,a2,……，ak表示k个不同故障类别的子字典，各子字典是由某一故障类别的所有观测样本直接构成，ak+1表示一个含多种噪声类别的子字典。

进一步，所述步骤（3）具体为：用稀疏表示分类，让某一待测样本y用复合字典性表示，即y=ax，其中x为表示系数，且，y为待测样本，a为复合字典；对复合字典a中的原始观测样本集中的数据做降维处理，使得复合字典a的维数m<<n，此时y=ax有无穷多个解；为了解决这个问题，使x只有唯一解，需对x添加一个l1范数的约束条件，使得求解得到的x是稀疏的，故可将该求解问题表述为。

进一步，所述步骤（4）具体为：基于步骤（3）所求解稀疏表示系数x，用其中与第i类子字典对应的非零系数组成新向量；故待测样本可只采用第i类子字典的表示系数来近似表示，即yi=aδi（x）；据此，可计算得到将待测样本判断为第i类别时的逼近残差ri（y）=||y-aδi（x）||2，用来衡量对待测样本的稀疏逼近程度的子字典重构误差；重构误差ri（y）的值越小，则表示该类别与待测样本的类别越相似，因此可输出，以此确定待测样本所属类别，实现强背景噪声下的局部放电信号识别；若输出i=k+1，则认为待测样本为噪声信号。

由上述对本发明的描述可知，和现有的技术相比，本发明的优点在于：

本发明的创新点在于：所提出的复合字典是直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。此外，本发明方法强调和解决的是强背景噪声下的局部放电信号识别，是一种识别方法，而不是噪声抑制方法。本发明将子字典重构误差作为分类依据，实现了强背景噪声背景下的局部放电信号识别，识别效果更佳，更具有鲁棒性。

附图说明

图1为本发明的流程框图。

图2为一种实施方式下的特定类别的稀疏表示思想的示意图。

具体实施方式

下面结合附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。

如图1所示，基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法，包括以下步骤：

（1）、获取多种噪声干扰信号数据和多种故障类别的局部放电信号数据,并构造多个子字典，再以多个子字典构造成为复合字典。

具体地，在实验室内，用现有技术中的信号采集系统采集一种故障模型所发出的局部放电信号，得到相应故障类别的多个观测样本，并以此构造该故障类别的子字典。用相同的方法为每一种故障类别构造一个含多个该故障类别观测样本的子字典，构造多种故障类别的各自子字典；在实验室内，用现有技术中的信号采集系统采集分别对多种噪声模拟源所发出的噪声干扰信号，得到多个观测样本，并以此构造一个含多种噪声类别且每一种噪声类别具有多个观测样本的子字典；再将所有子字典构造成为复合字典。可见，复合字典直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。

为减少计算量和存储空间，通常对复合字典中的原始观测样本集中的数据做降维处理。本发明采用主成分分析（pca）对复合字典a中的原始观测样本集中的数据做降维处理。复合字典表示为a=[a1,a2,……,ak,ak+1]∈r^m×n；其中a1,a2,……,ak表示k个不同故障类别的子字典，ak+1表示一个含多种噪声类别的子字典；由于经过降维处理后，复合字典a的维数m<<n。

（2）、获取待识别信号，作为待测样本。

具体地，用现有技术中的信号采集系统，对某一电力设备进行待识别信号采集，并将其作为待测样本。

（3）、用复合字典，通过最小化l1范数求解待测样本的稀疏表示系数。

具体地，若第i类别的子字典ai由ni个观测样本组成，每个观测样本用列向量vi,j表示，则ai可表示为，那么复合字典a的样本总数n=n1+n2+……+nk+1。

基于线性子空间的原理可得知，在所有第i类别的观测样本所张成的线性空间中，任意待测样本y∈r^m均可用ai线性表示，即：，其中αi,j∈r是标量，且j=1,2,……,ni。

用稀疏表示分类，若将子字典张成复合字典，那么对于任意未知类别的待测样本y∈r^m，可以用复合字典a线性表示，即y=ax。其中，x为表示系数，且，而表示系数x中与待测样本y属于同类别的子字典对应的系数不为零，其余项均为零。当观测样本的数量n很大时，表示系数x具有很好的稀疏性。如图2所示，展示了当待测样本y属于第2类别时的稀疏表示的情况。

但是由于复合字典a的维数m<<n，此时y=ax有无穷多个解。为了解决这个问题，使x只有唯一解，需对x添加一个l1范数的约束条件，使得求解得到的x是稀疏的。故可将该求解问题表述为：。

（4）、计算待测样本为每一个类别的逼近残差，用此来衡量对待测样本的稀疏逼近程度的子字典重构误差；将最小子字典重构误差作为分类依据，确定待测样本的类别。

具体地，基于步骤（3）所求解稀疏表示系数x，用其中与第i个子字典对应的非零系数组成新向量δi（x），具体表示如下：

故待测样本可只采用第i个子字典表示系数来近似逼近，即yi=aδi（x）。

计算得到将待测样本判断为第i类别时的逼近残差ri（y）=||y-aδi（x）||2，用来衡量对待测样本的稀疏逼近程度的子字典重构误差。

重构误差ri（y）的值越小，则表示该类别与待测样本的类别越相似。故可输出，并以此确定待测样本所属类别，实现强背景噪声下的局部放电信号识别；若输出i=k+1，则认为待测样本为噪声信号。

综上，本发明的创新点在于：所提出的复合字典是直接由观测样本构成，不是基于特征的分类方法，对于关键特征的提取没有太大的依赖性。避免了复杂的特征提取以及通过迭代训练获得字典的过程，减少计算耗时。此外，本发明将子字典重构误差作为分类依据，实现了强背景噪声背景下的局部放电信号识别，识别效果更佳，更具有鲁棒性。本发明方法强调和解决的是强背景噪声下的局部放电信号识别，是一种识别方法，而不是噪声抑制方法。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。