CN111610417A - 一种基于社区发现的放电信号源分离方法 - Google Patents

Abstract

本发明公开了一种基于社区发现的放电信号源分离方法，包括以下步骤：构建传感器的拓扑图步骤、获取社区网络的节点步骤、构建社区网络步骤和分离放电信号源步骤。本发明的基于社区发现的放电信号源分离方法，除了分析监测数据的特征信息外，还引入了传感器的位置特征信息，特征来源不再单一，可有效提高分离的准确性；应用相似度算法并引入社区发现的概念应用于信号源的聚类分析中，可准确识别信号源的数量和分布位置，提高诊断分析效率，为缺陷的定位提供了准确的数据基础；该方法可应用于基于特高频传感器的GIS局放信号定位中，无需传感器同步采集信号，应用范围广。

Description

一种基于社区发现的放电信号源分离方法

技术领域

本发明涉及一种基于社区发现的放电信号源分离方法。

背景技术

随着我国经济的快速发展，社会用电需求不断增加，电力***设备规模不断扩大，与之相矛盾的城市建设用地日益紧张。GIS(Gas Insulation Switchgear，气体绝缘全封闭组合电器)由于占地面积少、受外界环境影响小、运行安全可靠和维护简单等优点，近几十年来在国内外得到越来越广泛的应用。但在GIS的制造和装配过程中，由于工艺、设计等问题会使GIS内部留下一些小的缺陷，如金属微粒、绝缘气隙等，这些微小的缺陷在GIS运行过程中可能会发展为危险的放电通道，并最终引起绝缘击穿事故。同时由于GIS为金属封闭设备，其健康状况难以评估，一旦发生故障，需采用解体方式确定缺陷情况，检修难度大、耗时长。因此，为预防GIS设备的绝缘故障，保障电力***的安全运行，对运行中的GIS进行局部放电监测、定位局部放电缺陷具有十分重要的意义。

在GIS局部放电诊断定位过程中，由于GIS的运行环境存在多种干扰，且GIS内部的局放源可能是多个，多种类型的局放源和干扰信号同时存在对局放源的定位带来很大困难，因此判断数据的同源性、分离多个局放源是影响定位准确性的关键步骤。目前的GIS局部放电源定位方法大多针对在线监测装置，要求各传感器同步采集数据，而定位方法中应用到的放电源分离方法也仅适用于数据同步的情况；且目前的放电源分离方法仅通过对采集数据的特征进行分析达到分离放电源的目的，特征数据来源单一，分离的准确性差。专利CN201811498702.1公开了一种局部放电信号源的检测方法、***及数据融合分析单元，其中提到的信号源分组方法要求传感器同步采集信号，在无法同步采集信号的领域应用受限；方法中的信号分组完全依赖数据特征，可能导致不同信号源由于信号特征相似而分成一类的情况，降低信号源分组的准确性；方法中采用的聚类算法对所有采集信号进行聚类分组，没有区分异常信号和正常信号，聚类效果较差。专利CN201510056192.2公开了一种基于特高频放电在线监测数据的GIS局部放电定位方法，通过对传感器采集数据的日均放电重复率、日均放电量进行相关性分析实现放电源的分离，特征数据仅采用数据的时间序列，特征来源单一，分离的准确性差。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种基于社区发现的放电信号源分离方法，除了分析监测数据的特征信息外，还引入了传感器的位置特征信息，特征来源不再单一，可有效提高分离的准确性；应用相似度算法并引入社区发现的概念应用于信号源的聚类分析中，可准确识别信号源的数量和分布位置，提高诊断分析效率，为缺陷的定位提供了准确的数据基础；该方法可应用于基于特高频传感器的GIS局放信号定位中，无需传感器同步采集信号，应用范围广。

实现上述目的的技术方案是：一种基于社区发现的放电信号源分离方法，包括以下步骤：

S1，构建传感器的拓扑图步骤：在GIS本体和其周围墙壁上分别若干个传感器，对所有传感器进行编码，根据GIS空间结构、电气连接图和传感器安装位置，将编好码的传感器与GIS空间位置进行关联，建立传感器空间拓扑图，其中传感器是拓扑图的节点，有直接电气连通的两个传感器之间用直线连接构成拓扑图的边线，边线长度代表相应的两个传感器之间的电气连通的距离；

