一种基于超声波的局部放电检测方法技术

技术编号:19591651 阅读:51 留言:0更新日期:2018-11-28 04:19
本发明专利技术公开了一种基于超声波的局部放电检测方法,包括超声信号采集及其预处理、异常信号区间检测、特征向量提取、基于偏最小二乘法降维优化、基于向量机的有无故障分类五个步骤;首先采用超声波检测方法对开关柜进行局部放电检测,通过对超声信号的分析和处理预测开关柜的绝缘状态;然后利用音频信号处理技术及模式识别分类算法,对超声波信号进行降频处理,得到语音频率范围内的信号,提取表征局部放电的信号特征参数;通过偏最小二乘法降维优化,降低算法的复杂度,进而利用先进的语音识别技术及数学分类模型达到智能识别的目的,最终实现对开关柜中的局部放电情况进行在线智能非侵入式检测,达到检测和诊断开关柜绝缘状况的目的。

【技术实现步骤摘要】
一种基于超声波的局部放电检测方法
本专利技术涉及开关柜局部放电状态检测
,尤其涉及一种基于超声波的局部放电检测方法。
技术介绍
局部放电现象的发生会伴随声的物理变化过程,近年来国内外很多研究学者都致力于开关柜局部放电的检测技术的研究与比较,针对开关柜的局部放电提出了多种检测方法,相继提出了电脉冲检测、超高频检测、电磁波检测、光检测法及超声波检测法等。开关柜属于封闭式设备,为了不影响开关柜的正常运行,国内外的电力运行单位都倾向于采用非侵入式检测;近几年来,基于超声波的开关柜局部放电在线检测已被应用作为电力相关部门检测和诊断开关柜绝缘状况的重要手段,但其检测大都基于阈值进行类似“交通灯”原理的检测及借助人耳监听局部放电声音异常的辅助检测,且对局部放电产生的超声波信号的分析仅仅停留在通过检测信号幅值或者监听由超声波降频转换而来的音频信号声音的初级检测阶段,并无深入应用研究;检测手段存在判据单一,检测可靠性不高等缺陷。
技术实现思路
本专利技术提出了一种基于超声波的局部放电检测方法,能够对开关柜中的局部放电情况进行在线智能非侵入式检测,且检测可靠性高。本专利技术采用的技术方案为:一种基于超声波的局部放电检测方法,包括如下步骤:步骤S1;超声信号的采集和预处理;信号的采集主要由超声传感器来完成;预处理部分主要包括信号的预加重处理、FIR数字滤波和分帧;步骤S2;信号异常区间检测;采用短时平均能量和短时平均过零率作为信号异常区间检测的依据参数,方法为双门限阈值判定法;步骤S3;特征向量提取;基于语音端点检测技术提取信号中所有异常信号帧,并针对异常信号帧其特征参数;步骤S4;基于偏最小二乘法降维优化;通过降维处理降低算法的复杂度,去除多余的信息,提高算法识别的精度;步骤S5;基于向量机进行有无故障分类;基于支持向量机作为训练与决策的依据,并利用模型进行分类。进一步地,所述步骤S3具体包括如下步骤:步骤S3.1;计算MFCC系数均值和MFCC一阶差分系数均值特征向量;MFCC系数为梅尔频率倒谱系数,梅尔频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系,MFCC则是利用它们之间的这种关系,计算得到的Hz频谱特征,主要用于语音数据特征提取和降低运算维度;从Hz频率到梅尔频率对应公式为:M(f)=1125ln(1+f/700),其中M(f)是以梅尔为单位的感知频率,f是以Hz为单位的实际频率;步骤S3.2;计算短时平均幅度差均值特征向量;短时平均能量是通过对信号进行幅值的平方运算来表示能量变化,其计算公式为:L为超声信号分帧后的长度,k为延迟量,超声信号分帧后表示为yi(n);步骤S3.3;计算响度均值和响度变化范围特征向量;响度均值为使用信号在每一帧上幅值的均方根来近似表示,其计算公式为:其中x(n)为信号在每一帧上幅值;响度变化范围特征向量的计算公式为:步骤S3.4;计算频谱质心均值和带宽均值特征向量;频谱质心均值公式为:其中DFT(n)为信号第n个傅里叶变换系数;带宽均值计算公式为:步骤S3.5;计算子带能量均值和子带能量比均值特征向量;将0~fs/2频段分为若干个子带区间;设计对应区间的FIR滤波器,对异常信号帧进行滤波并计算各频域子带能量值,然后计算子带能量比,即每个子带能量与总能量的比值;步骤S3.6;计算过零率均值和高过零率;在语音的预处理中计算出原信号分帧以后每帧的过零率,根据端点检测技术提取异常信号帧的帧数,在总体的过零率中取出异常信号帧的过零率,高过零率取过零率均值的1~2倍。