基于朴素贝叶斯分类的局部放电诊断方法技术

本发明专利技术公开了一种基于朴素贝叶斯分类的局部放电诊断方法，包括：进行数据采集，然后对采集的信号进行抗干扰处理；将处理后的信号转存为一个二维数组，根据PRPS图谱分别得到PRPD图谱、N-P图谱和Q-P图谱；分别在所述PRPD图谱、N-P图谱和Q-P图谱上进行特征提取；利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；利用朴素贝叶斯得到局部放电的故障类别。本发明专利技术有益效果：本发明专利技术的诊断方法正确率为80.5％，可以满足现场的实际应用。同时，对等宽和等频两类典型的无监督的离散化方法做了详细的研究，指出等频离散化方法优于等宽离散化方法，并给出了等频离散化方法最优的经验值。

【技术实现步骤摘要】
基于朴素贝叶斯分类的局部放电诊断方法
本专利技术涉及自动化控制
，尤其涉及一种基于朴素贝叶斯分类的局部放电诊断方法。
技术介绍
局部放电是指因为电场不均匀，高压设备绝缘的局部区域发生的发电。由于局部放电具有重复性，虽然短时间内不会影响设备的正常运行但时间长了会形成电树枝，最终导致绝缘击穿。因为局部放电伴随有脉冲电波，超声波，电磁波，化学反应和发光，所以相应的局部放电检测的方法有传统的局放测量，超声波检测法，UHF检测法，化学法和光测法。针对局部放电信号的采集和识别问题，国内外许多学者进行了深入研究。文献《基于神经网络GIS局部放电模式的识别》在全封闭气体绝缘开关设备上采集放电指纹数据，并提取出12种特征，利用复合神经网络来提高局部放电识别率；文献《基于主成分分析和概率神经网络的变压器局部放电模式识别》提出利用主成分分析的方法对变压器局部放电原始特征参数进行降维，并提取出新的主成分因子，通过概率神经网络分类器对降维前和降维后的特征向量进行训练和识别；文献《基于SVM算法的局部放电模式识别》利用超声波法提取局部放电信号，得到局放分布图谱，获得局部特征参数，通过支持向量机分类算法对典型缺陷信号进行模式识别。这些文献针对局部放电诊断问题提出了很好的研究思路和解决策略，但较少涉及现场问题的建模和应用。现有的针对局部放电故障诊断的技术大部分是提出一种分类算法来解决局部放电类型的分类，没有一个放电信号接收，特征提取，数据离散化和分类算法分类的整体模型。针对局部放电故障诊断问题，信号的接收和数据的处理对分类器的分类有很大的影响,并且缺乏整体的指导,对诊断结果会有一定的影响。
技术实现思路
本专利技术的目的就是为了解决上述技术问题，提供了基于朴素贝叶斯分类的局部放电诊断方法，该方法利用基于电磁波的UHF检测法提取局部放电信号，得到局部放电图谱，进而进行特征提取，最终通过朴素贝叶斯分类算法进行模式识别与故障诊断。为了实现上述目的，本专利技术采用如下技术方案：一种基于朴素贝叶斯分类的局部放电诊断方法，包括以下步骤：(1)局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理；(2)将处理后的信号转存为一个二维数组，所述数组有三列，分别为相位区间、幅值区间和次数，所述数组的三列分别对应三维图的XYZ轴，得到PRPS图谱；根据PRPS图谱分别得到PRPD图谱、N-P图谱和Q-P图谱；(3)分别在所述PRPD图谱、N-P图谱和Q-P图谱上进行特征提取；(4)利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；(5)利用朴素贝叶斯进行局部放电模式识别。所述步骤(2)中根据三维图谱分别得到PRPD图谱、N-P图谱和Q-P图谱的方法为：定义一个三维数组存放PRPS数据，即PRPS[i][j][k]；其中，k坐标为放电相位，取值范围为0～99；j坐标为放电强度，按照dB值或者百分比处理，取值范围为0～99；i坐标为放电周波序号，取值范围为1～50；将PRPS每个i坐标累加即得PRPD图谱，其计算公式为：将PRPD每个j坐标累加即得N-P图谱，其计算公式为：将PRPD每个k坐标的统计最大值即得Q-P图谱，其计算公式为：Qmax[k]＝max(j)。所述步骤(3)中进行特征提取的方法具体为：提取25个特征，其中前11个在PRPD图谱上提取，后14个分别在N-P图谱和Q-P图谱上提取。所述步骤(4)中利用等宽离散化方法对特征提取后的数据进行离散化是将特征的值域划分成具有相同宽度的区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：1)根据数据集合求出各属性的最大值max和最小值min，max[i]和min[i]分别表示第i个属性的最大值和最小值；2)给定离散区间数为L，计算各属性的离散化宽度为：width[i]＝(max[i]-min[i])/L，width[i]表示第i个属性的离散化宽度；3)得到切点集为：gather[i]＝{min[i]+width[i],min[i]+2*width[i],...,min[i]+(L-1)*width[i]}，gather[i]表示第i个属性的切点集；4)对数据集S离散化，对各属性有属性值在[min[i],min[i]+t*width[i]]就离散化为t，比如t为1就是离散化为1；输出离散化后的数据集SS。所述步骤(4)中利用等频率离散化方法对特征提取后的数据进行离散化是将相同数量的对象放进每个区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：a)统计实例数n的所有约数作为要分的份数，即为a1,a2,...,an，也是a1,a2,...,an份；b)定义离散化宽度为width＝n/ai；c)对数据集合S的前1到width行的值都改为1，width+1到2*width行的值都改为2，以此类推得：(ai-1)*width+1到ai*width行的值都改为ai；d)输出离散化后的数据集SS。所述步骤(5)中利用朴素贝叶斯进行局部放电模式识别的方法为：朴素贝叶斯是通过训练集训练而归纳出的分类器；分类过程中，将事件的先验概率和后验概率联系起来，利用先验信息和样本数据确定事件的后验概率；朴素贝叶斯分类器在估计类条件概率时假设属性之间条件独立；给定一个实例数据集E，E＝{X1,X2,X3......Xn,C}，其中X1,X2,X3......Xn,是属性变量，C是类型变量，其取值为{c1,c2,c3......cm}，Xi的取值为xi；则实例Ii＝{x1,x2......xn}属于cj的概率由贝叶斯表示为P(cj|x1,x2,...,xn)＝P(x1,x2,...,xn|cj)*P(cj)，其中，P(cj)是类cj的先验概率，P(x1,x2,...,xn|cj)是类cj的条件概率，P(cj|x1,x2,...,xn)是类cj的后验概率；经朴素贝叶斯选择后验概率最大的类cj为该实例Ii的类标签，即得到局部放电的故障类别。本专利技术有益效果：本专利技术的诊断方法正确率为80.5％，可以满足现场的实际应用。同时，对等宽和等频两类典型的无监督的离散化方法做了详细的研究，指出等频离散化方法优于等宽离散化方法，并给出了等频离散化方法最优的经验值。附图说明图1为基于朴素贝叶斯分类的局部放电诊断方法示意图；图2为信号接收过程图；图3为PRPS图谱；图4为等宽离散化的折线图；图5为等频率离散化的实验结果。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。针对局部放电故障诊断问题，本专利技术提出了一种基于朴素贝叶斯分类的局部放电诊断方法，并搭建了基于朴素贝叶斯分类的局部放电诊断模型，该模型由五部分组成：信号的接收及处理、图谱产生、特征提取、数据离散化、朴素贝叶斯分类。结合图1对本专利技术作进一步的说明，给出本专利技术技术方案中所涉及的各个细节问题的详细解释。1.局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数本文档来自技高网...