S2，获取社区网络的节点步骤：结合步骤S1中建立的传感器空间拓扑图，找到异常传感器在信号传播路径上的关联传感器，具体步骤如下：

S21，选择2个异常的传感器；

S22，利用Dijkstra算法计算2个异常传感器之间的最短路径；

S23，计算最短路径上的传感器数量k，当k≤2时，判断2个异常传感器之间最短路径上的传感器为关联传感器；当k>2时，判断2个异常传感器之间无关联传感器；

S24，重复步骤S21～S23，获得所有异常传感器之间的关联传感器，异常传感器和关联传感器即为社区网络的节点；

S3，构建社区网络步骤：利用特征相似度和社区发现相结合的方法对局放信号进行聚类分析，判断数据的同源性并分离多个局放源，构建社区网络，具体包括以下步骤：

S31，社区网络的节点的同源性分析：根据电磁波衰减特性，同一放电源发出的电磁波信号强度会沿着传播路径发生不同程度的衰减，但其变化趋势相同，通过对比不同传感器监测数据的特征序列相关性来进行同源性分析；

S32，构建单个社区网络：将判断为同一放电源的两节点之间添加一条边线，形成1个社区网络；

S33，重复步骤S32，得到其它节点之间的单个社区网络，并不断地合并重叠所有的单个社区网络得到最终的社区网络；

S4，分离放电信号源步骤：根据最终的社区网络确定信号社区结构，完成放电源的分离，社区网络中有边相连的节点形成1个信号社区，无边相连的节点单独形成1个信号社区，每个信号社区对应一个异常信号源。

2.根据权利要求1所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤31中，所述特征序列包括日均放电幅值序列和日均放电次数序列。

3.根据权利要求2所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤S31具体包括以步骤：

S311，获取社区网络节点历史m天的局部放电监测数据；

S312，计算历史m天的日均放电幅值序列和日均放电次数序列；

S313，对日均放电幅值序列和日均放电次数序列进行归一化处理，归一化公式为：

式中，x_*为特征序列中各向量归一化后的值，x为特征序列中各向量的值，x_min为特征序列中向量的最小值，x_max为特征序列中向量的最大值；

将特征序列中各向量进行归一化处理后，得到归一化的日均放电幅值序列和日均放电次数序列；

S314，计算每两个社区网络节点之间的日均放电幅值相似度r_c和日均放电次数相似度r_d，计算公式如下：

式中，r为A、B传感器特征序列的相似度，A(t)为A传感器的特征序列，

为A(t)的均值序列，B(t)为B传感器的特征序列，

为B(t)的均值序列；

S315，判断信号的同源性，当相似度满足下式时判断两个传感器监测到的异常数据具有相关性，来自同一放电源：

r_c∩r_d>δ

式中，δ为相似度阈值，0.6≤δ≤0.9。

4.根据权利要求1所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤S1中，所述传感器空间拓扑图不仅包括传感器与GIS的空间位置信息，还包括局部放电信号传播路径上各传感器的电气连接信息。

根据电磁波衰减特性，同一放电源发出的电磁波信号强度虽会沿着传播路径发生不同程度的衰减，但同一个放电源发出的电磁波信号具有相似的特征。利用同一放电源发出的电磁波特征相似的特性，本发明设计了一种基于社区发现的放电信号源分离方法，应用于基于特高频传感器的GIS局放信号定位中，对异常放电源进行分离。

本发明的基于社区发现的放电信号源分离方法，除了分析监测数据的特征信息外，还引入了传感器的位置特征信息，特征来源不再单一，可有效提高分离的准确性；应用相似度算法并引入社区发现的概念应用于信号源的聚类分析中，可准确识别信号源的数量和分布位置，提高诊断分析效率，为缺陷的定位提供了准确的数据基础；该方法可应用于基于特高频传感器的GIS局放信号定位中，无需传感器同步采集信号，应用范围广。

附图说明

图1为本发明的基于社区发现的放电信号源分离方法的流程图；

图2为传感器在GIS上的空间位置信息图；

图3为传感器空间拓扑图；

图4为每两个节点形成的单个社区网络示意图；

图5为异常传感器社区网络示意图。

具体实施方式

为了使本技术领域的技术人员能更好地理解本发明的技术方案，下面结合附图对其具体实施方式进行详细地说明：

针对一个给定的社区网络，找出其社区结构的过程被称为社区发现，通过社区发现可以划分网络中的社区结构，判断社区间的“亲疏关系”，因此社区发现也可以看作是一种“聚类算法”。本发明的基于社区发现的放电信号源分离方法，引入社区发现的概念对信号源进行分离，通过结合传感器的空间位置特征和采集的异常数据特征，建立异常传感器的社区网络，对社区网络节点的同源性进行分析，确定信号社区的结构，得到异常放电源的数量和与局放源相关联的传感器组，为局放源的精确定位提供基础依据。

