一种基于SVM的局部放电模式识别方法技术

本发明专利技术提出了一种基于SVM的局部放电模式识别方法。首先对原始局部放电数据进行去噪处理，然后构造局部放电相位分布模式(Phase Resolved Partial Discharge，PRPD)，从放电的PRPD谱图中提取8种统计算子作为特征量。将特征量分为训练集和测试集，将训练集输入分类器中进行训练，获得SVM的最佳参数，然后将测试集到输入完成训练的分类器中进行测试，得到识别结果。

【技术实现步骤摘要】
一种基于SVM的局部放电模式识别方法
本专利技术涉及局部放电模式识别
，特别是涉及了利用SVM分类器对电力设备部放电信号模式识别技术。
技术介绍
电力设备绝缘内部或表面出现局部区域电场集中，在某些区域率先发生放电，而其他部分继续保持绝缘特性的现象，称为局部放电。局部放电会严重危害设备的绝缘性能，局部放电产生的热、射线、声、化学物质、气体等会加速绝缘介质的劣化、损坏及使绝缘缺陷扩大，形成恶性循环使绝缘性能不断降低，最终造成绝缘介质发生贯通性击穿或沿面闪络。不同类型的局部放电脉冲，对设备的危害程度不同，其判断标准也不一样。为保证电力设备的安全、可靠运行，在对设备进行在线监测的基础上，学者们尝试对监测到的局部放电信号进行准确的辨识，利用局部放电信息判断高压电气设备绝缘缺陷种类、缺陷位置以及缺陷的发展趋势。局部放电识别的整个过程可以分为原始放电数据获取、数据预处理、放电模式构造、特征提取和模式识别。其中特征提取和模式识别是最重要的步骤。特征提取是指从局部放电信号样本中提取特征量，其主要方法有统计特征法、脉冲波形特征法、分形特征法、图像矩特征法和小波分析法等。而目前应用比较广泛的局部放电模式识别分类器主要有神经网络分类器、基于距离的模式分类器和支持向量机(SupportVectorMachine，SVM)分类器等。
技术实现思路
本专利技术的目的即在于，对局部放电的特征量进行分类识别，首先将特征量分为训练数据和测试数据，将训练集输入分类器中进行训练，获得SVM的最佳参数，然后将测试集分别输入完成训练的分类器中进行测试，得到识别结果。为实现上述目的，本专利技术采用如下技术方案，一种基于SVM的电力设备局部放电模式识别方法，具体步骤为：1、局部放电模式构造局部放电相位分布模式(PhaseResolvedPartialDischarge，PRPD)反映了不同类型放电脉冲的统计特征，得到了广泛的应用。在三维PRPD图谱中，横轴表示放电的相位，纵轴q表示放电量，竖轴n表示放电重复率。记录的背景噪声为2mV，统计10个工频周期，将轴平分为360份，q轴平分为128份，这样在平面得到360×128个小格，计算每个小格内的放电重复率，即可得到PRPD图谱。2、特征量的提取将每个工频周期划分为2个半周期，即正半周期和负半周期，正、负半周期的放电幅值分别构成一个放电幅值序列。首先计算工频正、负半周期内的放电总数Nmagp、Nmagn，放电时间间隔Nintp、Nintn，及放电区间总数Nregp、Nregn。根据式(1)分别计算正、负半周期的放电幅值均值：根据式(2)分别计算正、负半周期的放电幅值标准差：根据式(3)分别计算正、负半周期的放电时间间隔均值：以上基本参数描述了在工频信号正、负半周期的放电信号的一些特征，获得这些基本参数之后，可以根据基本参数计算得到其他几个统计参数。其中，描述放电幅值特征的三个统计特征参数Emag，Smag，Nmag，可根据式(4)～(6)计算得到：Emag＝max(Emag_p，Emag_n)(4)Smag＝max(Smag_p，Smag_n)(5)Nmag＝Nmag_p+Nmag_n)(6)描述放电的时间间隔特征的两个统计特征参数，可根据式(7)～(8)计算得到：Eint＝max(Eint_p，Eint_n)(7)Nint＝Nint_p+Nint_n)(8)ΔTmean用于描述放电的间歇特征，可根据式(9)得到：r和Nreg用于描述放电的分布区域，可根据式(10)～(11)得到：Nreg＝Nreg_p+Nreg_n(11)这样我们得到8个统计算子，将它们归一化处理后用于后续分类识别。3、支持向量机(SVM)模型的训练与识别SVM是一种线性分类器，其核心思想是通过非线性映射将样本空间映射到更高维的特征空间，同时在高维的特征空间构造一个可以满足分类要求的最优超平面，获得最优决策函数，保证超平面与不同类样本集之间获得最大距离。核函数代表了将数据映射到高维空间从而增加线性学习的能力，这里选择径向基(REF)核函数，如式(12)所示。在选定核函数后，需要确定支持向量核函数参数和控制结构风险参数，即惩罚系数C和参数σ，以便对支持向量机的推广能力进行控制。训练样本的学习过程实质上就是寻找这两个参数的最优值。这里选择网格搜索法作为参数的优化算法。训练得到最优参数后，利用测试集测试模型准确率。本专利技术使用SVM分类器对电力设备局部放电进行了模式识别，对保障电力设备的稳定性、可靠性具有重要意义，其具体的有益效果包括：1.基于PRPD谱图提取统计算子，并利用机器学习的方式进行局部放电的模式识别，克服了传统人工方式存在的处理效率偏低、挖掘深度不足的问题。2.该方法为在线监测电力设备局部放电提供了理论基础，随着原始图谱和统计特征的不断积累，局部放电模式识别的精度会不断提高，对于提升电力设备的运行维护水平具有重要意义。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为四种放电的PRPD谱图；图2为SVM模型的参数寻优过程；具体实施方式下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。1、局部放电PRPD谱图分析：图1展示了电晕放电、悬浮放电、内部放电和沿面放电的PRPD谱图。沿面放电的局部放电脉冲主要集中在15°-60°、200°-260°相位区间内。在正负半周均有放电脉冲呈明显的簇状分布，正、负半周谱图基本对称。悬浮放电的局部放电脉冲主要集中在20°-70°和210°-250°相位区间内。在正负半周均有局部放电脉冲集中在峰值附近，正、负半周谱图基本对称，并且放电量相对较大。放电量较高的放电脉冲多处在上升沿相位内。内部放电的局部放电脉冲主要集中在30°-90°、210°-270°相位区间内。在正负半周均有放电脉冲并集中在上升沿相位内，正、负半周谱图非常相似。正负半周放电脉冲的放电次数和放电相位基本相同，放电量在四种放电中是最大的。电晕放电的局部放电脉冲主要集中在20°-70°、210°-260°相位区间内。正半周的放电量较大而负半周的放电次数更多，总体来说放电量是四种放电中最小的。2、特征提取和识别用提取的统计特征参数训练分类器。首先对统计参数进行归一化、规范化，并使用主成本文档来自技高网...

