基于奇異值分解算法的變壓器局部放電模式識別方法技術

本發明專利技術公開了一種基于奇異值分解算法的變壓器局部放電模式識別方法，包括訓練模型和分類識別過程，包括：首先搭建人工缺陷實驗環境并采集數據樣本，計算每個樣本的統計特征參量，構成數據樣本矩陣；對樣本矩陣進行奇異值分解，通過判斷保留矩陣的特征是否明顯，確定最佳保留矩陣的階數，從而得到降維后的類型特征描述矩陣和類中心描述向量組；對待識別的樣本進行預處理得到樣本向量，用類型特征空間描述矩陣將其線性變換，得到降維后的樣本描述空間的向量，然后計算該向量與類型向量組中的每個向量的相似度大小，從而得到分類判斷結果。該算法簡單而且高效，能夠實現局部放電檢測中干擾信號和放電信號的可靠區分，提高局部放電模式診斷的準確性。

【技術實現步驟摘要】

本專利技術屬于電力
，更具體地，涉及一種。
技術介紹
局部放電是導致大型電力變壓器內部絕緣劣化的主要原因之一，變壓器局部放電的在線監測，能夠及時、準確地判斷變壓器內部絕緣狀態，對防止電力變壓器事故的發生具有重要意義。局部放電模式識別方法的二個主要問題是選擇特征量與設計分類器。在選擇統計特征參量作為局放特征量時，現有技術或者直接從眾多的統計參數中挑選幾個作為特征量，這種方法完全憑實踐經驗缺乏科學依據；或者采用基于主成分分析算法的特征選擇方法，但這種方法過程復雜，算法實現比較困難。在分類器構造方面,現有技術主要是采用基于BP (Back Propagation)神經網絡算法的分類方法，這種方法存在對初始權值和閾值的選取敏感；容易陷入局部極小點，致使學習過程失效；算法收斂速度慢，效率低等不足。
技術實現思路
針對現有技術的缺陷，本專利技術的目的在于提供一種基于奇異值分解(SingularValue Decomposition, SVD)算法的局部放電模式識別方法,使識別、計算過程簡單，得到一種算法效率高、分類識別率高、能提高變壓器設備局部放電診斷的科學性和準確性的識別方法。為實現上述目的，本專利技術所述的，其特征在于，包括以下步驟步驟(I)搭建多種放電類型的人工缺陷實驗環境并采集局部放電相關測量參量樣本數據；步驟(2)計算由第(I)步采集到的局部放電參量樣本數據的統計特征參量；步驟(3)構成訓練樣本矩陣和測試樣本矩陣，兩種樣本矩陣的組成結構相同，矩陣的每一行是一種所述的統計特征參量，每一列是一個樣本；步驟(4)對所述訓練樣本矩陣進行奇異值分解，確定保留矩陣的最佳階數；步驟(5)根據經奇異值分解得到的樣本矩陣生成分類模型，所述分類模型由類型特征空間描述矩陣和類中心描述向量組構成；步驟(6)對測試樣本矩陣或者現場采集到的待分類的樣本進行預處理得到待分類樣本向量，進行分類識別。作為優化方案，步驟(I)中所述人工缺陷實驗環境包括表面放電、內部放電和氣泡放電在內的多種典型放電模型，以及空氣尖端放電和電暈放電在內的多種干擾模型；每種類型的測量參量樣本數據包括脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發電平、脈沖個數、測量時長、偏移相位、測量時間、時間間隔、等效頻率、等效時長。步驟(2)中所述的統計特征參量包括下述的部分或全部放電重復頻率、總放電次數、放電持續時間、正極性和負極性的最大放電量、正極性和負極性放電次數分布的加權平均放電相位、正極性和負極性放電次數分布的方差、正極性和負極性放電次數分布的偏斜度、正極性和負極性放電次數分布的陡峭度、放電次數分布圖的正負半周不對稱度、放電次數分布圖的正負半分布相關系數、正極性和負極性平均放電量分布的方差、正極性和負極性平均放電量分布的偏斜度、正極性和負極性平均放電量分布的陡峭度、平均放電量分布圖的正負半周不對稱度、平均放電量分布圖的正負半分布相關系數、脈沖幅度威布爾分布的阿爾法參數、脈沖幅度威布爾分布的貝塔參數。步驟(3)中構成所述訓練樣本矩陣的具體方法為，計算局放樣本信號的統計特征參量，并構成列向量作為矩陣的列向量，每一種所述放電類型的樣本數據連續放置在矩陣的列中，矩陣每一行代表一種統計特征參量，并做數據歸一化計算。