请参阅图1、图2、图3、图4和图5，本发明的实施例，一种基于社区发现的放电信号源分离方法，包括以下步骤：

S1，构建传感器的拓扑图步骤：在GIS本体上安装8个局放特高频传感器，编号为1-8，在GIS周围墙壁安装了2个空间特高频传感器，编号为9-10(见图2)，根据GIS空间结构、电气连接图和传感器安装位置，将编好码的传感器与GIS空间位置进行关联，建立传感器空间拓扑图(见图3)，其中传感器是拓扑图的节点，有直接电气连通的两个传感器之间用直线连接构成拓扑图的边线，边线长度代表相应的两个传感器之间的电气连通的距离；传感器空间拓扑图不仅包括传感器与GIS的空间位置信息，还包括局部放电信号传播路径上各传感器的电气连接信息；

S2，获取社区网络的节点步骤：设定本例中数据异常的传感器(简称异常传感器)编号为1、3、4、8，结合步骤S1中建立的传感器空间拓扑图，找到异常传感器在信号传播路径上的关联传感器，具体步骤如下：

S21，选择2个异常的传感器；

S22，利用Dijkstra算法计算2个异常传感器之间的最短路径，如表1所示：

传感器	1	3	4	8
					1	-	1-3	1-4	1-10-8
3	-	-	3-4	3-10-8
					4	-	-	-	4-5-7-8

表1

S23，计算最短路径上的传感器数量k，当k≤2时，判断2个异常传感器之间最短路径上的传感器为关联传感器；当k>2时，判断2个异常传感器之间无关联传感器；通过表1得到关联传感器为3和10；

S24，重复步骤S21～S23，获得所有异常传感器之间的关联传感器，异常传感器和关联传感器即为社区网络的节点；异常传感器1、3、4、8和关联传感器10为社区网络的节点。

S3，构建社区网络步骤：GIS的运行环境存在多种干扰，且GIS内部的局放源可能是1个或多个，多种类型的局放源和干扰信号同时存在对局放源的定位带来很大困难。利用特征相似度和社区发现相结合的方法对局放信号进行聚类分析，判断数据的同源性并分离多个局放源，构建社区网络，特征序列包括日均放电幅值序列和日均放电次数序列，具体包括以下步骤：

S31，社区网络的节点的同源性分析：根据电磁波衰减特性，同一放电源发出的电磁波信号强度会沿着传播路径发生不同程度的衰减，但其变化趋势相同，通过对比不同传感器监测数据的特征序列相关性来进行同源性分析；具体包括以步骤：

S311，获取社区网络节点历史m天的局部放电监测数据，本例中取m＝30；

S312，计算历史m天的日均放电幅值序列和日均放电次数序列；

S313，对日均放电幅值序列和日均放电次数序列进行归一化处理，归一化公式为：

式(1)中，x_*为特征序列中各向量归一化后的值，x为特征序列中各向量的值，x_min为特征序列中向量的最小值，x_max为特征序列中向量的最大值；

将特征序列中各向量进行归一化处理后，得到归一化的日均放电幅值序列和日均放电次数序列；

S314，计算每两个社区网络节点之间的日均放电幅值相似度r_c和日均放电次数相似度r_d，计算公式如下：

式中，r为A、B传感器特征序列的相似度，A(t)为A传感器的特征序列，

为A(t)的均值序列，B(t)为B传感器的特征序列，

为B(t)的均值序列；

通过公式(1)和公式(2)计算得到异常传感器拓扑图中每条边两端的传感器之间r_c和r_d，各传感器之间r_c如表2所示：

传感器	1	3	4	8	10
						1	-	0.8438	0.8785	0.3215	0.3441
3	-	-	0.9034	0.3167	0.3479
						4	-	-	-	0.3074	0.3085
8	-	-	-	-	0.6932

表2

各传感器之间的r_d如表3所示：

传感器	1	3	4	8	10
						1	-	0.8945	0.9013	0.3135	0.5879
3	-	-	0.9241	0.2986	0.2812
						4	-	-	-	0.2945	0.2887
8	-	-	-	-	0.7259

表3

S315，判断信号的同源性，当相似度满足下式时判断两个传感器监测到的异常数据具有相关性，来自同一放电源：

r_c∩r_d>δ (3)

