CN108414905A - 基于流形距离近邻传播聚类的变压器局部放电识别方法 - Google Patents
基于流形距离近邻传播聚类的变压器局部放电识别方法 Download PDFInfo
- Publication number
- CN108414905A CN108414905A CN201810306485.5A CN201810306485A CN108414905A CN 108414905 A CN108414905 A CN 108414905A CN 201810306485 A CN201810306485 A CN 201810306485A CN 108414905 A CN108414905 A CN 108414905A
- Authority
- CN
- China
- Prior art keywords
- dimension
- neighbour
- point
- discharge
- information
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于流形距离近邻传播聚类的变压器局部放电识别方法,包括:搭建油中电晕放电、油中沿面放电和气隙放电三种变压器内部局部放电模型;以盒维数和信息维数作为灰度图的特征量的提取;流形距离的定义及其计算公式;基于流形距离的近邻传播聚类的方法步骤;k‑近邻k初值的设定原则。本发明改善了传统近邻传播聚类对结构复杂数据难以准确识别的缺点,同时将其应有于对变压器内部油中电晕放电、油中沿面放电和气隙放电三种放电的模式识别,实验结果表明,基于流形距离的近邻传播聚类的结果优于传统近邻传播聚类,K‑means聚类和模糊C均值聚类,提高了识别的准确率。
Description
技术领域
本发明涉及电工技术领域,特别是涉及基于流形距离近邻传播聚类的变压器局部放电模式识别方法,其中,近邻传播聚类算法(Affinity Propagation,简称AP),基于流形距离近邻传播聚类算法(Affinity Propagation Algorithm Based on ManifoldDistance,简称AP-MD)。
背景技术
电力变压器是电网中最重要的设备之一。如果发生故障,电力变压器会造成电网部分甚至大面积停电,造成巨大的经济损失。大量的故障统计表明,变压器的大部分事故都是由绝缘老化和损坏引起的,而局部放电是绝缘老化损坏的重要原因之一。有效识别局部放电类型,对发现变压器绝缘缺陷和判断绝缘损伤程度和具有重要作用。
目前国内外对电力变压器局部放电缺陷的诊断和识别做了大量的研究工作,基于局部放电统计谱指纹识别技术受到了广泛的关注,针对不同的测量方法和局部放电统计特征提出了局部放电相位分布模式、局部放电时间分布模式和脉冲序列相位分布模式等用于局部放电模式识别。同时随着计算机和数理方法的发展,各种模式识别方法相继涌现,如基于聚类分析模式识别法,基于人工神经网络模式识别法,基于距离的模式识别法等。
2007年学者Frey和Dueck首次在科学杂志上提出近邻传播聚类算法,之后广泛应用于图像识别、图像检索、数据挖掘等领域。但是利用传统的近邻传播聚类算法对变压器局部放电模式识别时,近邻传播聚类算法的相似矩阵是基于数据点间的欧氏距离构造,这就造成聚类结果的局部一致性,不能反映聚类的全局一致性以及数据潜在的复杂结构。
发明内容
为了解决现有技术的不足,本发明提供了基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,改进传统的近邻传播聚类算法,提出以流行距离为相似指标的近邻传播聚类算法,使其提高对变压器局部放电模式识别的准确性。
本发明的第一方面:
基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,包括:
搭建变压器油纸绝缘缺陷局部放电模型,所述油纸绝缘缺陷,包括气隙放电、油中沿面放电和油中电晕放电;
测量每种缺陷模型的局部放电信息,所述局部放电信息,包括:放电工频相位放电信号幅值q和放电次数n,然后,构造三维统计图谱
基于三维统计图谱构造局部放电灰度图像,提取图像的分形特征:盒维数和信息维数,将盒维数和信息维数分别进行标准化处理,得到盒维数-信息维数特征矩阵T2×N,N为重复实验得到统计图谱数量;
将三种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中,以盒维数-信息维数特征矩阵作为数据点坐标,输出设定数目的聚类中心,然后进一步判断数据点与聚类中心的归属关系,实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分,进而得到变压器局部放电模式。