【技术保护点】
1.基于SVM的电力设备局部放电模式识别方法，其特征在于，具体步骤为：/n1)进行局部放电模拟实验，获取原始放电数据，并对局部放电原始数据进行去噪处理。/n2)基于局部放电原始数据，构造局部放电相位分布模式(Phase Resolved PartialDischarge，PRPD)；/n3)根据PRPD谱图，提取统计算子，作为后续进行模式识别的特征量；/n4)将特征量分为训练集和测试集，利用训练集训练SVM模型并获得最优参数，利用测试集数据测试模型准确率。/n

【技术特征摘要】
1.基于SVM的电力设备局部放电模式识别方法，其特征在于，具体步骤为：
1)进行局部放电模拟实验，获取原始放电数据，并对局部放电原始数据进行去噪处理。
2)基于局部放电原始数据，构造局部放电相位分布模式(PhaseResolvedPartialDischarge，PRPD)；
3)根据PRPD谱图，提取统计算子，作为后续进行模式识别的特征量；
4)将特征量分为训练集和测试集，利用训练集训练SVM模型并获得最优参数，利用测试集数据测试模型准确率。


2.基于SVM的电力设备局部放电模式识别方法，其特征在于：所述去噪方法为小波阈值去噪，选取的小波基函数为db2...

【专利技术属性】
技术研发人员：刘勇，王豪，宗红宝，李琪冉，董学家，王志会，黄兴旺，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12