基于流形距离近邻传播聚类的变压器局部放电识别方法技术

本发明专利技术公开了基于流形距离近邻传播聚类的变压器局部放电识别方法，包括：搭建油中电晕放电、油中沿面放电和气隙放电三种变压器内部局部放电模型；以盒维数和信息维数作为灰度图的特征量的提取；流形距离的定义及其计算公式；基于流形距离的近邻传播聚类的方法步骤；k‑近邻k初值的设定原则。本发明专利技术改善了传统近邻传播聚类对结构复杂数据难以准确识别的缺点，同时将其应有于对变压器内部油中电晕放电、油中沿面放电和气隙放电三种放电的模式识别，实验结果表明，基于流形距离的近邻传播聚类的结果优于传统近邻传播聚类，K‑means聚类和模糊C均值聚类，提高了识别的准确率。

Partial discharge identification method for transformer based on manifold distance nearest neighbor propagation clustering

The invention discloses a transformer partial discharge identification method based on manifold distance nearest neighbor propagation clustering, including: constructing three transformer internal partial discharge models of corona discharge in oil, surface discharge in oil and air gap discharge; taking box dimension and information dimension as the feature quantity of gray scale image; defining manifold distance and its application. The calculation formula, the method steps of neighborhood propagation clustering based on manifold distance, and the setting principle of initial value of k_nearest neighbor K. The method improves the disadvantage of traditional nearest neighbor propagation clustering that it is difficult to accurately identify the complex structure data, and at the same time it should be applied to pattern recognition of corona discharge in transformer oil, surface discharge in oil and air gap discharge. The experimental results show that the nearest neighbor propagation clustering based on manifold distance outperforms the traditional method. Neighbor propagation clustering, K means clustering and fuzzy C mean clustering improve the accuracy of recognition.