所述基于三维统计图谱构造局部放电灰度图像的步骤为:
将三维空间曲面投影到二维平面上,构造局部放电灰度图像,灰度图像的分辨率为128×256,最大放电次数对应的灰度值为0,最小放电次数对应的灰度值为255,各像素点的灰度值计算公式如(1):
Gi,j=(1-ni,j/nmax)×255; (1)
式中,Gi,j是灰度图坐标为像素点(i,j)的灰度值,ni,j为像素点(i,j)处的放电次数,nmax是三维空间曲面中最大的放电次数。
基于流形距离近邻传播聚类算法的步骤:
步骤(1):输入盒维数-信息维数特征矩阵T2×N,设定初始k-近邻算法的k值,k=5;设定偏向参数p,以盒维数和信息维数为坐标值的数据点集合X的偏向参数p初值设为-0.1;设定吸引度矩阵RN×N,其所有元素r(i,j)=0,r(i,j)表示xj适合作为xi的类代表点的代表程度,设定归属度矩阵AN×N,其所有元素a(i,j)=0,a(i,j)表示数据点xi选择数据点xj作为其类代表的适合程度;设定聚类数C=3。
步骤(2):计算数据点集合X中所有数据点间的欧氏距离,得到N×N维欧氏距离矩阵DE;
其中,d(xi,xj)表示数据点xi与xj之间直线的欧氏距离;
步骤(3):根据欧氏距离矩阵DE搜索数据点集合X的k-近邻,构造k-近邻加权图G(V,E)。数据点的k-近邻是指距离数据点最近的k个点;构造加权图G的方法,以数据点集合X作为加权图的顶点集合V,加权图边集合E表示的是在每一对数据点间定义的流形上的两点间的长度L(xi,xj);
其中,β是阻止L(xi,xj)快速增长的调节因子;β的值取所有数据点平均欧氏距离的倒数。
步骤(4):计算数据点xi与xj的流形距离。
将数据点看作是加权图G(V,E)的顶点,令P={p1,p2,...,p|P|}∈V表示加权图上连接点xi与xj之间的一条路径,p1,p2,...,p|P|表示连接点xi与xj的路径P所经过的点,p|P|表示路径P经过的第|P|个点;|P|表示路径P经过点的数目,V表示加权图G中顶点的集合,其中边(pk,pk+1)∈E,1≤k≤|P|-1。令Pi,j表示连接数据xi与xj的所有路径的集合,则xi与xj之间的流形距离度量D(xi,xj)定义为:
步骤(5):根据数据点的流形距离构造相似度矩阵SN×N,相似度矩阵中元素按公式(5)计算,对角线元素s(i,i)为偏向参数p;
步骤(6):以相似度矩阵SN×N为输入,利用近邻传播聚类算法对数据进行聚类。近邻传播聚类算法首先根据公式(6)和公式(7)迭代更新吸引度矩阵RN×N与归属度矩阵AN×N中所有元素;当满足迭代次数大于10000或者RN×N与AN×N中所有元素保持不变,迭代结束;
然后,将吸引度矩阵RN×N与归属度矩阵AN×N相加,
如果加和后的矩阵中主对角线第K个元素大于零,则数据点集合X中第K个点为聚类中心;
如果加和后的矩阵中主对角线不存在大于零的元素,则没有聚类中心,聚类中心的数目即为聚类数。
当存在聚类中心时,以公式(8)为目标函数,判断数据点集合X中所有点xi所归属于的聚类中心;
公式(8)中xC(i)为数据点xi对应的聚类中心,s(xi,xC(i))是数据点xi与聚类中心xC(i)间的相似度;
步骤(7):判断得到的聚类数是否等于设定值,如不满足改变偏向参数p,
当聚类数小于设定值时,增大偏向参数p;
当聚类数大于设定值时,减小偏向参数p;
然后重复迭代步骤(1)-(6)过程,直到聚类数满足要求。
本发明的第二方面:
基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,包括:
测量变压器待识别局部放电信号的局部放电信息,所述局部放电信息,包括:放电工频相位放电信号幅值q和放电次数n,然后,构造三维统计图谱
基于三维统计图谱构造局部放电灰度图像,提取图像的分形特征:盒维数和信息维数,将盒维数和信息维数分别进行标准化处理,得到盒维数-信息维数特征矩阵T2×N,N为重复实验得到统计图谱数量;
将每种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中,以盒维数-信息维数特征矩阵作为数据点坐标,输出设定数目的聚类中心,然后进一步判断数据点与聚类中心的归属关系,实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分,进而得到变压器局部放电模式。
与现有技术相比,本发明的有益效果是:
