一种变压器局部放电故障模式识别方法及系统技术方案

本发明专利技术公开了一种变压器局部放电故障模式识别方法及系统，该方法包括：利用传感器获取变压器不同时间段不同运行状态的局部放电信号，采用希尔伯特

【技术实现步骤摘要】
一种变压器局部放电故障模式识别方法及系统


[0001]本专利技术涉及变压器放电
，具体涉及一种变压器局部放电故障模式识别方法及系统。

技术介绍

[0002]局部放电故障类型是评估高压电力设备绝缘状态的重要技术指标之一，不仅反映绝缘状态水平，还可估算电力设备绝缘的使用寿命。因此对变压器局部放电故障识别算法的研究显得尤为重要。
[0003]近年来，对放电信号的处理分析大多由傅里叶变换转换为能够进行时频局域化分析的小波变换，这两种方法对平稳信号都有良好的处理效果，但是，这些算法不能随信号本身时间和频率的变化由自身做出调整，不能客观反映出真实的信号特性。

技术实现思路

[0004]专利技术目的：为了克服现有技术的不足，本专利技术提供一种变压器局部放电故障模式识别方法，该方法可以解决变压器局部放电特征提取过程中局部放电识别精度低的问题，本专利技术还提供一种变压器局部放电故障模式识别系统。
[0005]技术方案：本专利技术提供变压器局部放电故障模式识别方法，包括：
[0006]训练阶段：r/>[0007]样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器局部放电故障模式识别方法，其特征在于，包括：训练阶段：样本采集：利用传感器获取变压器不同时间段不同运行状态的局部放电信号，形成不同种类局部放电故障信号的训练样本，并划分训练集和测试集；特征提取：采用希尔伯特
‑
黄变换对训练集中的局部放电故障信号进行分解和重构，并最终表示为幅值、频率和时间的函数，即Hilbert谱；对所述Hilbert谱按指数分布族提取能量特征值；网络训练：变压器不同状态下的能量特征值构成特征向量，将特征向量构成特征矩阵，并将特征矩阵输入到PNN神经网络中进行训练，得到训练好的PNN神经网络；故障模式识别：将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别；测试阶段：将测试集特征提取后输入到训练好的PNN神经网络中，最终输出故障识别结果。2.根据权利要求1所述的变压器局部放电故障模式识别方法，其特征在于，所述样本采集中，所述局部放电信号包括以下四种局放缺陷数据：油中悬浮放电、油中沿面放电、油中气隙放电和空气中针板放电。3.根据权利要求2所述的变压器局部放电故障模式识别方法，其特征在于，所述特征提取中，用希尔伯特
‑
黄变换对局部放电信号进行分解和重构，具体包括以下步骤：(1)结合经验模态分解从训练集中的局部放电故障信号中筛选出固有模态；(2)对固有模态函数进行希尔波特变换后计算出瞬时频率，具体包括：对局部放电故障信号的时间序列X(t)进行希尔伯特变换，得到：其中，Y(t)是X(t)与的卷积，PV为柯西主值；因此，X(t)和Y(t)组成了一个共轭复数对，根据欧拉公式，得到一个解析信号Z(t)：Z(t)＝X(t)+iY(t)＝a(t)e
iθ(t)
且其中，a(t)为瞬时振幅；θ(t)为相位函数，由此得到瞬时频率，即：因此，局部故障信号即可采用时频函数表示：
由HHT变换得来的放电信号进一步表示为幅值、频率和时间的函数，即Hilbert谱H(w,t)，n为IMF分量的总数。4.根据权利要求3所述的变压器局部放电故障模式识别方法，其特征在于，所述对Hilbert谱按指数分布族提取能量特征值，具体包括以下步骤：(3)将Hilbert谱汇总为边际谱；(4)对时频谱按指数进行数据聚类，将时频图谱按频率从低到高的指数幂进行分裂，结合希尔伯特能量谱的计算公式，即希尔伯特能量聚类算法，则有：式中，E...

【专利技术属性】
技术研发人员：赵振喜，宋京哲，倪凤祥，周子龙，宋远，路瑶，孙晓菲，刘春生，王朔，郭玉福，刘欣，成思晋，高峰，苏战涛，张俊伟，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：