基于奇异值分解算法的变压器局部放电模式识别方法技术

本发明专利技术公开了一种基于奇异值分解算法的变压器局部放电模式识别方法，包括训练模型和分类识别过程，包括：首先搭建人工缺陷实验环境并采集数据样本，计算每个样本的统计特征参量，构成数据样本矩阵；对样本矩阵进行奇异值分解，通过判断保留矩阵的特征是否明显，确定最佳保留矩阵的阶数，从而得到降维后的类型特征描述矩阵和类中心描述向量组；对待识别的样本进行预处理得到样本向量，用类型特征空间描述矩阵将其线性变换，得到降维后的样本描述空间的向量，然后计算该向量与类型向量组中的每个向量的相似度大小，从而得到分类判断结果。该算法简单而且高效，能够实现局部放电检测中干扰信号和放电信号的可靠区分，提高局部放电模式诊断的准确性。

【技术实现步骤摘要】

本专利技术属于电力
，更具体地，涉及一种。
技术介绍
局部放电是导致大型电力变压器内部绝缘劣化的主要原因之一，变压器局部放电的在线监测，能够及时、准确地判断变压器内部绝缘状态，对防止电力变压器事故的发生具有重要意义。局部放电模式识别方法的二个主要问题是选择特征量与设计分类器。在选择统计特征参量作为局放特征量时，现有技术或者直接从众多的统计参数中挑选几个作为特征量，这种方法完全凭实践经验缺乏科学依据；或者采用基于主成分分析算法的特征选择方法，但这种方法过程复杂，算法实现比较困难。在分类器构造方面,现有技术主要是采用基于BP (Back Propagation)神经网络算法的分类方法，这种方法存在对初始权值和阈值的选取敏感；容易陷入局部极小点，致使学习过程失效；算法收敛速度慢，效率低等不足。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于提供一种基于奇异值分解(SingularValue Decomposition, SVD)算法的局部放电模式识别方法,使识别、计算过程简单，得到一种算法效率高、分类识别率高、能提高变压器设备局部放电诊断的科学性和准确性的识别方法。为实现上述目本文档来自技高网...

【技术保护点】
一种基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，包括以下步骤：?步骤（1）搭建多种放电类型的人工缺陷实验环境并采集局部放电相关测量参量样本数据；?步骤（2）计算由第（1）步采集到的局部放电参量样本数据的统计特征参量；?步骤（3）构成训练样本矩阵和测试样本矩阵，两种样本矩阵的组成结构相同，矩阵的每一行是一种所述的统计特征参量，每一列是一个样本；?步骤（4）对所述训练样本矩阵进行奇异值分解，确定保留矩阵的最佳阶数；?步骤（5）根据经奇异值分解得到的样本矩阵生成分类模型，所述分类模型由类型特征空间描述矩阵和类中心描述向量组构成；?步骤（6）对测试样本矩阵或者现场采集到的待分类的样本进...

【技术特征摘要】
1.一种基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，包括以下步骤: 步骤(I)搭建多种放电类型的人工缺陷实验环境并采集局部放电相关测量参量样本数据； 步骤(2)计算由第(I)步采集到的局部放电参量样本数据的统计特征参量； 步骤(3)构成训练样本矩阵和测试样本矩阵，两种样本矩阵的组成结构相同，矩阵的每一行是一种所述的统计特征参量，每一列是一个样本； 步骤(4)对所述训练样本矩阵进行奇异值分解，确定保留矩阵的最佳阶数； 步骤(5)根据经奇异值分解得到的样本矩阵生成分类模型，所述分类模型由类型特征空间描述矩阵和类中心描述向量组构成； 步骤(6)对测试样本矩阵或者现场采集到的待分类的样本进行预处理得到待分类样本向量，进行分类识别。2.根据权利要求1所述的基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，步骤(I)中所述人工缺陷实验环境包括表面放电、内部放电和气泡放电在内的多种典型放电模型，以及空气尖端放电和电晕放电在内的多种干扰模型；每种类型的测量参量样本数据包括:脉冲放电量、脉冲相位、采样频率、幅值范围、触发电平、脉冲个数、测量时长、偏移相位、测量时间、时间间隔、等效频率、等效时长。3.根据权利要求1所述的基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，步骤(2)中所述的统计特征参量包括下述的部分或全部:放电重复频率、总放电次数、放电持续时间、正极性和负极性的最大放电量、正极性和负极性放电次数分布的加权平均放电相位、正极性和负极性放电次数分布的方差、正极性和负极性放电次数分布的偏斜度、正极性和负极性放电次数分布的陡峭度、放电次数分布图的正负半周不对称度、放电次数分布图的正负半分布相关系数、正极性和负极性平均放电量分布的方差、正极性和负极性平...

【专利技术属性】
技术研发人员：谢齐家，李成华，阮羚，李劲彬，宿磊，陈婷，张新访，
申请(专利权)人：湖北省电力公司电力科学研究院，华中科技大学，国家电网公司，
类型：发明
国别省市：