CN106778692B - 一种基于s变换的电缆局部放电信号识别方法及装置 - Google Patents
一种基于s变换的电缆局部放电信号识别方法及装置 Download PDFInfo
- Publication number
- CN106778692B CN106778692B CN201710035996.3A CN201710035996A CN106778692B CN 106778692 B CN106778692 B CN 106778692B CN 201710035996 A CN201710035996 A CN 201710035996A CN 106778692 B CN106778692 B CN 106778692B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge signal
- singular value
- matrix
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明实施例公开了一种基于S变换的电缆局部放电信号识别方法及装置,用于解决了目前对电力电缆局部放电信号源的定位通常采用波形时间差方法,识别精度低且所需识别时间过长的技术问题。本发明实施例方法包括:对获取到的已知来源的局部放电信号进行S变换,得到复时频矩阵;对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库并构建支持向量机模型;将待识别的局部放电信号的特征向量输入到支持向量机模型,得到待识别的局部放电信号的来源。
Description
技术领域
本发明涉及电缆局部放电在线监测技术领域,尤其涉及一种基于S变换的电缆局部放电信号识别方法及装置。
背景技术
随着电力***的高速持续发展,电力电缆的敷设回路长度稳步提高,在城市中得到了广泛应用。然而,电力负荷与电压等级日益增长,由电缆局部缺陷导致的绝缘问题对供电质量与社会经济等均构成了极大的威胁。为了监测电缆的绝缘状态并及时发现其局部缺陷,从而预防电缆运行事故的发生,保证电网运行的可靠性,有必要对电缆局部缺陷进行检测。
电缆局部放电在线监测中,检测到的局部放电信号可能来自电缆本体和电缆终端头,也可能来自与其相连的开关柜。由于不同来源的局部放电对设备危害不同,判断标准也不同,所以对局部放电信号来源进行识别有重要的现实意义。
在局部放电信号识别方面,信号特征提取和分类器选择是最关键部分。特征提取是局部放电信号识别第一步,特征提取的好坏直接影响到识别的效果。目前,局部放电信号特征提取方法主要有统计特征法和时域分析法两大类。其中统计特征法都涉及到局部放电信号的相位,而配电电缆一般为三芯电缆且共一地线,当两相或三相出现局部放电时,检测局部放电信号的相位特征变得几乎不可能。时域分析法是针对高速采集一次放电产生的时域脉冲所得到的波形特征或相应的变换结果进行模式识别,主要包括傅里叶分析法、小波分析法和波形参数直接提取法等。模式识别分类器主要有神经网络分类器、最小距离分类器和模糊识别分类器。神经网络易收敛于局部最优解缺陷,精度并不高。
目前,整个电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法,经常存在用于传输该局部放电信号的电力电缆线路过长时,识别精度大大降低且所需识别时间过长。
发明内容
本发明实施例提供了一种基于S变换的电缆局部放电信号识别方法及装置,解决了目前电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法,经常存在用于传输该局部放电信号的电力电缆线路过长时,识别精度大大降低且所需识别时间过长的技术问题。
本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法,包括:
获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵;
对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;
根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;
以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型;
将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源。
可选地,局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号。
可选地,获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵包括:
获取已知来源的局部放电信号,并通过预置公式一对局部放电信号进行S变换,得到复时频矩阵,预置公式一具体为:
其中,h(kT)为局部放电信号离散时间序列,ST为局部放电信号离散时间序列经过S变换后得到的复时频矩阵,T为离散时间序列的采样周期,N为离散时间序列的长度,H为离散时间序列的傅立叶变换,j为虚数单位,k,n,m=0,1,…,N-1。
可选地,对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列包括:
对复时频矩阵ST进行求模得到模矩阵STA,并通过预置第二公式对模矩阵STA进行奇异值分解,得到模矩阵的奇异值序列,预置第二公式具体为:
其中,U和V均为N×N阶正交矩阵,D=diag(σ1,σ2,…,σN)为对角矩阵,其对角元素(σ1,σ2,…,σN)为矩阵STA的奇异值,ui和vi分别为矩阵U和V的第i列奇异值矢量。
可选地,根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库包括:
根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并通过预置第三公式以比值作为局部放电信号特征向量建立局部放电信号特征样本库,预置第三公式具体为:
λ=[E1/E,E2/E,Eq/E…,EQ/E];
可选地,采用两位二进制数标记局部放电信号特征向量的来源类别。
可选地,以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型包括:
运用二分类算法将局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,构成复数个子分类器,并以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型。
可选地,将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型包括:
根据局部放电信号的不同来源随机挑选相同数量的不同来源的局部放电信号作为训练样本,并将训练样本输入到支持向量机模型进行训练,得到训练好的支持向量机模型。