本发明提出于流形距离的近邻传播聚类方法相较于传统近邻传播聚类、模糊C均值聚类和K-means聚类提高了对变压器局部放电模式识别的准确性。同时方法简单有效,便于应用于实际工程中的变压器内部绝缘缺陷检测,缩短变压器内部绝缘缺陷的时间,降低局部放电对变压器内部损坏。
流形距离基于k-近邻加权图G(V,E)进行定义,相较于欧氏距离,流形距离缩短了处于同一流形上的数据点间的距离,拉长了非同一流行上数据点的距离。以流形距离作为聚类分析时的相似度量可以体现数据的复杂结构和内在联系。
计算参数初值的设定,k-近邻的k值设定为每类数据总量的10%-15%,并且不小于4;设定偏向参数p,所有点的偏向参数为同一值p=-0.1。r(i,j)=0,a(i,j)=0,这样保证每个数据点作为聚类中心的几率相同。基于流形距离的近邻传播聚类算法步骤中可以通过改变偏向参数p的初始值调整最终的聚类数,使最终的聚类结果满足实际要求。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1(a)-图1(c)为变压器油纸缺陷放电模型。
图2为两组呈线性分布的数据图。
图3(a)为利用基于流形距离的近邻传播聚类处理数据得到聚类结果图。
图3(b)为利用传统近邻传播聚类处理数据得到结果图。
图3(c)为利用K-means聚类处理数据得到结果图。
图3(d)为利用模糊C均值聚类处理数据得到的结果图。
图4(a)为k=4时基于流形距离的近邻传播算法对图2数据的聚类结果。
图4(b)为k=10时基于流形距离的近邻传播算法对图2数据的聚类结果。。
图4(c)为k=28时基于流形距离的近邻传播算法对图2数据的聚类结果。
图4(d)为k=30时基于流形距离的近邻传播算法对图2数据的聚类结果。
图5提取三种放电模式下灰度图的特征量,形成盒维数-信息维数图
图6(a)为利用基于流形距离的近邻传播聚类对盒维数-信息维数处理结果图。
图6(b)为利用传统近邻传播聚类对盒维数-信息维数处理结果图。
图6(c)为利用K-means聚类对盒维数-信息维数处理结果图。
图6(d)为利用模糊C均值聚类对盒维数-信息维数处理结果图。
图7为本发明的流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图7所示,基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,包括:
流行距离的定义及计算公式,基于流形距离的近邻传播算法的步骤,以及参量初值的设定原则。
流形距离的定义。在定义流形距离前,首先定义流形中两个数据点间的长度。定义为:搜索每个数据点的k-近邻(距离数据点最近的k个点),然后构造k-近邻加权图G(V,E)。其中V是顶点的集合,集合E表示的是在每一对数据点间定义的流形上的两点间的长度。L(xi,xj)表示数据xi和xj间的距离,计算公式是式(8)
式中d(xi,xj)是连接xi和xj两点间直线的欧氏距离,β是阻止L(xi,xj)快速增长的调节因子。β的值与数据的密度有关,取所有数据点的平均欧氏距离倒数。
将数据点看作是加权图G(V,E)的顶点,令P={p1,p2,…,pP}∈V表示图上一条连接点xi与xj的路径,其中边(pk,pk+1)∈E,1≤k≤l-1。令Pi,j表示连接数据xi与xj的所有路径的集合。则xi与xj之间的流形距离度量定义为:
传统近邻传播聚类算法的定义。近邻传播聚类算法是一种基于近邻信息传递的聚类算法,算法以两两数据点间的相似度为输入,起始阶段将所有的数据点视为具有同等地位的潜在聚类中心点,基于数据点的相似度,找到最优的类代表点集合,使得所有数据点到最近的类代表点的相似度之和最大。
令数据点集X={x1,x2,…xN}特征空间中存在聚类C={C1,C2,…,CK},K≦N。每个数据点对应且仅对应一个聚类,任意数据点xi对应的聚类代表点为xC(i),i=1,2,…,K。聚类的误差函数可表示为:
近邻传播聚类算法的目标函数即为使误差函数最小:
C*=argmin[J(C)](11)
相似度矩阵SN×N按公式(5)建立,非对角线元素s(i,j)为点xi与点xj之间的相似度,对角线元素s(i,i)为偏向参数P(i),P(i)的初始值一般取相同值。
近邻传播聚类算法的核心是数据点间相互的信息传递,近邻传播聚类算法的两种信息为吸引度(Responsibility)和归属度(Availability)。对于每个数据xi为xj搜集信息,用r(i,j)表示“吸引度”信息,表示xj适合作为xi的类代表点的代表程度。为数据点xj从候选类代表点搜集信息,用a(i,j)表示“归属度”信息,表示数据点xi选择数据点xj作为其类代表的适合程度。
