一种高压电力设备局部放电特征提取方法和装置制造方法及图纸

本申请公开了一种高压电力设备局部放电特征提取方法和装置。该方法在获取高压电力设备局部放电的样本信号后，对该样本信号进行VMD分解得到该样本信号的多个模态分量。进而，基于ICA算法和阈值去噪法对模态分量进行去噪，从而得到有效模态分量，并用有效模态分量的特征量PMSE来表征局部放电的特征。VMD分解可实现信号的自适应分解，不存在模态混叠和受采样频率影响等缺点，可以很好区分离出相近频率的分量，并且具有更好的噪声鲁棒性，因而能够达到最优的分解效果，提高了局部放电信号特征提取的精度。

【技术实现步骤摘要】

本申请涉及高压电领域，更具体地说，涉及一种高压电力设备局部放电特征提取方法和装置。
技术介绍
高压电力设备的运行状态直接关系到整个电力系统的安全运行。在现场运行中，局部放电是导致高压电力设备绝缘劣化的重要原因之一，特别是随着电力设备容量、电压等级不断增大的情况下，这个问题更为严重。局部放电的检测和模式识别是目前电力变压器绝缘状态检测的重要手段。局部放电信号的检测和模式识别能够及时发现高压电力设备内部潜伏性故障，对保障设备的安全运行具有至关重要的意义。其中，特征提取是实现局部放电信号模式识别的关键步骤，可以实现对放电信号所包含信息的深入挖掘，提取表征不同放电类型的特征量，可以提高电力设备故障诊断的准确性和可靠性。现有的局部放电信号特征提取方法在对局部放电信号进行分解过程中存在模态混叠，对频率相近的分量无法正确分离，并且受采样频率的影响，因而其精度较低。
技术实现思路
有鉴于此，本申请提供一种高压电力设备局部放电特征提取方法和装置，以提高局部放电特征提取的精度。为了实现上述目的，现提出的方案如下：一种高压电力设备局部放电特征提取方法，其特征在于，包括：获取高压电力设备局部放电的样本信号；对所述样本信号进行VMD(VariationalModeDecomposition)分解，得到所述样本信号的多个模态分量；基于ICA(IndependentComponentAnalysis)算法和阈值去噪技术对所述多个模态分量进行去噪处理，得到所述多个模态分量的对应的有效模态分量；计算所述有效模态分量的特征量PMSE(partialmeanofmulti-scaleentropy)。优选的，所述对所述样本信号数据进行VMD分解，得到所述样本信号的多个模态分量，包括：分别对样本信号的模态分量模态分量的中心频率拉格朗日乘法算子和迭代次数n进行初始化，其初始值均为0；其中，表示第一次迭代时输出的模态分量，表示第一次迭代输出的模态分量对应的中心频率，k表示模态分量的序列；采用混沌粒子群优化算法确定VMD算法中模态分量个数K和二次惩罚因子α的最优值；分别利用预设公式对模态分量uk和模态分量uk对应的中心频率ωk以及拉格朗日乘法算子进行迭代，当满足预设条件时，则停止迭代，输出模态分量uk和模态分量uk对应中心频率ωk；其中，所述预设公式包括： u ^ k n + 1 ( ω ) = f ^ ( ω ) - Σ i ≠ k u ^ i ( ω ) + λ ^ ( ω ) / 2 1 + 2 α ( ω - ω k ) 2 , ]]> ω k n + 1 = ∫ 0 ∞ ω | u ^ k ( ω ) | 2 d ω ∫ 0 ∞ | u ^ k ( ω ) | 2 d ω , ]]> λ ^ n + 1 ( ω ) ← λ ^ n ( ω ) + τ [ f ^ ( ω ) - Σ 本文档来自技高网...

【技术保护点】
一种高压电力设备局部放电特征提取方法，其特征在于，包括：获取高压电力设备局部放电的样本信号；对所述样本信号进行VMD(Variational Mode Decomposition)分解，得到所述样本信号的多个模态分量；基于ICA(Independent Component Analysis)算法和阈值去噪技术对所述多个模态分量进行去噪处理，得到所述多个模态分量的对应的有效模态分量；计算所述有效模态分量的特征量PMSE(partial mean of multi‑scale entropy)。

【技术特征摘要】
1.一种高压电力设备局部放电特征提取方法，其特征在于，包括：
获取高压电力设备局部放电的样本信号；
对所述样本信号进行VMD(VariationalModeDecomposition)分解，得到所述样本信
号的多个模态分量；
基于ICA(IndependentComponentAnalysis)算法和阈值去噪技术对所述多个模态分
量进行去噪处理，得到所述多个模态分量的对应的有效模态分量；
计算所述有效模态分量的特征量PMSE(partialmeanofmulti-scaleentropy)。
2.根据权利要求1所述的方法，其特征在于，所述对所述样本信号数据进行VMD分解，得
到所述样本信号的多个模态分量，包括：
分别对样本信号的模态分量模态分量的中心频率拉格朗日乘法算子和
迭代次数n进行初始化，其初始值均为0；
其中，表示第一次迭代时输出的模态分量，表示第一次迭代输出的模态分量
对应的中心频率，k表示模态分量的序列；
采用混沌粒子群优化算法确定VMD算法中模态分量个数K和二次惩罚因子α的最优值；
分别利用预设公式对模态分量uk和模态分量uk对应的中心频率ωk以及拉格朗日乘法
算子进行迭代，当满足预设条件时，则停止迭代，输出模态分
量uk和模态分量uk对应中心频率ωk；
其中，所述预设公式包括：
u ^ k n + 1 ( ω ) = f ^ ( ω ) - Σ i ≠ k u ^ i ( ω ) + λ ^ ( ω ) / 2 1 + 2 α ( ω - ω k ) 2 , ]]> ω k n + 1 = ∫ 0 ∞ ω | u ^ k ( ω ) | 2 d ω ∫ 0 ∞ | u ^ k ( ω ) | 2 d ω , ]]> λ ^ n + 1 ( ω ) ← λ ^ n ( ω ) + τ [ f ^ ( ω ) - Σ k u ^ k n + 1 ( ω ) ] . ]]>3.根据权利要求1所述的方法，其特征在于，所述基于ICA算法和阈值去噪技术对所述
多个模态分量进行去噪处理，得到所述多个模态分量的对应的有效模态分量，包括：
分别对所述多个模态分量进行ICA算法，得到与每个模态分量对应的一组独立源分量；
利用阈值去噪技术对独立源分量进行去噪，得到去噪后的独立源分量；
利用去噪后的独立源分量重构模态分量，得到所述多个有效模态分量。
4.根据权利要求1所述的方法，其特征在于，所述计算所述有效模态分量的特征量
PMSE，包括：
对所述有效模态分量进行粗粒化处理，得到有效模态分量对应的向量序列；
计算所述有效模态分量经粗粒化得到的向量序列的多尺度熵；
根据所述多...

【专利技术属性】
技术研发人员：朱永利，贾亚飞，赵雪松，陈华，黄晓胤，周磊，于文博，郑建钢，郭昕阳，李宁，
申请(专利权)人：国家电网公司，国网冀北电力有限公司检修分公司，华北电力大学保定，
类型：发明
国别省市：北京;11