一种变压器局部放电试验典型干扰信号识别系统及方法技术方案

本发明专利技术提供一种变压器局部放电试验典型干扰信号识别系统及方法，该系统包括：原始特征空间构建模块，用于提取变压器局部放电和典型干扰信号的统计特征、纹理特征和形状特征的特征参数，构建原始特征空间；特征空间优化模块，用于采用随机森林算法对原始特征空间构建模块构建的原始特征空间进行优化降维，构造优化特征空间；算法识别性能分析模块，用于采用随机森林算法对局部放电信号和典型干扰信号进行分类识别。本发明专利技术通过基于随机森林算法的特征空间的优化降维方法，解决了原始特征参数过多带来的数据冗余问题，并且比较了不同数据识别方法的识别准确率及稳定性，基于随机森林算法进行干扰信号识别，实现变压器局部放电典型干扰信号的识别。型干扰信号的识别。型干扰信号的识别。

【技术实现步骤摘要】
一种变压器局部放电试验典型干扰信号识别系统及方法


[0001]本专利技术涉及变压器局部放电信号识别领域，具体是一种变压器局部放电试验典型干扰信号识别系统及方法。

技术介绍

[0002]电力变压器既是电力系统中最重要的设备之一，又是电力系统中最昂贵的设备，其因意外停电可能会使对用户的供电中断和造成巨大经济损失。变压器故障主要包括短路损坏故障、过热性故障以及绝缘损坏故障，其中绝缘损坏故障约占总故障的70％～80％。而变压器绝缘故障大多数是由变压器局部放电而引起的绝缘老化或击穿。在国内外变压器绝缘状态诊断领域，局部放电测量是对电气设备局部缺陷最为直接有效的测量手段和评价方法。
[0003]关于变压器局部放电模式识别的研究有很多，在实验室的样本数据下也有很高的识别率，但是实际应用中经常出现实际测量数据难以分析，主要原因是现有大量局部放电数据分析方法的文献，偏重数学方法理论，缺乏实际经验支撑，应用起来效果不理想，特别是测量的脉冲信号中只含有干扰信号和外部放电信号，具备有与设备内部局部放电类似的特征，完全符合现行标准中典型放电信号特征，对设备状态评价带来困难。因此，识别现场测量的脉冲信号中的干扰信号和外部放电信号并从中提取有效的局部放电有效信号显得尤为重要。