作為優化方案，每種放電類型的訓練樣本和測試樣本數量取2:1的比例。步驟(4)中所述保留矩陣的最佳階數的判斷方法具體為，奇異值分解后得到特征空間描述矩陣、奇異值矩陣和樣本空間描述矩陣；對樣本空間描述矩陣計算其類內散射矩陣、類間散射矩陣、全部樣本的總散射矩陣，計算得到判斷聚類程度的表征值；比較表征值和閾值大小，當表征值小于閾值時，判定為最佳階數。步驟(6)中分類識別方法具體為，對測試樣本矩陣或者現場采集到的待分類的樣本進行預處理，得到待分類樣本向量，然后用步驟(5)得到的類型特征空間描述矩陣做線性變換，得到降維后的樣本描述空間的向量，再計算該向量與步驟(5)得到的類中心描述向量組中的每個向量的相似度大小，將最相似的一組作為分類判定結果。所述預處理過程包括計算統計特征參量、樣本向量歸一化。本專利技術采用奇異值分解算法選擇對識別時的區別能力較好的特征，計算比主成分分析法簡單，執行效率高，對現有的統計特征參量，一次篩選得到的結果可多次使用，不必每次計算。本申請方案所述的方法克服了采用基于BP神經網絡算法的分類方法所帶來的問題，采用SVD算法輸出的樣本關聯矩陣，計算類別中心點，用測算樣本到類別中心的距離，算法簡單，效率高。通過本專利技術所構思的以上技術方案，與現有技術相比，本專利技術具有以下的有益效果1、算法效率高因為步驟(4)中采取對樣本矩陣進行奇異值分解，一次分解算法得到了樣本矩陣的奇異值矩陣、特征空間描述矩陣和類型空間描述矩陣三方面的信息，從功能上講，相當于完成了兩個方向上主成分分析算法實現的功能；通過奇異值分解對樣本矩陣進行了降維，分類算法在降維后的空間進行，算法效率得到了提高。2、信息利用率高本專利技術的方法充分利用了奇異值分解后各矩陣代表的物理意義，在步驟(4)中利用了分解后的樣本空間描述矩陣來判斷保留矩陣的最佳階數和降維的類中心描述向量組，還利用保留的奇異值矩陣和特征空間描述矩陣得到降維了的類型特征空間描述矩陣。3、分類算法實現過程簡單步驟(5)中分類模型直接由奇異值分解后的保留矩陣計算得到，相比采用現有神經網絡算法的分類方法，不需要額外構造分類器。4、識別率高因為判斷保留矩陣的階數方法沒有采取傳統的由奇異值的貢獻率大小來判斷，在步驟(4)中的確定最佳保留矩陣的階數方法使得保留矩陣在過濾掉不相關的冗余信息的同時盡可能反映原始數據的信息。附圖說明圖1是本專利技術一種實施例的總體流程圖，圖2是基于奇異值分解的算法流程示意圖，圖3是確定保留矩陣最佳階數的方法示意圖，圖4是奇異值分解后保留矩陣示意圖。具體實施例方式為了使本專利技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。如圖1實施例所示，本專利技術是一種，包括以下步驟(I)搭建人工缺陷實驗環境并采集數據。具體而言，可以設置表面放電、內部放電和氣泡放電等在內的多種典型放電模型，以及空氣尖端放電和電暈放電等在內的多種干擾模型；采用超高頻局部放電測量系統在實驗室中進行數據采集，每種類型的測量參量包括脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發電平、脈沖個數、測量時長、偏移相位、測量時間、時間間隔、等效頻率、等效時長。分別獲取這些模型的多個樣本數據，取每類三分之二數量的樣本用于訓練，其余樣本用于測試。(2)計算每個樣本的統計特征參量。具體而言,包括以下統計特征參數放電重復頻率、總放電次數、放電持續時間、正極性和負極性的最大放電量、正極性和負極性放電次數分布的加權平均放電相位、正極性和負極性放電次數分布的方差、正極性和負極性放電次數分布的偏斜度、正極性和負極性放電次數分布的陡峭度、放電次數分布圖的正負半周不對稱度、放電次數分布圖的正負半分布相關系數、正極性和負極性平均放電量分布的方差、正極性和負極性平均放電量分布的偏斜度、正極性和負極性平均放電量分布的陡峭度、平均放電量分布圖的正負半周不對稱度、平均放電量分布圖的正負半分布相關系數、脈本文檔來自技高網...