近邻传播聚类算法的迭代过程就是这两种个信息量交替更新的过程,算法初始阶段,r(i,j)和a(i,j)都设为0,两个信息的更新过程如下:
最后,经过大量交替更新吸引度与归属度趋于稳定,吸引度矩阵和归属度矩阵相加形成决策矩阵,决策矩阵中主对角线大于零的元素所对应的数据点集中的点即为聚类中心,根据目标函数(11)确定数据点集合X中点与聚类中心的归属关系。
基于流形距离的近邻传播聚类方法的算法步骤,如下:
(1)设定初始k-近邻的k值,k=5;设定偏向参数p,所有点的偏向参数为同一值p=-0.1。设定吸引度矩阵RN×N和AN×N所有元素为零;输入盒维数-信息维数矩阵T2×N;聚类数C。
(2)利用公式(8)计算连接两个数据点之间直线的欧氏距离,数据保存为欧氏距离矩阵DE。
(3)根据欧氏距离矩阵搜索所有数据点的k-近邻,构造加权图G(V,E),加权图E根据公式(8)计算。
(4)利用公式(9)及加权图G计算数据点xi与xj的流形距离。
(5)根据流形距离构造相似度矩阵SN×N,其中s(i,j)=-|D(xi,xj)|2,相似矩阵SN×N对角线s(i,i)取相同值为偏向参数p
(6)使用近邻传播聚类算法对数据进行聚类。根据方程(13)和方程(14)进行迭代计算,当吸引度和归属度趋于稳定时停止迭代。RN×N和AN×N加和,主对角线元素大于零其坐标所对应的点即为聚类中心。以公式(11)为目标函数,判断数据点与聚类中心的归属关系。
(7)判断得到的聚类中心数是否等于C,如不满足调整p值,重复迭代(1)-(6)过程,直到聚类数满足要求。
同时进一步分析k-近邻的k值对AD-MD聚类结果的影响,当k的初值设定过大或过小都会导致聚类准确性下降,最优的k的取值范围为每类类数据总数的10%-15%。k初值的改变也会影响到算法的迭代次数。
进一步的利用基于流形距离的近邻传播聚类对图2数据集进行聚类分析得到图3(a)。
进一步的利用传统近邻传播聚类对图2数据进行聚类分析得到图3(b)。
进一步的利用K-means聚类对图2数据进行聚类分析得到图3(c)。
进一步的利用模糊C均值聚类对图2数据进行聚类分析得到图3(d)。
进一步分析图3(a)、图3(b)、图3(c)和图3(d),图3(a)利用的基于流形距离的近邻传播聚类对图2中的数据实现了准确的聚类识别,识别率为100%。而利用传统近邻传播聚类、K-means聚类和模糊C均值聚类对图2数据进行聚类分析的结果为图3(b)、图3(c)和图3(d),三种聚类结果非常相似仅在图中黑框部分有略微的差异,并且最终的聚类结果是完全错误的,究其原因是传统近邻传播聚类、K-means聚类和模糊C均值聚类利用欧氏距离计算相似度矩阵SN×N。因此传统近邻传播聚类、K-means聚类和模糊C均值聚类在应用过程中具有局限性,针对一些复杂的、具有特殊结构数据是无法准确聚类。
进一步的改变k-近邻的k的初值,将k初值由1逐渐增加到50,利用基于流形距离近邻传播算法对图2中的数据进行聚类分析,部分的聚类结果如图4(a)、4(b)、4(c)和4(d)。当1≤k≤4或者27≤k≤29,基于流形距离近邻传播聚类算法的聚类的准确性在50%-100%之间。当5≤k≤26时,基于流形距离近邻传播聚类算法对图2中数据的准确率为100%。当k≥30时,基于流形距离的近邻传播算法的聚类结果与图3(b)中传统近邻传播聚类算法的聚类结果非常相似,显然聚类同时是错误的。
进一步的分析k-近邻的k的初值对算法的迭代次数的影响如下表1。当5≤k≤26时,随着k值的增大迭代次数逐渐减小,并且在5≤k≤15,迭代次数减小迅速。与此同时是的聚类数满足要求时的偏向参数逐渐增大。综合考虑k初值设定为每类数据总量的10%-15%,同时最好不要小于4。
表1 k初值对迭代次数和偏向参数p的影响
进一步的根据变压器实际运行中的绝缘缺陷,提出三种典型的油纸绝缘缺陷,包括气隙放电、油中沿面放电和油中电晕放电。
进一步的依照图1(a)-图1(c)变压器油纸缺陷放电模型,搭建实验模型。模型中所有圆板电极直径均为80mm,厚度为10mm;图1(a)为气隙放电模型,气隙由三层直径为60mm、厚度为0.5mm的纸板构成,中间纸板中心为30mm的圆孔,球电极直径为5.6mm并与直径为2mm的铜棒连接。气隙放电模型模拟的是变压器内部绝缘纸损坏造成的局部放电现象。图1(b)为油中沿面放电模型,圆板电极上放置单层直径为100mm、厚度为0.5mm的纸板,柱电极直径为10mm。图1(c)为油中电晕放电模型,同样圆板电极上放置单层直径为100mm、厚度为0.5mm的纸板,针电极直径为1mm,针尖曲率半径为200μm。油中电晕放电模型模拟的是变压器内部金属毛刺造成的局部放电现象。