进一步地,所述步骤S3.1具体包括如下步骤:步骤S3.1.1;确定一个异常信号帧中采样点的个数;步骤S3.1.2;对每一帧信号进行FFT变换;步骤S3.1.3;对每一帧FFT变换后的数据计算能量;步骤S3.1.4;利用傅里叶变换计算计算通过Mel滤波器后的能量,公式为:其中,i为帧数,Hm(k)为Mel滤波器的频域响应;步骤S3.1.5;取S(i,m)的自然对数;步骤S3.1.6;对S(i,m)的自然对数进行离散余弦变换,并去除直流分量,取剩余分量为Mel倒谱系数,公式为步骤S3.1.7;求Mel倒谱系数的一阶差分系数,计算公式为:i取有效帧。进一步地,所述步骤S4具体包括如下步骤:步骤S4.1;取X0=[X1,X2…XP](n×p),Y0=[Y1,Y2…Yq](n×q),其中Y0为自变量,X0为因变量,n为样本数目,p为特征维数,q为因变量个数;步骤S4.2;求X0的自相关系数矩阵,若特征向量之间相关程度高,则进行降维处理;步骤S4.3;分别对X0和Y0进行标准化处理,标准化处理后的矩阵为E0和F0;步骤S4.4;采用拉格朗日算法求出w1和c1,w1为矩阵E0'F0F0'E0最大特征值所对应的单位特征向量,c1是矩阵F0'E0E0'F0最大特征值所对应的单位的特征向量,||w1||=1,||c1||=1;目标矩阵为θ=E0'F0F0'E0w1,分别得到E0的第一个成分t1和F0的第一个成分u1;步骤S4.5;分别求E0和F0对t1和u1的回归方程,其中:E0=t1p1'+E1;F0=t1r1'+F1;其中r1和p1为回归系数向量;p1'和r1'分别为r1和p1的转置矩阵;步骤S4.6;求出残差矩阵E1和F1;步骤S4.7;将E1和F1分别替换E0和F0,进一步循环以上步骤即可提出成分ti=[t1,t2…tm],m的值由交叉有效性验证。进一步地,所述步骤S4中,支持向量机的核函数选取线性核模型进行训练,在支持向量机的模型参数设置之前需进行参数寻优,所用参数寻优方法为网格寻优法;将最佳参数输入模型中后,再利用模型进行分类。本专利技术主要包括超声信号采集及其预处理、异常信号区间检测、特征向量提取、基于偏最小二乘法降维优化、基于向量机的有无故障分类五个步骤;首先采用超声波检测方法对开关柜进行局部放电检测,通过对超声信号的分析和处理预测开关柜的绝缘状态;然后利用音频信号处理技术及模式识别分类算法,对超声波信号进行降频处理,得到语音频率范围内的信号,提取表征局部放电的信号特征参数;通过偏最小二乘法降维优化,降低算法的复杂度,去除多余的信息,提高算法识别的精度,进而利用先进的语音识别技术及数学分类模型达到智能识别的目的,最终实现对开关柜中的局部放电情况进行在线智能非侵入式检测,达到检测和诊断开关柜绝缘状况的目的。附图说明图1为本专利技术的流程图;图2位本专利技术所述的异常信号区间检测算法流程图;图3位本专利技术所述的基于向量机的有无故障分类算法流程图。具体实施方式如图1所示,一种基于超声波的局部放电检测方法,包括如下步骤:步骤S1;超声信号的采集和预处理;信号的采集主要由超声传感器来完成;预处理部分主要包括信号的预加重处理(预加重系数取值范围一般为0.9~1)、FIR数字滤波和分帧;对信号进行预处理的目的是为了提升高频部分信号,使信号的频率谱更加平滑,方便于进行频谱和声道参数的相关操作;对于分帧来说,我们运用短时分析技术对时变信号进行处理;语音信号的特性是随时间而变化的,是一个非稳态过程,虽然语音信号具有时变性,但声音在一个短时间内,其基本特性保持相对稳定,所以可将其看作是一个准稳态过程,将语音信号分成连续的小段进行分析,其中每一段为一帧;一本文档来自技高网...