可选地,将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源包括:
将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型获得输出值,并将输出值与局部放电信号特征向量的来源类别的二进制数标记进行对比,得到待识别的局部放电信号的来源。
本发明实施例提供的一种基于S变换的电缆局部放电信号识别装置,其特征在于,包括:
变换模块,用于获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵;
分解模块,用于对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;
计算模块,用于根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;
构建模块,用于以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
训练模块,用于将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型;
输入模块,用于将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种基于S变换的电缆局部放电信号识别方法及装置,包括:获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵;对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型;将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源,本发明实施例中通过对局部放电信号进行S变换后,得到复时频矩阵;再对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型,最终只要将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,即可获取到待识别的局部放电信号的来源,具有识别步骤简单、识别精度高、识别速度快的特点,解决了目前电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法,经常存在用于传输该局部放电信号的电力电缆线路过长时,识别精度大大降低且所需识别时间过长的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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它的附图。
图1为本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的一个实施例的流程示意图;
图2为本发明实施例提供的电缆本体局部放电信号波形图;
图3为本发明实施例提供的电缆终端头局部放电信号波形图;
图4为本发明实施例提供的开关柜的电晕放电信号;
图5为本发明实施例提供的开关柜的表面放电信号波形图;
图6为本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的另一个实施例的流程示意图;
图7为本发明实施例提供的一种基于S变换的电缆局部放电信号识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种基于S变换的电缆局部放电信号识别方法及装置,用于解决目前电力行业对电力电缆局部放电信号源的定位通常采用波形时间差方法,经常存在用于传输该局部放电信号的电力电缆线路过长时,识别精度大大降低且所需识别时间过长的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的一个实施例包括:
101、获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵;
首先,获取到电缆的局部放电信号,其中可通过相应的试验获取到不同来源的局部放电信号,不同来源的局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号等,如图2所示,为电缆本体局部放电信号波形图;如图3所示,为电缆终端头局部放电信号波形图;如图4所示,为开关柜的电晕放电信号;如图5所示,为开关柜的表面放电信号波形图。对获取到的局部放电信号进行S变换,即可得到对应的复时频矩阵。
102、对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;
在获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵之后,对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列。
103、根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;
在对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列之后,根据奇异值序列将奇异值序列等分为至少两个区间,如将奇异值序列等分为10个小区间,计算每个小区间内的奇异值的Shannon熵与整个奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库。
需要说明的是,在建立局部放电信号特征样本库时,可以采用两位二进制数标记局部放电信号特征向量的来源类别,即标记局部放电信号的不同来源,如电缆局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号可分别标记为:(+1,+1),(+1,-1),(-1,+1),(-1,-1)。
104、以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
在根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库之后,以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型。
105、将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型;
在多分类支持向量机模型构建完毕后,通过获取到不同来源的局部放电信号并将获取到的不同来源的局部放电信号作为样本,输入至支持向量机模型中进行训练,可以得到训练好的支持向量机模型。
106、将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源。
最后,在需要对电缆的局部放电信号的来源进行识别时,将待识别的局部放电信号计算获得局部放电信号的特征向量,并将局部放电信号的特征向量输入到训练好的支持向量机模型,根据支持向量机模型的输出值即可得到待识别的局部放电信号的来源。