【技术实现步骤摘要】
基于流形距离近邻传播聚类的变压器局部放电识别方法
本专利技术涉及电工
，特别是涉及基于流形距离近邻传播聚类的变压器局部放电模式识别方法，其中，近邻传播聚类算法(AffinityPropagation，简称AP)，基于流形距离近邻传播聚类算法(AffinityPropagationAlgorithmBasedonManifoldDistance，简称AP-MD)。
技术介绍
电力变压器是电网中最重要的设备之一。如果发生故障，电力变压器会造成电网部分甚至大面积停电，造成巨大的经济损失。大量的故障统计表明，变压器的大部分事故都是由绝缘老化和损坏引起的，而局部放电是绝缘老化损坏的重要原因之一。有效识别局部放电类型，对发现变压器绝缘缺陷和判断绝缘损伤程度和具有重要作用。目前国内外对电力变压器局部放电缺陷的诊断和识别做了大量的研究工作，基于局部放电统计谱指纹识别技术受到了广泛的关注，针对不同的测量方法和局部放电统计特征提出了局部放电相位分布模式、局部放电时间分布模式和脉冲序列相位分布模式等用于局部放电模式识别。同时随着计算机和数理方法的发展，各种模式识别方法相继涌现，如基于聚类分析模式识别法，基于人工神经网络模式识别法，基于距离的模式识别法等。2007年学者Frey和Dueck首次在科学杂志上提出近邻传播聚类算法，之后广泛应用于图像识别、图像检索、数据挖掘等领域。但是利用传统的近邻传播聚类算法对变压器局部放电模式识别时，近邻传播聚类算法的相似矩阵是基于数据点间的欧氏距离构造，这就造成聚类结果的局部一致性，不能反映聚类的全局一致性以及数据潜在的复杂结构。专利技术内容为了解决现有技术的不足，本专利技术提供了基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法，改进传统的近邻传播聚类算法，提出以流行距离为相似指标的近邻传播聚类算法，使其提高对变压器局部放电模式识别的准确性。本专利技术的第一方面：基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法，包括：搭建变压器油纸绝缘缺陷局部放电模型，所述油纸绝缘缺陷，包括气隙放电、油中沿面放电和油中电晕放电；测量每种缺陷模型的局部放电信息，所述局部放电信息，包括：放电工频相位放电信号幅值q和放电次数n，然后，构造三维统计图谱基于三维统计图谱构造局部放电灰度图像，提取图像的分形特征：盒维数和信息维数,将盒维数和信息维数分别进行标准化处理，得到盒维数-信息维数特征矩阵T2×N，N为重复实验得到统计图谱数量；将三种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中，以盒维数-信息维数特征矩阵作为数据点坐标，输出设定数目的聚类中心，然后进一步判断数据点与聚类中心的归属关系，实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分，进而得到变压器局部放电模式。所述基于三维统计图谱构造局部放电灰度图像的步骤为：将三维空间曲面投影到二维平面上，构造局部放电灰度图像，灰度图像的分辨率为128×256，最大放电次数对应的灰度值为0，最小放电次数对应的灰度值为255，各像素点的灰度值计算公式如(1)：Gi,j＝(1-ni,j/nmax)×255；(1)式中，Gi,j是灰度图坐标为像素点(i,j)的灰度值，ni,j为像素点(i,j)处的放电次数，nmax是三维空间曲面中最大的放电次数。基于流形距离近邻传播聚类算法的步骤：步骤(1)：输入盒维数-信息维数特征矩阵T2×N，设定初始k-近邻算法的k值，k＝5；设定偏向参数p，以盒维数和信息维数为坐标值的数据点集合X的偏向参数p初值设为-0.1；设定吸引度矩阵RN×N，其所有元素r(i,j)＝0，r(i,j)表示xj适合作为xi的类代表点的代表程度，设定归属度矩阵AN×N，其所有元素a(i,j)＝0，a(i,j)表示数据点xi选择数据点xj作为其类代表的适合程度；设定聚类数C＝3。步骤(2)：计算数据点集合X中所有数据点间的欧氏距离，得到N×N维欧氏距离矩阵DE；其中，d(xi,xj)表示数据点xi与xj之间直线的欧氏距离；步骤(3)：根据欧氏距离矩阵DE搜索数据点集合X的k-近邻，构造k-近邻加权图G(V,E)。数据点的k-近邻是指距离数据点最近的k个点；构造加权图G的方法，以数据点集合X作为加权图的顶点集合V，加权图边集合E表示的是在每一对数据点间定义的流形上的两点间的长度L(xi,xj)；其中，β是阻止L(xi,xj)快速增长的调节因子；β的值取所有数据点平均欧氏距离的倒数。步骤(4)：计算数据点xi与xj的流形距离。将数据点看作是加权图G(V,E)的顶点，令P＝{p1,p2,...,p|P|}∈V表示加权图上连接点xi与xj之间的一条路径，p1,p2,...,p|P|表示连接点xi与xj的路径P所经过的点，p|P|表示路径P经过的第|P|个点；|P|表示路径P经过点的数目，V表示加权图G中顶点的集合，其中边(pk,pk+1)∈E，1≤k≤|P|-1。令Pi,j表示连接数据xi与xj的所有路径的集合，则xi与xj之间的流形距离度量D(xi,xj)定义为：步骤(5)：根据数据点的流形距离构造相似度矩阵SN×N，相似度矩阵中元素按公式(5)计算，对角线元素s(i,i)为偏向参数p；步骤(6)：以相似度矩阵SN×N为输入，利用近邻传播聚类算法对数据进行聚类。近邻传播聚类算法首先根据公式(6)和公式(7)迭代更新吸引度矩阵RN×N与归属度矩阵AN×N中所有元素；当满足迭代次数大于10000或者RN×N与AN×N中所有元素保持不变，迭代结束；然后，将吸引度矩阵RN×N与归属度矩阵AN×N相加，如果加和后的矩阵中主对角线第K个元素大于零，则数据点集合X中第K个点为聚类中心；如果加和后的矩阵中主对角线不存在大于零的元素，则没有聚类中心，聚类中心的数目即为聚类数。当存在聚类中心时，以公式(8)为目标函数，判断数据点集合X中所有点xi所归属于的聚类中心；公式(8)中xC(i)为数据点xi对应的聚类中心，s(xi,xC(i))是数据点xi与聚类中心xC(i)间的相似度；步骤(7)：判断得到的聚类数是否等于设定值，如不满足改变偏向参数p，当聚类数小于设定值时，增大偏向参数p；当聚类数大于设定值时，减小偏向参数p；然后重复迭代步骤(1)-(6)过程，直到聚类数满足要求。本专利技术的第二方面：基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法，包括：测量变压器待识别局部放电信号的局部放电信息，所述局部放电信息，包括：放电工频相位放电信号幅值q和放电次数n，然后，构造三维统计图谱基于三维统计图谱构造局部放电灰度图像，提取图像的分形特征：盒维数和信息维数,将盒维数和信息维数分别进行标准化处理，得到盒维数-信息维数特征矩阵T2×N，N为重复实验得到统计图谱数量；将每种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中，以盒维数-信息维数特征矩阵作为数据点坐标，输出设定数目的聚类中心，然后进一步判断数据点与聚类中心的归属关系，实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分，进而得到变压器局部放电模式。与现有技术相比，本专利技术的有益效果是：本专利技术提出于流形距离的近邻传播聚类方法相较于传统近邻传播聚类、模本文档来自技高网...