技术实现思路

[0004]本专利技术的目的在于提供一种变压器局部放电试验典型干扰信号识别系统及方法，以提高变压器现场试验局部放电信号识别的抗干扰能力。
[0005]根据本专利技术的一方面，提供一种变压器局部放电试验典型干扰信号识别系统，包括：原始特征空间构建模块、特征空间优化模块以及算法识别性能分析模块；
[0006]所述原始特征空间构建模块，用于通过实验测量建立变压器局部放电和典型干扰信号的数据库，并提取变压器局部放电和典型干扰信号的统计特征、纹理特征和形状特征的特征参数，构建原始特征空间；
[0007]所述特征空间优化模块，用于采用随机森林算法对原始特征空间构建模块构建的原始特征空间进行优化降维，根据随机森林算法对特征参数的重要性和完备性进行度量并排序，将初始的特征参数进行筛选，并以筛选后的特征参数构造优化特征空间；
[0008]所述算法识别性能分析模块，用于采用随机森林算法对优化特征空间的局部放电信号和典型干扰信号进行分类识别。
[0009]进一步的，在计算某个特征参数X的重要性时，首先选择相应的袋外数据来计算每一棵决策树的袋外数据误差，记为er1，er2，...,ern，袋外数据误差指的是将袋外数据做为测试样本数据，此时随机森林的预测错误率称作袋外数据误差；其次随机改变袋外样本数据在特征参数X处的值，再次计算袋外数据误差，分别记为er11，er12，...,er1n；采用P
X
表
示特征参数X的重要性程度，计算式为：
[0010][0011]进一步的，所述构建优化特征空间是指在特征重要性度量的基础上，计算每个特征参数的重要性，并按降序排序，然后选择前k个重要性高的特征参数构建优化特征空间，k值的确定方式为：将k从1到特征参数的数量逐次加1，并将优化特征空间构建的数据集做为随机森林分类算法的输入，计算每一个k值对应的分类识别准确率，分类识别准确率趋于稳定时对应的最小k值就做为最终的k值。
[0012]进一步的，构建原始特征空间时提取脉冲信号的统计特征、纹理特征和形状特征共47个特征参数，分别为7个统计特征和40个图像特征，其中40个图像特征包含15个纹理特征、15个zernike矩和10个Hu不变矩构建原始特征空间，构建优化特征空间时最终确定k值为10，取的特征参数是排名前10的特征参数分别为：负半周峭度、逆差矩、Zernike矩3、正负半周互相关系数、梯度分布不均匀性、灰度分布不均匀性、小梯度优势、Zernike矩8、正半周峰值数、Zernike矩1。
[0013]根据本专利技术的另一方面，提供一种变压器局部放电试验典型干扰信号识别方法，包括以下步骤：
[0014]步骤1：通过实验测量建立变压器局部放电和典型干扰信号的数据库，并提取变压器局部放电和典型干扰信号的统计特征、纹理特征和形状特征的特征参数，构建原始特征空间；
[0015]步骤2：采用随机森林算法对原始特征空间构建模块构建的原始特征空间进行优化降维，根据随机森林算法对特征参数的重要性和完备性进行度量并排序，将初始的特征参数进行筛选，并以筛选后的特征参数构造优化特征空间；
[0016]步骤3：采用随机森林算法对优化特征空间的局部放电信号和典型干扰信号进行分类识别。
[0017]进一步的，步骤2中，在计算某个特征参数X的重要性时，首先选择相应的袋外数据来计算每一棵决策树的袋外数据误差，记为er1，er2，...,ern，袋外数据误差指的是将袋外数据做为测试样本数据，此时随机森林的预测错误率称作袋外数据误差；其次随机改变袋外样本数据在特征参数X处的值，再次计算袋外数据误差，分别记为er11，er12，...,er1n；采用P
X
表示特征参数X的重要性程度，计算式为：
[0018][0019]进一步的，步骤2中，所述构建优化特征空间是指在特征重要性度量的基础上，计算每个特征参数的重要性，并按降序排序，然后选择前k个重要性高的特征参数构建优化特征空间，k值的确定方式为：将k从1到特征参数的数量逐次加1，并将优化特征空间构建的数据集做为随机森林分类算法的输入，计算每一个k值对应的分类识别准确率，分类识别准确率趋于稳定时对应的最小k值就做为最终的k值。
[0020]进一步的，构建原始特征空间时提取脉冲信号的统计特征、纹理特征和形状特征共47个特征参数，分别为7个统计特征和40个图像特征，其中40个图像特征包含15个纹理特征、15个zernike矩和10个Hu不变矩构建原始特征空间，构建优化特征空间时最终确定k值
为10，取的特征参数是排名前10的特征参数分别为：负半周峭度、逆差矩、Zernike矩3、正负半周互相关系数、梯度分布不均匀性、灰度分布不均匀性、小梯度优势、Zernike矩8、正半周峰值数、Zernike矩1。
[0021]本专利技术通过基于随机森林算法的特征空间的优化降维方法，解决了原始特征参数过多带来的数据冗余问题，并且比较了不同数据识别方法的识别准确率及稳定性，优选出了基于随机森林算法的干扰信号识别方法，实现变压器局部放电典型干扰信号的识别。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术变压器局部放电试验典型干扰信号识别系统其中一个实施例的结构示意图；
[0024]图2为本专利技术对特征量重要性度量进行优化选择后的结果示意图。
[0025]图中：1
‑
原始特征空间构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器局部放电试验典型干扰信号识别系统，其特征在于，包括：原始特征空间构建模块、特征空间优化模块以及算法识别性能分析模块；所述原始特征空间构建模块，用于通过实验测量建立变压器局部放电和典型干扰信号的数据库，并提取变压器局部放电和典型干扰信号的统计特征、纹理特征和形状特征的特征参数，构建原始特征空间；所述特征空间优化模块，用于采用随机森林算法对原始特征空间构建模块构建的原始特征空间进行优化降维，根据随机森林算法对特征参数的重要性和完备性进行度量并排序，将初始的特征参数进行筛选，并以筛选后的特征参数构造优化特征空间；所述算法识别性能分析模块，用于采用随机森林算法对优化特征空间的局部放电信号和典型干扰信号进行分类识别。2.根据权利要求1所述的一种变压器局部放电试验典型干扰信号识别系统，其特征在于，在计算某个特征参数X的重要性时，首先选择相应的袋外数据来计算每一棵决策树的袋外数据误差，记为er1，er2，...,ern，袋外数据误差指的是将袋外数据做为测试样本数据，此时随机森林的预测错误率称作袋外数据误差；其次随机改变袋外样本数据在特征参数X处的值，再次计算袋外数据误差，分别记为er11，er12，...,er1n；采用P
X
表示特征参数X的重要性程度，计算式为：3.根据权利要求1所述的一种变压器局部放电试验典型干扰信号识别系统，其特征在于，所述构建优化特征空间是指在特征重要性度量的基础上，计算每个特征参数的重要性，并按降序排序，然后选择前k个重要性高的特征参数构建优化特征空间，k值的确定方式为：将k从1到特征参数的数量逐次加1，并将优化特征空间构建的数据集做为随机森林分类算法的输入，计算每一个k值对应的分类识别准确率，分类识别准确率趋于稳定时对应的最小k值就做为最终的k值。4.根据权利要求3所述的一种变压器局部放电试验典型干扰信号识别系统，其特征在于，构建原始特征空间时提取脉冲信号的统计特征、纹理特征和形状特征共47个特征参数，分别为7个统计特征和40个图像特征，其中40个图像特征包含15个纹理特征、15个zernike矩和10个Hu不变矩构建原始特征空间，构建优化特征空间时最终确定k值为10，取的特征参数是排名前10的特征参数分别为：负半周峭度、逆差矩、Zernike矩3、正负半周互相关系数、梯度分布不均匀性、灰度分布不均匀性、小梯度优势、Zernike矩8...

【专利技术属性】
技术研发人员：刘睿，卢仰泽，罗维，谢齐家，金雷，周凯，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：