以上为对本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的一个实施例的详细描述,以下将对本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的另一个实施例进行详细的描述。
请参阅图6,本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的另一个实施例包括:
201、获取已知来源的局部放电信号,并通过预置公式一对局部放电信号进行S变换,得到复时频矩阵;
首先,获取到电缆的局部放电信号,其中可通过相应的试验获取到不同来源的局部放电信号,不同来源的局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号等,如图2所示,为电缆本体局部放电信号波形图;如图3所示,为电缆终端头局部放电信号波形图;如图4所示,为开关柜的电晕放电信号;如图5所示,为开关柜的表面放电信号波形图。对获取到的局部放电信号通过预置公式一进行S变换,即可得到对应的复时频矩阵,预置公式一具体为:
其中,h(kT)为局部放电信号离散时间序列,ST为局部放电信号离散时间序列经过S变换后得到的复时频矩阵,T为离散时间序列的采样周期,N为离散时间序列的长度,H为离散时间序列的傅立叶变换,j为虚数单位,k,n,m=0,1,…,N-1。
202、对复时频矩阵ST进行求模得到模矩阵STA,并通过预置第二公式对模矩阵STA进行奇异值分解,得到模矩阵的奇异值序列;
在获取已知来源的局部放电信号,并通过预置公式一对局部放电信号进行S变换,得到复时频矩阵之后,对复时频矩阵ST进行求模得到模矩阵STA,并通过预置第二公式对模矩阵STA进行奇异值分解,得到模矩阵的奇异值序列,预置第二公式具体为:
其中,U和V均为N×N阶正交矩阵,D=diag(σ1,σ2,…,σN)为对角矩阵,其对角元素(σ1,σ2,…,σN)为矩阵STA的奇异值,ui和vi分别为矩阵U和V的第i列奇异值矢量。
203、根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并通过预置第三公式以比值作为局部放电信号特征向量建立局部放电信号特征样本库;
在对复时频矩阵ST进行求模得到模矩阵STA,并通过预置第二公式对模矩阵STA进行奇异值分解,得到模矩阵的奇异值序列之后,根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并通过预置第三公式以比值作为局部放电信号特征向量建立局部放电信号特征样本库,预置第三公式具体为:
λ=[E1/E,E2/E,Eq/E…,EQ/E];
需要说明的是,在建立局部放电信号特征样本库时,可以采用两位二进制数标记局部放电信号特征向量的来源类别,即标记局部放电信号的不同来源,如电缆局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号可分别标记为:(+1,+1),(+1,-1),(-1,+1),(-1,-1)。
204、运用二分类算法将局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,构成复数个子分类器,并以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
在根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并通过预置第三公式以比值作为局部放电信号特征向量建立局部放电信号特征样本库之后,运用二分类算法将局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,构成复数个子分类器,并以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型。由于通常的支持向量机模型为二分类支持向量机模型,而所需识别的局部放电信号来源类别有四种,因此需要通过运用二分类算法将局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,可以构成2个子分类器SVM1和SVM2,将支持向量机二分类扩展到多分类。
如果用A,B,C,D来分别表示电缆本体局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号和开关柜中的表面放电信号4种放电信号,则SVM1和SVM2输出结果和放电信号类型对应关系如表1所示。
表1
205、根据局部放电信号的不同来源随机挑选相同数量的不同来源的局部放电信号作为训练样本,并将训练样本输入到支持向量机模型进行训练,得到训练好的支持向量机模型;
在多分类支持向量机模型构建完毕后,通过根据局部放电信号的不同来源随机挑选相同数量的不同来源的局部放电信号作为训练样本,即从四种局部放电信号中随机挑选相同数量的局部放电信号,如50个电缆本体局部放电信号、50个电缆终端头局部放电信号、50个开关柜的电晕放电信号、50个开关柜的表面放电信号,并将训练样本输入到支持向量机模型进行训练,得到训练好的支持向量机模型。
206、将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型获得输出值,并将输出值与局部放电信号特征向量的来源类别的二进制数标记进行对比,得到待识别的局部放电信号的来源。
最后,在需要对电缆的局部放电信号的来源进行识别时,将待识别的局部放电信号计算获得局部放电信号的特征向量,并将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型获得输出值,并将输出值与局部放电信号特征向量的来源类别的二进制数标记进行对比,得到待识别的局部放电信号的来源,即如表1所示,输出值为(+1,+1),(+1,-1),(-1,+1),(-1,-1)分别对应电缆局部放电信号、电缆终端头局部放电信号、开关柜中的电晕放电信号、开关柜中的表面放电信号。
以上为对本发明实施例提供的一种基于S变换的电缆局部放电信号识别方法的另一个实施例的详细描述,以下将对本发明实施例提供的一种基于S变换的电缆局部放电信号识别装置进行详细的描述。
请参阅图7,本发明实施例提供的一种基于S变换的电缆局部放电信号识别装置包括:
变换模块301,用于获取已知来源的局部放电信号,并对局部放电信号进行S变换,得到复时频矩阵;
分解模块302,用于对复时频矩阵进行求模得到模矩阵,并对模矩阵进行奇异值分解,得到模矩阵的奇异值序列;
计算模块303,用于根据奇异值序列将奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与奇异值序列的Shannon熵的比值,并以比值作为局部放电信号特征向量建立局部放电信号特征样本库;
构建模块304,用于以局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