进一步的利用实验模型进行局部放电实验,采集三种局部放电的放电工频相位放电信号幅值q和放电次数n,构造三维统计图谱
进一步的根据三维空间曲面的最大值和最小值分别对应灰度图的最大灰度级和最小灰度级的原则,构造的灰度图像。
进一步的提取灰度图的盒维数作为其识别特征量,盒维数的计算公式为:
式中F是d维欧式空间Rd的一个非空有界子集,Nr(F)是直径最大为r,可以覆盖集合F的集的最少个数。
进一步的提取灰度图的信息维数作为另一识别特征量,信息维数的计算公式为:
式中F是d维欧式空间Rd的一个非空有界子集,是在F上长时间序列的诸点,N很大;用大小为rd的d维空间去覆盖整个空间,M(r)是含有序列中点的立方体数目,Ni为第i个立方体中含有点的数目,pi=Ni/N。
进一步的每种缺陷模型得到28组特征量数据,由于盒维数和信息维数数值为不同的数量级,利用公式(3)进行标准化处理,最终形成盒维数-信息维数图4。
图5提取三种放电模式下灰度图的特征量,形成盒维数-信息维数图;
进一步的利用基于流形距离的近邻传播聚类对盒维数-信息维数进行聚类分析得到图6(a)。
进一步的利用传统近邻传播聚类对盒维数-信息维数进行聚类分析得到图6(b)。
进一步的利用K-means聚类对盒维数-信息维数进行聚类分析得到图6(c)。
进一步的利用模糊C均值聚类对盒维数-信息维数进行聚类分析得到图6(d)。
图2是两组呈线性分布的数据集,a,b两点的欧氏距离大于a,c两点的欧氏距离,如果以欧氏距离作为相似度量,这就造成了b点与a点的相似度要小于c点与a点的相似度,进而导致a点与b点划归同一聚类族的概率要小于a点与c点划归为同一聚类族的高绿。但是从实际图像可以看出,a点与b点事同一聚类族。这就是欧氏距离作为相似度量的缺点,因此传统的近邻传播聚类能反应聚类结构的局部一致性,不能反应聚类的全局一致性。
进一步分析图6(a)、图6(b)、图6(c)和图6(d)。利用基于流形距离的近邻传播聚类对盒维数-信息维数进行聚类,从图6(a)可以得出油中电晕放电数据的识别准确率为100%,油中沿面放电数据的识别准确率为50%,气隙放电数据的识别准确率为65.9%。对比分析图6(b)、图6(c)和图6(d),传统近邻传播聚类、K-means聚类和模糊C均值聚类对盒维数-信息维数聚类结果相同,油中电晕放电数据的识别准确率为96.4%,油中沿面放电数据的识别准确率为32.1%,气隙放电数据的识别准确率为60.8%。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,其特征是,包括:
在实验室内搭建变压器油纸绝缘缺陷局部放电模型,所述油纸绝缘缺陷,包括气隙放电、油中沿面放电和油中电晕放电;
测量三种缺陷模型的局部放电信息,所述局部放电信息,包括:放电工频相位放电信号幅值q和放电次数n,然后,构造三维统计图谱
基于三维统计图谱构造局部放电灰度图像,提取图像的分形特征:盒维数和信息维数,将盒维数和信息维数分别进行标准化处理,得到盒维数-信息维数特征矩阵T2×N,N为重复实验得到统计图谱数量;
将各种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中,以盒维数-信息维数特征矩阵作为数据点坐标,输出设定数目的聚类中心,然后进一步判断数据点与聚类中心的归属关系,实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分。
2.如权利要求1所述的方法,其特征是,所述基于三维统计图谱构造局部放电灰度图像的步骤为:
将三维空间曲面投影到二维平面上,构造局部放电灰度图像,灰度图像的分辨率为128×256,最大放电次数对应的灰度值为0,最小放电次数对应的灰度值为255,各像素点的灰度值计算公式:
Gi,j=(1-ni,j/nmax)×255;(1)
式中,Gi,j是灰度图坐标为像素点(i,j)的灰度值,ni,j为像素点(i,j)处的放电次数,nmax是三维空间曲面中最大的放电次数。
3.如权利要求1所述的方法,其特征是,基于流形距离近邻传播聚类算法的步骤:
步骤(1):输入盒维数-信息维数特征矩阵T2×N,设定初始k-近邻算法的k值,k=5;设定偏向参数p,以盒维数和信息维数为坐标值的数据点集合X的偏向参数p初值设为-0.1;设定吸引度矩阵RN×N,其所有元素r(i,j)=0,r(i,j)表示xj适合作为xi的类代表点的代表程度,设定归属度矩阵AN×N,其所有元素a(i,j)=0,a(i,j)表示数据点xi选择数据点xj作为其类代表的适合程度;设定聚类数C=3;
