一种基于能量百分比的电缆局部放电信号识别方法技术

本发明专利技术公开了一种基于能量百分比的电缆局部放电信号识别方法，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神经网络后快速检测出其来源。该发明专利技术具有检测步骤简单，检测速度快，检测精度高等特点。

A method for identifying partial discharge signal of cable based on energy percentage

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。进一步地，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，等到最高分解尺度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：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：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部放电信号的不同来源。进一步地，所述已知来源的局部放电信号包括：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。进一步地，所述采用两位二进制数标记局部放电信号的不同来源具体为：所述电缆局部放电信号、所述电缆终端头局部放电信号、所述开关柜中的电晕放电信号和所述开关柜中的表面放电信号分别对应00、01、10、11。进一步地，所述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神经网络的步骤具体为：设置四层BP神经网络，所述神经网络包括一个输入层，两个隐含层和一个输出层，其中X为网络的输入向量，Y为网络的输出向量，W1为输入层和第一个隐含层的权值矩阵，W2为第一个隐含层和第二个隐含层的权值矩阵，W3为第二个隐含层和输出层的权值矩阵，b1为第一个隐含层的阈值向量，b2为第二个隐含层的阈值向量，b3为输出层的阈值向量，隐含层的激活函数均采用sigmoid函数f(x)，输出层的激活函数采用purelin线性函数g(x)，网络的输出向量Y为：进一步地，所述使用样本对BP神经网络进行训练，得到训练好的BP神经网络的步骤具体为：从若干种所述放电信号样本中各随机挑选一定数量作为训练样本，输入到设置好的神经网络中，利用BP算法进行网络训练。进一步地，所述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的步骤具体为：根据所述BP神经网络的输出值，与所述类别标记进行对比，得到待识别局部放电信号的来源：当所述输出值在0到1之间时，将所述输出值进行四舍五入之后与所述类别标记对比。本专利技术相对于现有技术具有如下的优点及效果：本专利技术公开的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，对局部放电信号进行小波分解，提取波形的能量百分比特征，并建立样本库；使用训练样本对神经网络进行训练，得到训练好的神经网络；输入待识别来源的局部放电信号后快速检测出其来源，具有检测步骤简单，检测速度快，检测精度高等特点。附图说明图1是本专利技术公开的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的流程示意图；图2(a)是电缆本体局部放电信号波形图；图2(b)是电缆终端头部放电信号波形图；图2(c)是电晕局部放电信号波形图；图2(d)是电缆本体局部放电信号波形图；图3是建立的四层BP神经网络拓扑结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，是本专利技术提供的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的流程示意图，包括以下步骤：S1、获取已知来源的局部放电信号；在本实例中，已知来源的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、开关柜中的电晕放电信号和开关柜中的表面放电信号。如图2(a)至图2(d)所示的波形图，波形的采样频率为100MHz，每个波形的时域长度为1500个采样点。S12、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；具体地，可包括如下步骤：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公式为：其中，aJ,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，k为第j分解尺度的近似系数或细节系数的长度。计算分解尺度1,2,3,4上的细节系数的能量百分比Ej公式为：其中，a4,k为最高分解尺度的近似系本文档来自技高网...

【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