1.一种基于S变换的电缆局部放电信号识别方法,其特征在于,包括:
获取已知来源的局部放电信号,并对所述局部放电信号进行S变换,得到复时频矩阵;
对所述复时频矩阵进行求模得到模矩阵,并对所述模矩阵进行奇异值分解,得到所述模矩阵的奇异值序列;
根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库;
以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型;
将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源。
2.根据权利要求1所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号。
3.根据权利要求1所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述获取已知来源的局部放电信号,并对所述局部放电信号进行S变换,得到复时频矩阵包括:
获取已知来源的局部放电信号,并通过预置公式一对所述局部放电信号进行S变换,得到复时频矩阵,所述预置公式一具体为:
其中,h(kT)为局部放电信号离散时间序列,ST为局部放电信号离散时间序列经过S变换后得到的复时频矩阵,T为离散时间序列的采样周期,N为离散时间序列的长度,H为离散时间序列的傅立叶变换,j为虚数单位,k,n,m=0,1,…,N-1。
4.根据权利要求3所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述对所述复时频矩阵进行求模得到模矩阵,并对所述模矩阵进行奇异值分解,得到所述模矩阵的奇异值序列包括:
对所述复时频矩阵ST进行求模得到模矩阵STA,并通过预置第二公式对所述模矩阵STA进行奇异值分解,得到所述模矩阵的奇异值序列,所述预置第二公式具体为:
其中,U和V均为N×N阶正交矩阵,D=diag(σ1,σ2,…,σN)为对角矩阵,其对角元素(σ1,σ2,…,σN)为矩阵STA的奇异值,ui和vi分别为矩阵U和V的第i列奇异值矢量。
5.根据权利要求4所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库包括:
根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并通过预置第三公式以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库,所述预置第三公式具体为:
λ=[E1/E,E2/E,Eq/E…,EQ/E];
的奇异值,Q为小区间数。
6.根据权利要求5所述的基于S变换的电缆局部放电信号识别方法,其特征在于,采用两位二进制数标记所述局部放电信号特征向量的来源类别。
7.根据权利要求6所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型包括:
运用二分类算法将所述局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,构成复数个子分类器,并以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型。
8.根据权利要求7所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型包括:
根据所述局部放电信号的不同来源随机挑选相同数量的不同来源的局部放电信号作为训练样本,并将所述训练样本输入到所述支持向量机模型进行训练,得到训练好的支持向量机模型。
9.根据权利要求8所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源包括:
将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型获得输出值,并将所述输出值与所述局部放电信号特征向量的来源类别的二进制数标记进行对比,得到待识别的局部放电信号的来源。
10.一种基于S变换的电缆局部放电信号识别装置,其特征在于,包括:
变换模块,用于获取已知来源的局部放电信号,并对所述局部放电信号进行S变换,得到复时频矩阵;
分解模块,用于对所述复时频矩阵进行求模得到模矩阵,并对所述模矩阵进行奇异值分解,得到所述模矩阵的奇异值序列;
计算模块,用于根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库;
构建模块,用于以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
训练模块,用于将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型;
输入模块,用于将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源。