一种基于SLLE的电缆附件局部放电模式识别方法与流程

本发明涉及一种局部放电
技术领域：
，特别涉及一种基于slle(监督的局部线性嵌入算法)的电缆附件局部放电模式识别方法。
背景技术：
：随着电网不断的建设和其规模的不断扩大，电力负荷随之迅猛增长。应城市美化的需要和供电质量的要求，高压电力电缆线路长度增长迅速，xlpe(交联聚乙烯)电缆凭借其突出的机械、热稳定性能以及安装方便等众多优点，己蔓延到人们生产和生活的每个角落，并普遍应用于电力系统。随着xlpe电缆开始出现大规模的应用，我国的10-35kv城市地下电缆敷设长度逐年增加，使电力电缆终端及其附件得到了迅速的普及与发展。然而，实际电网正常运行过程中，由于受安装工艺和敷设环境等原因，加之外力破坏及使用情况等众多因素的影响，电力电缆经常出现绝缘缺陷，绝缘击穿等故障。其中，电力电缆终端及其附件发生的绝缘故障占了总故障的40％左右，在部分行业甚至高达90％。因此，电缆终端及其附件是电力电缆绝缘事故的高发场所，同时预防事故发生的关键位置，确保其安全性和可靠性对保证整个输电线路的稳定意义重大，而其中局部放电的检测与模式识别是重要且有效的手段之一。局部放电模式识别研究领域，较多地使用统计特征参数、分形特征参数、图像特征参数、weibull参数、波形特征参数等参数反映电力电缆局部防电信号的特征信息，用于反映其内部绝缘缺陷，但是使用以上现有技术，问题在于，采用某一特征参数，虽然对局部放电信号具有一定的识别能力，但是单一特征参数无法全面提取局部放电信号的特征信息。采用多个特征参数，虽然提高了识别的准确性，但是由于提取的特征值维数较高，若直接将其送入bp神经网络、支持向量机分类器等机器学习模型，会造成分类不收敛或收敛困难，最终导致识别率低等问题。技术实现要素：本发明的目的在于针对单一特征参数无法全面提取局部放电信号的特征信息，并且特征值维数较高时，直接采用bp神经网络或支持向量机分类器，分类不收敛，最终导致识别率低的问题，提出了一种基于slle的电缆附件局部放电模式识别方法。为了实现上述发明目的，本发明提供了以下技术方案：一种基于slle的电缆附件局部放电模式识别方法，步骤包括：步骤s1：在线采集局部放电信号；步骤s2：提取局部放电信号中的特征值；步骤s3：利用监督的局部线性嵌入算法对特征值进行降低维度处理；步骤s4：采用bp神经网络或支持向量机分类器进行放电模式识别。局部放电信号中的特征值，包括灰度图谱的矩特征参数和相位分析图谱的统计特征参数。灰度图谱的矩特征参数，包括：区域的灰度质量、水平轴的惯性矩、垂直轴的惯性矩、水平轴的不对称性、垂直轴的不对称性、主轴方向特征参数。相位分析图谱的统计特征参数包括：偏差、偏斜度、陡峭度、局部峰点数、放电量因素、相位不对称度、互相关系数、修正的互相关系数、均值。利用监督的局部线性嵌入算法对特征值进行降低维度处理，具体步骤为：步骤s31：确定最佳分类结果下的邻域数k；步骤s32：构建邻域图；步骤s33：加入样本类别信息；步骤s34：计算原始数据近邻间的权值矩阵；步骤s35：在已做降维处理的空间中，重构原始数据点。步骤s31中确定最佳分类结果下的邻域数k，判断依据为分类效果综合值，公式为：其中，lw是总的样本类内离散度矩阵，lb样本类间离散度矩阵，当v值最大时，得到的一组参数的个数，为最佳分类结果的邻域数k。总的样本类内离散度矩阵，计算公式为：其中，lw是总的样本类内离散度矩阵，n为样本总数，c为样本类型总数，为其中一个样本类型的类内离散度矩阵，nj是其中一个样本类型的特征向量数。样本类间离散度矩阵，计算公式为：其中，lb是样本类间离散度矩阵，mj是其中一个样本类型的类内特征向量的均值矢量，m是降维后得到的全部特征向量的均值矢量，n为样本总数，c为样本类型总数。步骤33加入样本类别信息，是指添加距离修正项，修正欧氏距离的过程，计算公式为：d'i,j＝di,j+αmax(di,j)δi,j其中：公式中，d'i,j是修正后的欧式距离，di,j是原始欧式距离，max(di,j)是样本类间的最大距离，α∈(0，1)表示监督的程度。步骤s35中低维空间中重构原始数据点计算公式为：其中，y是首次降维后的特征向量，m是最终的降维特征向量，m＝(i-w)t(i-w)，w是权值矩阵，i为单位矩阵，若降维后的维数为d，则m中第2维到第d+1维对应的特征向量构成的空间即为高维数据降维后在d维空间的低维结果。与现有技术相比，本发明的有益效果：1、本发明从不同的角度出发分别提取表征局部放电的特征值，解决了单一特征参数无法全面提取局部放电信号的特征信息的问题。2、利用基于监督的局部线性嵌入算法对局部放电特征值进行降维优化处理，提取出具有较高分类能力的最优特征值，提高了识别率。附图说明：图1为本发明一种基于slle的电缆附件局部放电模式识别方法的流程图；图2为本发明实施例2中电缆终端典型缺陷示意图；图3为本发明实施例2中slle降维后通过bp神经网络识别后的结果；图4为本发明实施例2中slle降维后通过支持向量机分类器识别后的结果；图5为本发明实施例3中三种类型的特征值(统计特征，矩特征，统计特征与矩特征的结合值)分别在bp神经网络与支持向量机分类器下的识别结果。图中标记：1-线缆附件主绝缘层，2-线缆附件导线，3-线缆附件半导电层。具体实施方式下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本
发明内容所实现的技术均属于本发明的范围。实施例1步骤s1：对局部放电的信号进行采集。在完好的电缆附件上制作不同类型的绝缘缺陷故障，将制作好的电缆与实验平台相连接，同时在通电条件下利用高频电流传感器对局放信号进行在线采集，并使用示波器连续保存三个工频周期内的局放信号作为研究对象。步骤s2：提取信号中的特征值，包括灰度图谱的矩特征参数和相位分析图谱的统计特征参数。步骤s3：利用slle(监督的局部线性嵌入算法)对得到的高维特征值进行数据降维，具体步骤如下：步骤s31：确定邻域数k。具体流程如下：首先，求得同一样本类型的类内离散度矩阵。设样本原始特征为x＝(x1，x2，x3，...xm)，即表示有m个特征向量，设有n个样本类型，nj代表某种样本类型的特征向量数，j＝1,2，...c且n1+n2+n3+...+nc＝n，即一共有n个样本。利用lle降维算法对样本原始特征值进行降维处理后得到新的特征向量集合为其中针对原始特征向量xi和新的特征向量yi满足条件xi∈rd，且d>>d，d和d分别为特征值降维前后的维数。同一样本类型的类内离散度矩阵如公式(1)所示：其中，j＝1,2，...c，c为某种样本类型中包含的特征向量总数，l为d×d的方阵，mj是同一样本特征向量的均值矢量，mj的计算公式如公式(2)所示：其次，计算总的样本内离散度矩阵。总的样本类内离散度矩阵计算公式如公式(3)所示：其中，lw是总的样本类内离散度矩阵，n为样本总数，c为样本类型总数，为其中一个样本类型的类内离散度矩阵，nj是其中一个样本类型的特征向量数。其次，求解不同样本类间离散度矩阵，计算公式如公式(4)所示：其中，lb是样本类间离散度矩阵，mj是其中一个样本类型的类内特征向量的均值矢量，m是降维后得到的全部特征向量的均值矢量，n为样本总数，c为样本类型总数。m的表达式如公式(5)所示。最后，寻找在分类效果综合值最大时的一组参数，确定邻域数k。由最佳分类效果的原理，将分类效果综合值定义为：在一定的区间内不断搜索，寻找使得v值达到最大的那组参数，即为最佳分类结果的邻域数k。步骤s32：构建邻域图。在高维空间数据集中，寻找每个样本点xi的k个近邻点，近邻的选择可以选择欧氏距离、测地线距离、曼哈顿距离、阂可夫斯基距离或皮尔逊系数来衡量。通常我们选择欧氏距离来衡量两样本的相似度，同时记样本xi的第j个相邻样本为xij，j＝1,2，...k。步骤s33：加入样本类别信息，即修正欧氏距离。计算样本点xi间的欧式距离，寻找近邻点添加类别信息，同时添加距离修正项来增大异类邻近样本点的欧式距离，增大不同类样本xi和xj的距离。表示如公式(7)所示，d'i,j＝di,j+αmax(di,j)δi,j(7)其中：公式中，di,j表示的是原始欧式距离，max(di,j)表示的是样本类间的最大距离。α∈(0，1)表示类别信息对数据样本的贡献大小，即监督的程度。步骤s34：计算原始高维数据近邻间的权值矩阵。步骤s1已经确定了邻域数k的取值，则每个样本点的近邻点xi计算如公式(9)所示，其中，n为样本个数，xi和xj分别指不同类的样本点，wij是局部重构系数。对于每一个数据xi而言，剩余点xi的局部重构系数wij取值需要满足如下条件：1)当xj不属于xi的k近邻时，wij的值则取0；2)针对同一个xi而言，满足条件∑wij＝1。当进行平移变换x→x+a时，当旋转变化x→tx时，利用公式(9)计算的wij局部重构系数不会发生改变，本实施例采用拉格朗日乘子法进行最优化问题的求解。将公式(9)变化得到如下所示：式中，g＝(gij)＝((nj-x)t(ηk-x))为局部gram矩阵。nj和ηk都是x的近邻点。则求解得出的拉格朗日函数如公式(13)所示。l＝∑wwg-λ(∑w-1)(13)求解公式(13)得到方程组(14)：求解方程组(14)得到局部重构系数如公式(15)所示，局部重构系数wj组合构成的矩阵，就是权值矩阵w。步骤s35：在已做降维处理的空间中，重构原始数据点。通过公式(15)得到近邻点间的权值矩阵，同时建立公式(16)，确保权值矩阵不变的前提下求出首次降维后的特征向量，首次降维后的特征向量设定为y。其中，i为单位矩阵，wi为权值矩阵的行矩阵，y是首次降维后的特征向量。由于公式(16)求解得到的降维后的特征向量y有多个解，缺乏唯一性。为了保证y值的唯一性，需对公式(16)加入限制如公式(17)所示，以避免平移和旋转自由度带来的问题。同时利用矩阵论原理将上述优化问题转换得到公式(18)：其中，y是首次降维后的特征向量，m＝(i-w)t(i-w)，m是最终的降维特征向量，w是权值矩阵。若降维后的维数为d，则m中第2维到第d+1维对应的特征向量构成的空间即为高维数据降维后在d维空间的低维结果，对应特征值为0的特征向量不予保留。步骤s4：将降维后的特征值，送至bp神经网络与支持向量机分类器进行分类识别。实施例21.通过高压试验平台在线采集局放信号本实例在完好的电缆附件上制作4种典型的电缆附件故障模型(断口不齐、主绝缘割伤、半导电层损伤和气隙放电，如图2所示)，各缺陷参数具体如表1所示。表1样本序号缺陷类型缺陷大小1主绝缘割伤长度40mm，宽度3mm，深度2mm2断口不齐电缆横切面在断口处参差不齐3气隙放电直径1mm，深度2mm4半导电层损伤长度40mm的划痕(未穿透)针对表1的4种缺陷，按照局部放电实验测量标准和相关实验操作，在表2所示的环境下开展实验，在线采集局部放电信号。每种绝缘缺陷故障采集局放信号60个，共240个。表2室温/℃相对湿度/％采样率/mhz起始放电电压/kv加压时间/s断口不齐16.0675011.160主绝缘割伤16.1665010.560半导电层损伤16.067509.560气隙放电15.967509.8602.提取数据的特征值对实验采集的4种缺陷信号的240组数据提取如表3所示特征值，得到240×19的特征参数矩阵。其中特征值1至特征值10为灰度图谱的矩特征参数，特征值11至特征值19为统计特征参数。表33.利用slle对特征值降维首先利用公式(1)-公式(6)确定邻域数k，同时利用公式(7)-公式(9)计算每个样本点的近邻点，并添加类别信息；然后通过公式(10)-公式(16)计算出低维的y值；最后结合矩阵论原理由公式(17)-公式(18)求解得到降维后的特征向量。公式(18)中m的第2维到第d+1维对应的特征向量构成的空间即为高维数据降维后在d维空间的低维结果。(其中：d为降维后的维数)4.将降维后的原始特征参数，送至bp神经网络与支持向量机分类器进行局放识别。5.将降维后得到的240组原始特征参数分为两部分，其中120组作为训练样本，120组作为识别样本。将其送至bp神经网络与支持向量机分类器进行分类识别。(其中：总体为总的识别率，即有：总体＝总共识别正确的个数/120)。slle降维后通过bp神经网络识别后的结果如图3所示。slle降维后通过支持向量机分类器识别后的结果如图4所示。利用pca和slle将特征值降至8维，将降维后的特征值再次送至bp神经网络与支持向量机分类器进行分类识别。表4为两种降维方法(pca或slle)分别在bp神经网络与支持向量机分类器下的识别结果。图5为三种类型的特征值(统计特征，矩特征，统计特征与矩特征的结合值)分别在bp神经网络与支持向量机分类器下的识别结果。表4对比slle(监督的局部线性嵌入算法)和pca(主成分分析)两种不同的降维方法的识别率，slle的降维效果优于pca，在同一种降维方法的基础上进行局放类型的识别，svm(支持向量机)的识别效果优于bp神经网络算法。实施例3步骤s1：将统计特征参数直接放在bp神经网络与支持向量机分类器下进行分类识别；步骤s2：将矩特征的参数直接放在bp神经网络与支持向量机分类器下进行分类识别；步骤s3：将统计特征参数与矩特征参数结合，采用本发明的识别方法进行分类识别；步骤s4：比较三种情况下的识别率，比较结果如图5所示。由图5可以看出：采用bp神经网络与支持向量机分类器进行分类识别，将统计特征参数与矩特征参数结合时识别率达到了90％以上，识别率高于仅采用特征参数或矩特征参数时的识别率。当前第1页12