步骤(2):计算数据点集合X中所有数据点间的欧氏距离,得到N×N维欧氏距离矩阵DE;
步骤(3):根据欧氏距离矩阵DE搜索数据点集合X的k-近邻,构造k-近邻加权图G(V,E);数据点的k-近邻是指距离数据点最近的k个点;构造加权图G的方法,以数据点集合X作为加权图的顶点集合V,加权图边集合E表示的是在每一对数据点间定义的流形上的两点间的长度L(xi,xj);
步骤(4):计算数据点xi与xj的流形距离;
步骤(5):根据数据点的流形距离构造相似度矩阵SN×N;
步骤(6):以相似度矩阵SN×N为输入,利用近邻传播聚类算法对数据进行聚类;
步骤(7):判断得到的聚类数是否等于设定值,如不满足改变偏向参数p,当聚类数小于设定值时,增大偏向参数p;当聚类数大于设定值时,减小偏向参数p;然后重复迭代步骤(1)-(6)过程,直到聚类数满足要求。
4.如权利要求3所述的方法,其特征是,所述步骤(3)中:
每一对数据点间定义的流形上的两点间的长度L(xi,xj):
其中,β是阻止L(xi,xj)快速增长的调节因子;β的值取所有数据点平均欧氏距离的倒数。
5.如权利要求3所述的方法,其特征是,所述步骤(4)的步骤为:
将数据点看作是加权图G(V,E)的顶点,令P={p1,p2,...,p|P|}∈V表示加权图上连接点xi与xj之间的一条路径,p1,p2,...,p|P|表示连接点xi与xj的路径P所经过的点,p|P|表示路径P经过的第|P|个点;|P|表示路径P经过点的数目,V表示加权图G中顶点的集合,其中边(pk,pk+1)∈E,1≤k≤|P|-1;令Pi,j表示连接数据xi与xj的所有路径的集合,则xi与xj之间的流形距离度量D(xi,xj)定义为:
6.如权利要求3所述的方法,其特征是,所述步骤(5)的步骤为:
相似度矩阵SN×N中元素按公式(5)计算,对角线元素s(i,i)为偏向参数p;
7.如权利要求3所述的方法,其特征是,所述步骤(6)的步骤为:
近邻传播聚类算法首先根据公式(6)和公式(7)迭代更新吸引度矩阵RN×N与归属度矩阵AN×N中所有元素;当满足迭代次数大于10000或者RN×N与AN×N中所有元素保持不变,迭代结束;
然后,将吸引度矩阵RN×N与归属度矩阵AN×N相加,
如果加和后的矩阵中主对角线第K个元素大于零,则数据点集合X中第K个点为聚类中心;
如果加和后的矩阵中主对角线不存在大于零的元素,则没有聚类中心,聚类中心的数目即为聚类数;
当存在聚类中心时,以公式(8)为目标函数,判断数据点集合X中所有点xi所归属于的聚类中心;
公式(8)中xC(i)为数据点xi对应的聚类中心,s(xi,xC(i))是数据点xi与聚类中心xC(i)间的相似度。
8.基于流形距离近邻传播聚类算法的变压器局部放电模式识别方法,其特征是,包括:
测量变压器待识别局部放电信号的局部放电信息,所述局部放电信息,包括:放电工频相位放电信号幅值q和放电次数n,然后,构造三维统计图谱
基于三维统计图谱构造局部放电灰度图像,提取图像的分形特征:盒维数和信息维数,将盒维数和信息维数分别进行标准化处理,得到盒维数-信息维数特征矩阵T2×N,N为重复实验得到统计图谱数量;
将每种局部放电模式下图像的盒维数-信息维数特征矩阵输入到基于流形距离近邻传播聚类算法中,以盒维数-信息维数特征矩阵作为数据点坐标,输出设定数目的聚类中心,然后进一步判断数据点与聚类中心的归属关系,实现对以盒维数-信息维数特征矩阵为坐标的数据点的聚类划分,进而得到变压器局部放电模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306485.5A CN108414905A (zh) | 2018-04-08 | 2018-04-08 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306485.5A CN108414905A (zh) | 2018-04-08 | 2018-04-08 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108414905A true CN108414905A (zh) | 2018-08-17 |
Family