训练模块305,用于将局部放电信号作为样本,对支持向量机模型进行训练,得到训练好的支持向量机模型;
输入模块306,用于将待识别的局部放电信号的特征向量输入到训练好的支持向量机模型,得到待识别的局部放电信号的来源。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于S变换的电缆局部放电信号识别方法,其特征在于,包括:
获取已知来源的局部放电信号,并对所述局部放电信号进行S变换,得到复时频矩阵;
对所述复时频矩阵进行求模得到模矩阵,并对所述模矩阵进行奇异值分解,得到所述模矩阵的奇异值序列;
根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库;
以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型;
将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源。
2.根据权利要求1所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述局部放电信号包括电缆本体局部放电信号、电缆终端头局部放电信号、开关柜的电晕放电信号和开关柜的表面放电信号。
5.根据权利要求4所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库包括:
根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并通过预置第三公式以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库,所述预置第三公式具体为:
λ=[E1/E,E2/E,Eq/E…,EQ/E];
6.根据权利要求5所述的基于S变换的电缆局部放电信号识别方法,其特征在于,采用两位二进制数标记所述局部放电信号特征向量的来源类别。
7.根据权利要求6所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型包括:
运用二分类算法将所述局部放电信号特征样本库内的局部放电信号特征向量的来源类别中的各个来源类别进行组合,构成复数个子分类器,并以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型。
8.根据权利要求7所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型包括:
根据所述局部放电信号的不同来源随机挑选相同数量的不同来源的局部放电信号作为训练样本,并将所述训练样本输入到所述支持向量机模型进行训练,得到训练好的支持向量机模型。
9.根据权利要求8所述的基于S变换的电缆局部放电信号识别方法,其特征在于,所述将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源包括:
将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型获得输出值,并将所述输出值与所述局部放电信号特征向量的来源类别的二进制数标记进行对比,得到待识别的局部放电信号的来源。
10.一种基于S变换的电缆局部放电信号识别装置,其特征在于,包括:
变换模块,用于获取已知来源的局部放电信号,并对所述局部放电信号进行S变换,得到复时频矩阵;
分解模块,用于对所述复时频矩阵进行求模得到模矩阵,并对所述模矩阵进行奇异值分解,得到所述模矩阵的奇异值序列;
计算模块,用于根据所述奇异值序列将所述奇异值序列等分为至少两个区间,计算每个区间内的奇异值的Shannon熵与所述奇异值序列的Shannon熵的比值,并以所述比值作为局部放电信号特征向量建立局部放电信号特征样本库;
构建模块,用于以所述局部放电信号特征样本库内的局部放电信号特征向量作为输入,构建多分类支持向量机模型;
训练模块,用于将所述局部放电信号作为样本,对所述支持向量机模型进行训练,得到训练好的支持向量机模型;
输入模块,用于将待识别的局部放电信号的特征向量输入到所述训练好的支持向量机模型,得到待识别的局部放电信号的来源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035996.3A CN106778692B (zh) | 2017-01-17 | 2017-01-17 | 一种基于s变换的电缆局部放电信号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035996.3A CN106778692B (zh) | 2017-01-17 | 2017-01-17 | 一种基于s变换的电缆局部放电信号识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778692A CN106778692A (zh) | 2017-05-31 |
CN106778692B true CN106778692B (zh) | 2020-07-03 |
Family
ID=58944005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710035996.3A Active CN106778692B (zh) | 2017-01-17 | 2017-01-17 | 一种基于s变换的电缆局部放电信号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778692B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255779A (zh) * | 2017-06-15 | 2017-10-17 | 国网河南省电力公司济源供电公司 | 一种高压开关柜局部放电分析方法 |
CN107862320A (zh) * | 2017-11-28 | 2018-03-30 | 广东电网有限责任公司珠海供电局 | 一种电缆瓷套终端红外图像特征向量提取方法 |
CN114325270B (zh) * | 2021-12-30 | 2023-07-04 | 广东电网有限责任公司江门供电局 | 一种开关柜局部放电监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN103091612A (zh) * | 2013-01-16 | 2013-05-08 | 重庆市电力公司电力科学研究院 | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 |
CN106250904A (zh) * | 2016-05-18 | 2016-12-21 | 国网新疆电力公司电力科学研究院 | 基于改进s变换的电能扰动分析仪及分类方法 |
-
2017