【技术保护点】
1.基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法，其特征是，包括：在实验室内搭建变压器油纸绝缘缺陷局部放电模型，所述油纸绝缘缺陷，包括气隙放电、油中沿面放电和油中电晕放电；测量三种缺陷模型的局部放电信息，所述局部放电信息，包括：放电工频相位

【技术特征摘要】
1.基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法，其特征是，包括：在实验室内搭建变压器油纸绝缘缺陷局部放电模型，所述油纸绝缘缺陷，包括气隙放电、油中沿面放电和油中电晕放电；测量三种缺陷模型的局部放电信息，所述局部放电信息，包括：放电工频相位放电信号幅值q和放电次数n，然后，构造三维统计图谱基于三维统计图谱构造局部放电灰度图像，提取图像的分形特征：盒维数和信息维数,将盒维数和信息维数分别进行标准化处理，得到盒维数-信息维数特征矩阵T2×N，N为重复实验得到统计图谱数量；将各种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中，以盒维数-信息维数特征矩阵作为数据点坐标，输出设定数目的聚类中心，然后进一步判断数据点与聚类中心的归属关系，实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分。2.如权利要求1所述的方法，其特征是，所述基于三维统计图谱构造局部放电灰度图像的步骤为：将三维空间曲面投影到二维平面上，构造局部放电灰度图像，灰度图像的分辨率为128×256，最大放电次数对应的灰度值为0，最小放电次数对应的灰度值为255，各像素点的灰度值计算公式：Gi,j＝(1-ni,j/nmax)×255；(1)式中，Gi,j是灰度图坐标为像素点(i,j)的灰度值，ni,j为像素点(i,j)处的放电次数，nmax是三维空间曲面中最大的放电次数。3.如权利要求1所述的方法，其特征是，基于流形距离近邻传播聚类算法的步骤：步骤(1)：输入盒维数-信息维数特征矩阵T2×N，设定初始k-近邻算法的k值，k＝5；设定偏向参数p，以盒维数和信息维数为坐标值的数据点集合X的偏向参数p初值设为-0.1；设定吸引度矩阵RN×N，其所有元素r(i,j)＝0，r(i,j)表示xj适合作为xi的类代表点的代表程度，设定归属度矩阵AN×N，其所有元素a(i,j)＝0，a(i,j)表示数据点xi选择数据点xj作为其类代表的适合程度；设定聚类数C＝3；步骤(2)：计算数据点集合X中所有数据点间的欧氏距离，得到N×N维欧氏距离矩阵DE；步骤(3)：根据欧氏距离矩阵DE搜索数据点集合X的k-近邻，构造k-近邻加权图G(V,E)；数据点的k-近邻是指距离数据点最近的k个点；构造加权图G的方法，以数据点集合X作为加权图的顶点集合V，加权图边集合E表示的是在每一对数据点间定义的流形上的两点间的长度L(xi,xj)；步骤(4)：计算数据点xi与xj的流形距离；步骤(5)：根据数据点的流形距离构造相似度矩阵SN×N；步骤(6)：以相似度矩阵SN×N为输入，利用近邻传播聚类算法对数据进行聚类；步骤(7)：判断得到的聚类数是否等于设定值，如不满足改变偏向参数p，当聚类数小于设定值时，...

【专利技术属性】
技术研发人员：魏本刚，姚周飞，娄杰，霍凯旋，李祥耀，李可军，
申请(专利权)人：国网上海市电力公司，山东大学，
类型：发明
国别省市：上海,31