ID=63134926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810306485.5A Pending CN108414905A (zh) | 2018-04-08 | 2018-04-08 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108414905A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187167A (zh) * | 2019-04-30 | 2019-08-30 | 广东石油化工学院 | 一种基于流形分类的负载开关事件的检测方法和装置 |
CN110362558A (zh) * | 2019-06-12 | 2019-10-22 | 广东工业大学 | 一种基于邻域传播聚类的能耗数据清洗方法 |
CN112083298A (zh) * | 2020-09-08 | 2020-12-15 | 四川大学 | 基于双风险竞争模型的油浸绝缘纸板局部放电失效概率表征方法 |
CN116883540A (zh) * | 2023-09-06 | 2023-10-13 | 青岛艾诺仪器有限公司 | 一种prpd图像局部放电数据处理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01114312A (ja) * | 1987-10-26 | 1989-05-08 | Toshiba Corp | C−gisのsf↓6ガス絶縁耐力監視装置 |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
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 |
CN103592587A (zh) * | 2013-12-02 | 2014-02-19 | 国家电网公司 | 基于数据挖掘的局部放电诊断方法 |
CN103839073A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 |
CN104251865A (zh) * | 2013-06-26 | 2014-12-31 | 中南大学 | 基于近邻传播聚类的医用药剂中可见异物检测方法 |
CN107017969A (zh) * | 2017-04-19 | 2017-08-04 | 电子科技大学 | 一种基于ap聚类算法的空间调制***盲检测方法 |
-
2018
- 2018-04-08 CN CN201810306485.5A patent/CN108414905A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01114312A (ja) * | 1987-10-26 | 1989-05-08 | Toshiba Corp | C−gisのsf↓6ガス絶縁耐力監視装置 |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
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 |
CN104251865A (zh) * | 2013-06-26 | 2014-12-31 | 中南大学 | 基于近邻传播聚类的医用药剂中可见异物检测方法 |
CN103592587A (zh) * | 2013-12-02 | 2014-02-19 | 国家电网公司 | 基于数据挖掘的局部放电诊断方法 |
CN103839073A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 |
CN107017969A (zh) * | 2017-04-19 | 2017-08-04 | 电子科技大学 | 一种基于ap聚类算法的空间调制***盲检测方法 |
Non-Patent Citations (1)
Title |
---|
汪可等: "基于时频相似度的油纸绝缘多局部放电源脉冲群分离与识别策略", 《电工技术学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187167A (zh) * | 2019-04-30 | 2019-08-30 | 广东石油化工学院 | 一种基于流形分类的负载开关事件的检测方法和装置 |
CN110187167B (zh) * | 2019-04-30 | 2021-06-11 | 广东石油化工学院 | 一种基于流形分类的负载开关事件的检测方法和装置 |
CN110362558A (zh) * | 2019-06-12 | 2019-10-22 | 广东工业大学 | 一种基于邻域传播聚类的能耗数据清洗方法 |
