The invention discloses a cable partial discharge signal recognition method based on energy ratio, which comprises the following steps: a plurality of partial discharge signal acquisition of known sources; partial discharge signals of all known sources of wavelet decomposition, the highest decomposition scale approximation coefficients and detail coefficients of each decomposition scale, the highest percentage of energy decomposition scale the approximate coefficients and detail coefficients of decomposition scale and calculation, a partial discharge signal characteristics of sample database; according to the energy percentage of each department details of approximate coefficients and decomposition scale the highest decomposition scale as the input of BP neural network to build the preset number; partial discharge signal source known as samples to train BP neural network, BP neural network is trained; partial discharge signal to be input to the recognition of training Good BP neural network after the rapid detection of its source. The invention has the advantages of simple detection procedure, fast detection speed and high detection precision.
【技术实现步骤摘要】
本专利技术涉及电缆局部放电在线监测
,具体涉及一种基于能量百分比的电缆局部放电信号识别方法。
技术介绍
电缆局部放电在线监测中,检测到的局部放电信号可能来自电缆本体和电缆终端头,也可能来自与其相连的开关柜。由于不同来源的局部放电对设备危害不同,判断标准也不同,所以对局部放电信号来源进行识别有重要的现实意义。在局部放电信号识别方面,信号特征提取和分类器选择是最关键部分。特征提取是局部放电信号识别第一步,特征提取的好坏直接影响到识别的效果。目前,局部放电信号特征提取方法主要有统计特征法和时域分析法两大类。其中统计特征法都涉及到局部放电信号的相位,而配电电缆一般为三芯电缆且共一地线,当两相或三相出现局部放电时,检测局部放电信号的相位特征变得几乎不可能。时域分析法是针对高速采集一次放电产生的时域脉冲所得到的波形特征或相应的变换结果进行模式识别,主要包括傅里叶分析法、小波分析法和波形参数直接提取法等。模式识别分类器主要有神经网络分类器、最小距离分类器和模糊识别分类器。其中神经网络分类器是由大量的功能和形式比较简单的神经元相互连接而构成的复杂网络系统,网络可以看作是从输入到输出的一个非线性映射。其作为一种成功的模式识别技术已经运用到很多领域。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷,公开了一种基于能量百分比的BP神经网络配电电缆局部放电信号识别方法,该方法识别速度快,识别精度高。本专利技术的目的可以通过采取如下技术方案达到:一种基于能量百分比的电缆局部放电信号识别方法,所述识别方法包括以下步骤:获取已知来源的若干种局部放电信号;对已知来源的各 ...
【技术保护点】
一种基于能量百分比的电缆局部放电信号识别方法,其特征在于,所述识别方法包括以下步骤:获取已知来源的若干种局部放电信号;对已知来源的各个局部放电信号进行小波分解,得到最高分解尺度的近似系数和各个分解尺度的细节系数,并计算最高分解尺度的近似系数和各个分解尺度的细节系数的能量百分比,建立局部放电信号特征样本库;以最高分解尺度的近似系数和各个分解尺度的细节系数的能量百分比为输入,构建预设层数的BP神经网络;将已知来源的局部放电信号作为样本,对BP神经网络进行训练,得到训练好的BP神经网络;将待识别的局部放电信号输入到训练好的BP神经网络,得到待识别的局部放电信号的来源。
【技术特征摘要】
1.一种基于能量百分比的电缆局部放电信号识别方法,其特征在于,所述识别方法包括以下步骤:获取已知来源的若干种局部放电信号;对已知来源的各个局部放电信号进行小波分解,得到最高分解尺度的近似系数和各个分解尺度的细节系数,并计算最高分解尺度的近似系数和各个分解尺度的细节系数的能量百分比,建立局部放电信号特征样本库;以最高分解尺度的近似系数和各个分解尺度的细节系数的能量百分比为输入,构建预设层数的BP神经网络;将已知来源的局部放电信号作为样本,对BP神经网络进行训练,得到训练好的BP神经网络;将待识别的局部放电信号输入到训练好的BP神经网络,得到待识别的局部放电信号的来源。2.根据权利要求1所述的一种基于能量百分比的电缆局部放电识别方法,其特征在于,所述对各个局部放电信号进行小波分解,得到最高分解尺度的近似系数和各个分解尺度的细节系数,并计算最高分解尺度的近似系数和各个分解尺度的细节系数的能量百分比,建立局部放电信号特征样本库的步骤具体包括:对各个局部放电信号进行小波分解,分解层数为4,得到最高分解尺度4上的近似系数和分解尺度1,2,3,4上的细节系数;计算最高分解尺度4上的近似系数的能量百分比Ea为:Ea=Σka4,k2Σka4,k2+ΣjΣkdj,k2,j=1,2,...,4]]>其中,a4,k为最高分解尺度的近似系数,dj,k为第j分解尺度的细节系数,j为小波分解的尺度(j=1…4),k为第j分解尺度的近似系数或细节系数的长度;计算各个分解尺度的细节系数的能量百分比Ej为:Ej=Σkdj,k2Σka4,k2+ΣjΣkdj,k2,j=1,2,...,4]]>其中,a4,k为最高分解尺度的近似系数,dj,k为第j分解尺度的细节系数,j为分解尺度,k为第j分解尺度的近似系数或细节系数的长度;提取最高分解尺度4上的近似系数和各个分解尺度的细节系数的能量百分比组成局部放电信号特征向量λ:λ=[Ea,E1,E2,E3,E4];在建立局部放电信号特征样本库时,采用两位二进制数标记局...
【专利技术属性】
技术研发人员:许佳,牛海清,郑文坚,吴炬卓,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。