【技術保護點】
一種基于奇異值分解算法的變壓器局部放電模式識別方法，其特征在于，包括以下步驟：?步驟（1）搭建多種放電類型的人工缺陷實驗環境并采集局部放電相關測量參量樣本數據；?步驟（2）計算由第（1）步采集到的局部放電參量樣本數據的統計特征參量；?步驟（3）構成訓練樣本矩陣和測試樣本矩陣，兩種樣本矩陣的組成結構相同，矩陣的每一行是一種所述的統計特征參量，每一列是一個樣本；?步驟（4）對所述訓練樣本矩陣進行奇異值分解，確定保留矩陣的最佳階數；?步驟（5）根據經奇異值分解得到的樣本矩陣生成分類模型，所述分類模型由類型特征空間描述矩陣和類中心描述向量組構成；?步驟（6）對測試樣本矩陣或者現場采集到的待分類的樣本進行預處理得到待分類樣本向量，進行分類識別。

【技術特征摘要】
1.一種基于奇異值分解算法的變壓器局部放電模式識別方法，其特征在于，包括以下步驟: 步驟(I)搭建多種放電類型的人工缺陷實驗環境并采集局部放電相關測量參量樣本數據； 步驟(2)計算由第(I)步采集到的局部放電參量樣本數據的統計特征參量； 步驟(3)構成訓練樣本矩陣和測試樣本矩陣，兩種樣本矩陣的組成結構相同，矩陣的每一行是一種所述的統計特征參量，每一列是一個樣本； 步驟(4)對所述訓練樣本矩陣進行奇異值分解，確定保留矩陣的最佳階數； 步驟(5)根據經奇異值分解得到的樣本矩陣生成分類模型，所述分類模型由類型特征空間描述矩陣和類中心描述向量組構成； 步驟(6)對測試樣本矩陣或者現場采集到的待分類的樣本進行預處理得到待分類樣本向量，進行分類識別。2.根據權利要求1所述的基于奇異值分解算法的變壓器局部放電模式識別方法，其特征在于，步驟(I)中所述人工缺陷實驗環境包括表面放電、內部放電和氣泡放電在內的多種典型放電模型，以及空氣尖端放電和電暈放電在內的多種干擾模型；每種類型的測量參量樣本數據包括:脈沖放電量、脈沖相位、采樣頻率、幅值范圍、觸發電平、脈沖個數、測量時長、偏移相位、測量時間、時間間隔、等效頻率、等效時長。3.根據權利要求1所述的基于奇異值分解算法的變壓器局部放電模式識別方法，其特征在于，步驟(2)中所述的統計特征參量包括下述的部分或全部:放電重復頻率、總放電次數、放電持續時間、正極性和負極性的最大放電量、正極性和負極性放電次數分布的加權平均放電相位、正極性和負極性放電次數分布的方差、正極性和負極性放電次數分布的偏斜度、正極性和負極性放電次數分布的陡峭度、放電次數分布圖的正負半周不對稱度、放電次數分布圖的正負半分布相關系數、正極性和負極性平均放電量分布的方差、正極性和負極性平...

【專利技術屬性】
技術研發人員：謝齊家，李成華，阮羚，李勁彬，宿磊，陳婷，張新訪，
申請(專利權)人：湖北省電力公司電力科學研究院，華中科技大學，國家電網公司，
類型：發明
國別省市：