CN110362558B (zh) * | 2019-06-12 | 2022-12-16 | 广东工业大学 | 一种基于邻域传播聚类的能耗数据清洗方法 |
CN112083298A (zh) * | 2020-09-08 | 2020-12-15 | 四川大学 | 基于双风险竞争模型的油浸绝缘纸板局部放电失效概率表征方法 |
CN112083298B (zh) * | 2020-09-08 | 2021-07-06 | 四川大学 | 基于双风险竞争的绝缘纸板局部放电失效概率表征方法 |
CN116883540A (zh) * | 2023-09-06 | 2023-10-13 | 青岛艾诺仪器有限公司 | 一种prpd图像局部放电数据处理方法及*** |
CN116883540B (zh) * | 2023-09-06 | 2023-11-14 | 青岛艾诺仪器有限公司 | 一种prpd图像局部放电数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108414905A (zh) | 基于流形距离近邻传播聚类的变压器局部放电识别方法 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及*** | |
US20150185270A1 (en) | Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm | |
CN106651031B (zh) | 基于历史信息的雷击闪络预警方法及*** | |
CN106203867A (zh) | 基于配电网评价指标体系和聚类分析的电网区域划分方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN107609774B (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
AU2021435561A1 (en) | Big data-based commercial space quality evaluation method and system, device, and medium | |
CN111709397A (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN106412841A (zh) | 一种基于dbscan算法的室内定位方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN106686720A (zh) | 一种基于时间维度的无线指纹定位方法及其*** | |
CN113344406A (zh) | 一种配网台区智能融合终端电能质量监测可靠性评估方法 | |
CN112801268A (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN106993296A (zh) | 终端的性能评估方法及装置 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN112738715A (zh) | 一种基于GloVe模型的移动信令轨迹相关性表示方法 | |
CN110852547A (zh) | 一种基于位置数据和聚类算法的公共服务设施分级方法 | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
Zhao | [Retracted] Optimization of Human Motion Recognition Information Processing System Based on GA‐BP Neural Network Algorithm | |
Guan et al. | Research on RFID virtual tag location algorithm based on Monte Carlo | |
Li et al. | Identifying urban form typologies in seoul with mixture model based clustering | |
CN110427569B (zh) | 一种基于粗糙集理论的改进密度峰值重叠社区发现方法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20200626 |