- 2017-01-17 CN CN201710035996.3A patent/CN106778692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN103091612A (zh) * | 2013-01-16 | 2013-05-08 | 重庆市电力公司电力科学研究院 | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 |
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN106250904A (zh) * | 2016-05-18 | 2016-12-21 | 国网新疆电力公司电力科学研究院 | 基于改进s变换的电能扰动分析仪及分类方法 |
Non-Patent Citations (4)
Title |
---|
《Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition》;Dangdang Dai等;《IET Digital Library》;20160818;摘要,第186页右栏最后一段,第4.1节,第5.1节第2段 * |
《S变换在电力电缆局部放电信号时频分析中的应用》;郭灿新等;《电工技术学报》;20101130;第25卷(第11期);第11页左栏第1-3段 * |
《频率切片小波变换在局部放电信号分析中的应用》;张宇辉等;《高电压技术》;20150731;第41卷(第7期);第2283-2293页 * |
Dangdang Dai等.《Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition》.《IET Digital Library》.2016,摘要,第186页右栏最后一段,第4.1节,第5.1节第2段. * |
Also Published As
Publication number | Publication date |
---|---|
CN106778692A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karimzadeh et al. | Method for determining utility and consumer harmonic contributions based on complex independent component analysis | |
Singh et al. | Application of fractional Fourier transform for classification of power quality disturbances | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
Song et al. | Multiple event detection and recognition for large-scale power systems through cluster-based sparse coding | |
Chen et al. | An improved Hurst parameter estimator based on fractional Fourier transform | |
CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
CN106443380B (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
CN103149514B (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
Ren et al. | Power system event classification and localization using a convolutional neural network | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
CN106203103B (zh) | 文件的病毒检测方法及装置 | |
CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
Saber et al. | Discrete wavelet transform and support vector machine‐based parallel transmission line faults classification | |
CN102184451B (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN116756594A (zh) | 一种电网数据异常点检测方法、***、设备及介质 | |
Cui et al. | Spatio-temporal synchrophasor data characterization for mitigating false data injection in smart grids | |
CN114118149A (zh) | 基于有限元仿真和对称特征迁移的感应电机故障诊断*** | |
Petladwala et al. | Canonical correlation based feature extraction with application to anomaly detection in electric appliances | |
Ye et al. | Distinguishing chaotic time series from noise: A random matrix approach | |
CN116298509A (zh) | 一种电力***谐波谐振的在线识别方法 | |
CN115293303A (zh) | 一种高压输电线网监测方法、***、设备和介质 | |
Hsieh et al. | Identification of partial discharge location using probabilistic neural networks and the fuzzy c-means clustering approach | |
Sima et al. | A framework for automatically cleansing overvoltage data measured from transmission and distribution systems | |
Seth et al. | A test of granger non-causality based on nonparametric conditional independence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |