变压器运行状态的多类型局放信号实时提取方法与流程

1.本技术涉及变压器监测技术领域，特别涉及变压器运行状态的多类型局放信号实时提取方法。


背景技术：

2.本部分的陈述仅仅是提供了与本技术相关的背景技术信息，不必然构成在先技术。
3.局部放电是导致油浸式变压器主绝缘油纸绝缘发生绝缘劣化和击穿的重要原因，局部放电在线检测是评估其绝缘状态的有效方法。绝缘缺陷产生的局部放电信号通常非常微弱，容易被严重的背景噪声所覆盖，严重影响特征的提取与分类识别，因此从混杂信号中提取真实局部放电信号，信号去噪是其重要一步。局部放电超声信号中的白噪声、周期性窄带干扰具有随机性强、与超声信号之间的相关性低等特点，为了有效实现局部放电诊断与绝缘缺陷定位，准确滤除超声信号中的干扰成分具有十分重要的工程意义。
4.现有的变压器局放信号提取方式比较单一，比如超声波提取方式，容易被外部信号干扰，对后续的变压器状态识别也容易造成干扰。


技术实现要素：

5.本技术为了解决上述问题提出了变压器运行状态的多类型局放信号实时提取方法，通过小波重构去噪排除干扰信号，通过提取多类型局放信号，增强了后续变压器状态识别判断的准确性。
6.本技术提供了变压器运行状态的多类型局放信号实时提取方法，包括如下步骤：
7.s1:多类型信号接收；
8.s2：对接收的信号进行小波去噪；
9.s3：根据小波去噪后的信号对多类型信号进行信号源定位，去除变压器外部信号；
10.s4：对剩余信号进行特征提取并分类；
11.s5：将同时段的不同分类信号导入识别模块，识别模块导出变压器运行状态的识别结果。
12.优选地，所述步骤s1中，所述多类型信号包括超声波信号、电磁波信号、高频脉冲信号。
13.优选地，超声波信号通过超声波传感器进行采集，电磁波信号通过射频信号接收天线进行采集，高频脉冲信号通过多个高频脉冲电流传感器进行采集。
14.优选地，超声波传感器设置于待监测的变压器；
15.射频信号接收天线设置于变压器，用于采集该变压器放电时从该变压器的套管辐射出的电磁波信号；多个高频脉冲电流传感器分别设置于所述变压器的升高座、等位线、铁芯、夹件和油箱的接地位置，用于采集该接地位置的放电脉冲信号。
16.优选地，所述步骤s2中，小波去噪的具体流程为：
17.s201：小波分解；
18.s202：分量去噪；
19.s203：小波重构。
20.优选地，所述步骤s201中，对输入的多类型信号进行emd分解成若干固有模态函数imf分量。
21.优选地，所述步骤s202中，利用排列熵算法计算各imf的熵值，将各imf的排列熵作为特征量并聚类成两类，将聚类中心大的一类imf作为干扰集中的位置；对干扰集中的imf分别进行基于小波变换的多尺度分解，获得各层的近似系数与细节系数，分别将每层的细节系数作为特征量且聚类成两类，将聚类中心小的一类系数作为干扰系数，并对干扰系数进行阈值处理，基于各层近似系数及处理后的各层细节系数重构获得降噪后的imf。
22.优选地，所述步骤s3中，基于排列熵聚类中心小的一类imf与降噪后的imf，重构获得最终的抗干扰信号。
23.优选地，各类型局放信号都通过设于不同位置的多个传感器采集，所述步骤s4中，信号源定位算法包括指纹定位算法包括三角定位算法和指纹定位算法中的任意一种或两种组合。
24.优选地，所述识别模块通过对神经网络模型导入历史局放数据进行训练生成，所述包括rbf模型或svm支持向量机中的任意一种或两种组合；
25.若神经网络模型为多种算法组合，则对不同神经网络模型的识别结果通过ds证据理论进行数据融合生成最终识别结果。
26.与现有技术相比，本技术的有益效果为：
27.(1)本技术通过小波重构去噪排除干扰信号，通过提取多类型局放信号，增强了后续变压器状态识别判断的准确性。
28.(2)本技术通过信号源定位技术排除了变压器外部干扰线号。
附图说明
29.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
30.图1是本技术一种实施例的整体结构示意图。
具体实施方式：
31.下面结合附图与实施例对本技术作进一步说明。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
34.如图1，本技术提供的本技术提供了变压器运行状态的多类型局放信号实时提取方法，包括如下步骤：
35.s1:多类型信号接收；
36.s2：对接收的信号进行小波去噪；
37.s3：根据小波去噪后的信号对多类型信号进行信号源定位，去除变压器外部信号；
38.s4：对剩余信号进行特征提取并分类；
39.s5：将同时段的不同分类信号导入识别模块，识别模块导出变压器运行状态的识别结果。
40.具体地，所述步骤s1中，所述多类型信号包括超声波信号、电磁波信号、高频脉冲信号。
41.超声波信号通过超声波传感器进行采集，电磁波信号通过射频信号接收天线进行采集，高频脉冲信号通过多个高频脉冲电流传感器进行采集。超声波传感器设置于待监测的变压器；射频信号接收天线设置于变压器，用于采集该变压器放电时从该变压器的套管辐射出的电磁波信号；多个高频脉冲电流传感器分别设置于所述变压器的升高座、等位线、铁芯、夹件和油箱的接地位置，用于采集该接地位置的放电脉冲信号。
42.所述步骤s2中，小波去噪的具体流程为：
43.s201：小波分解；
44.s202：分量去噪；
45.s203：小波重构。
46.具体地，所述步骤s201中，对输入的多类型信号进行emd分解成若干固有模态函数imf分量。
47.所述步骤s202中，利用排列熵算法计算各imf的熵值，将各imf的排列熵作为特征量并聚类成两类，将聚类中心大的一类imf作为干扰集中的位置；对干扰集中的imf分别进行基于小波变换的多尺度分解，获得各层的近似系数与细节系数，分别将每层的细节系数作为特征量且聚类成两类，将聚类中心小的一类系数作为干扰系数，并对干扰系数进行阈值处理，基于各层近似系数及处理后的各层细节系数重构获得降噪后的imf。
48.所述步骤s3中，基于排列熵聚类中心小的一类imf与降噪后的imf，重构获得最终的抗干扰信号。
49.各类型局放信号都通过设于不同位置的多个传感器采集，所述步骤s4中，信号源定位算法包括指纹定位算法包括三角定位算法和指纹定位算法中的任意一种或两种组合。
50.所述识别模块通过对神经网络模型导入历史局放数据进行训练生成，所述包括rbf模型或svm支持向量机中的任意一种或两种组合；
51.若神经网络模型为多种算法组合，则对不同神经网络模型的识别结果通过ds证据理论进行数据融合生成最终识别结果。
52.以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
53.上述虽然结合附图对本技术的具体实施方式进行了描述，但并非对本技术保护范围的限制，所属领域技术人员应该明白，在本技术的技术方案的基础上，本领域技术人员不
需要付出创造性劳动即可做出的各种修改或变形仍在本技术的保护范围以内。