【技术保护点】
一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，包括以下步骤：(1)局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理；(2)将处理后的信号转存为一个二维数组，所述数组有三列，分别为相位区间、幅值区间和次数，所述数组的三列分别对应三维图的XYZ轴，得到PRPS图谱；根据PRPS图谱分别得到PRPD图谱、N‑P图谱和Q‑P图谱；(3)分别在所述PRPD图谱、N‑P图谱和Q‑P图谱上进行特征提取；(4)利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；(5)利用朴素贝叶斯进行局部放电模式识别。

【技术特征摘要】
1.一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，包括以下步骤：(1)局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理；采用带通滤波及选频放大技术和包络检波技术，实现了对信号的窄带化处理；(2)将处理后的信号转存为一个二维数组，所述数组有三列，分别为相位区间、幅值区间和次数，所述数组的三列分别对应三维图的XYZ轴，得到PRPS图谱；根据PRPS图谱分别得到PRPD图谱、N-P图谱和Q-P图谱；(3)分别在所述PRPD图谱、N-P图谱和Q-P图谱上进行特征提取；(4)利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；(5)利用朴素贝叶斯进行局部放电模式识别；所述步骤(2)中根据三维图谱分别得到PRPD图谱、N-P图谱和Q-P图谱的方法为：定义一个三维数组存放PRPS数据，即PRPS[i][j][k]；其中，k坐标为放电相位，取值范围为0～99；j坐标为放电强度，按照dB值或者百分比处理，取值范围为0～99；i坐标为放电周波序号，取值范围为1～50；将PRPS每个i坐标累加即得PRPD图谱，其计算公式为：将PRPD每个j坐标累加即得N-P图谱，其计算公式为：将PRPD每个k坐标的统计最大值即得Q-P图谱，其计算公式为：Qmax[k]＝max(j)。2.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(3)中进行特征提取的方法具体为：提取25个特征，其中前11个在PRPD图谱上提取，后14个分别在N-P图谱和Q-P图谱上提取。3.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(4)中利用等宽离散化方法对特征提取后的数据进行离散化是将特征的值域划分成具有相同宽度的区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：1)根据数据集合求出各属性的最大值max和最小值min，max[i]和min[i]分别表示第i个属性的最大值和最小值；2)给定离散区间数为L，计算各属性的离散化宽度为：width[i]＝(max[i]-min[i])/L，width...

【专利技术属性】
技术研发人员：郭志红，陈玉峰，路光辉，王辉，杜修明，雍明超，周钟，牧继清，姬波，
申请(专利权)人：国家电网公司，国网山东省电力公司电力科学研究院，
类型：发明
国别省市：北京;11