【技术保护点】
1.一种基于超声波的局部放电检测方法,其特征在于,包括如下步骤:步骤S1;超声信号的采集和预处理;信号的采集主要由超声传感器来完成;预处理部分主要包括信号的预加重处理、FIR数字滤波和分帧;步骤S2;信号异常区间检测;采用短时平均能量和短时平均过零率作为信号异常区间检测的依据参数,方法为双门限阈值判定法;步骤S3;特征向量提取;基于语音端点检测技术提取信号中所有异常信号帧,并针对异常信号帧其特征参数;步骤S4;基于偏最小二乘法降维优化;通过降维处理降低算法的复杂度,去除多余的信息,提高算法识别的精度;步骤S5;基于向量机进行有无故障分类;基于支持向量机作为训练与决策的依据,并利用模型进行分类。

【技术特征摘要】
1.一种基于超声波的局部放电检测方法,其特征在于,包括如下步骤:步骤S1;超声信号的采集和预处理;信号的采集主要由超声传感器来完成;预处理部分主要包括信号的预加重处理、FIR数字滤波和分帧;步骤S2;信号异常区间检测;采用短时平均能量和短时平均过零率作为信号异常区间检测的依据参数,方法为双门限阈值判定法;步骤S3;特征向量提取;基于语音端点检测技术提取信号中所有异常信号帧,并针对异常信号帧其特征参数;步骤S4;基于偏最小二乘法降维优化;通过降维处理降低算法的复杂度,去除多余的信息,提高算法识别的精度;步骤S5;基于向量机进行有无故障分类;基于支持向量机作为训练与决策的依据,并利用模型进行分类。2.如权利要求1所述的基于超声波的局部放电检测方法,其特征在于:所述步骤S3具体包括如下步骤:步骤S3.1;计算MFCC系数均值和MFCC一阶差分系数均值特征向量;MFCC系数为梅尔频率倒谱系数,梅尔频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系,MFCC则是利用它们之间的这种关系,计算得到的Hz频谱特征,主要用于语音数据特征提取和降低运算维度;从Hz频率到梅尔频率对应公式为:M(f)=1125ln(1+f/700),其中M(f)是以梅尔为单位的感知频率,f是以Hz为单位的实际频率;步骤S3.2;计算短时平均幅度差均值特征向量;短时平均能量是通过对信号进行幅值的平方运算来表示能量变化,其计算公式为:L为超声信号分帧后的长度,k为延迟量,超声信号分帧后表示为yi(n);步骤S3.3;计算响度均值和响度变化范围特征向量;响度均值为使用信号在每一帧上幅值的均方根来近似表示,其计算公式为:其中x(n)为信号在每一帧上幅值;响度变化范围特征向量的计算公式为:步骤S3.4;计算频谱质心均值和带宽均值特征向量;频谱质心均值公式为:其中DFT(n)为信号第n个傅里叶变换系数;带宽均值计算公式为:步骤S3.5;计算子带能量均值和子带能量比均值特征向量;将0~fs/2频段分为若干个子带区间;设计对应区间的FIR滤波器,对异常信号帧进行滤波并计算各频域子带能量值,然后计算子带能量比,即每个子带能量与总能量的比值;步骤S3.6;计算过零率均值和高过零率;在语音的预处理中计算出原信号分帧以后每帧的过零率,根据端点检测技术提取异常信号帧的帧数,在总体的过零率中取出...

【专利技术属性】
技术研发人员:贺要锋刘四军史雷敏吴占刘斌陈京张柯吴笃贵闫国荣张博周稚昊张云飞
申请(专利权)人:国家电网公司国网河南省电力公司许昌供电公司纪年科技股份有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 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。

1