式中，δ为相似度阈值，0.6≤δ≤0.9，本例中取δ＝0.65。

利用公式(3)对比表2和3的相似度后得到传感器1、3、4具有同源性，传感器8和10具有同源性。

S32，构建单个社区网络：将判断为同一放电源的两节点之间添加一条边线，形成1个社区网络；

S33，重复步骤S32，得到其它节点之间的单个社区网络(见图4)，并不断地合并重叠所有的单个社区网络得到最终的社区网络(见图5)；

S4，分离放电信号源步骤：根据最终的社区网络确定信号社区结构，完成放电源的分离，社区网络中有边相连的节点形成1个信号社区，无边相连的节点单独形成1个信号社区，每个信号社区对应一个异常信号源。

由此可以得到本例中共分离出2个信号社区，分别为由传感器1、3、4组成的信号社区,由传感器8和10组成的信号社区。2个信号社区代表有2个异常放电源，放电源的位置在信号社区对应的传感器附近区域。

综上所述，本发明的基于社区发现的放电信号源分离方法，除了分析监测数据的特征信息外，还引入了传感器的位置特征信息，特征来源不再单一，可有效提高分离的准确性；应用相似度算法并引入社区发现的概念应用于信号源的聚类分析中，可准确识别信号源的数量和分布位置，提高诊断分析效率，为缺陷的定位提供了准确的数据基础；该方法可应用于基于特高频传感器的GIS局放信号定位中，无需传感器同步采集信号，应用范围广。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (4)

1.一种基于社区发现的放电信号源分离方法，其特征在于，包括以下步骤：

S1，构建传感器的拓扑图步骤：在GIS本体和其周围墙壁上分别安装若干个传感器，对所有传感器进行编码，根据GIS空间结构、电气连接图和传感器安装位置，将编好码的传感器与GIS空间位置进行关联，建立传感器空间拓扑图，其中传感器是拓扑图的节点，有直接电气连通的两个传感器之间用直线连接构成拓扑图的边线，边线长度代表相应的两个传感器之间的电气连通的距离；

S2，获取社区网络的节点步骤：结合步骤S1中建立的传感器空间拓扑图，找到异常传感器在信号传播路径上的关联传感器，具体步骤如下：

S21，选择2个异常的传感器；

S22，利用Dijkstra算法计算2个异常传感器之间的最短路径；

S23，计算最短路径上的传感器数量k，当k≤2时，判断2个异常传感器之间最短路径上的传感器为关联传感器；当k>2时，判断2个异常传感器之间无关联传感器；

S24，重复步骤S21～S23，获得所有异常传感器之间的关联传感器，异常传感器和关联传感器即为社区网络的节点；

S3，构建社区网络步骤：利用特征相似度和社区发现相结合的方法对局放信号进行聚类分析，判断数据的同源性并分离多个局放源，构建社区网络，具体包括以下步骤：

S31，社区网络的节点的同源性分析：根据电磁波衰减特性，同一放电源发出的电磁波信号强度会沿着传播路径发生不同程度的衰减，但其变化趋势相同，通过对比不同传感器监测数据的特征序列相关性来进行同源性分析；

S32，构建单个社区网络：将判断为同一放电源的两节点之间添加一条边线，形成1个社区网络；

S33，重复步骤S32，得到其它节点之间的单个社区网络，并不断地合并重叠所有的单个社区网络得到最终的社区网络；

S4，分离放电信号源步骤：根据最终的社区网络确定信号社区结构，完成放电源的分离，社区网络中有边相连的节点形成1个信号社区，无边相连的节点单独形成1个信号社区，每个信号社区对应一个异常信号源。

2.根据权利要求1所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤31中，所述特征序列包括日均放电幅值序列和日均放电次数序列。

3.根据权利要求2所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤S31具体包括以步骤：

S311，获取社区网络节点历史m天的局部放电监测数据；

S312，计算历史m天的日均放电幅值序列和日均放电次数序列；

S313，对日均放电幅值序列和日均放电次数序列进行归一化处理，归一化公式为：

式中，x_*为特征序列中各向量归一化后的值，x为特征序列中各向量的值，x_min为特征序列中向量的最小值，x_max为特征序列中向量的最大值；

将特征序列中各向量进行归一化处理后，得到归一化的日均放电幅值序列和日均放电次数序列；

S314，计算每两个社区网络节点之间的日均放电幅值相似度r_c和日均放电次数相似度r_d，计算公式如下：

式中，r为A、B传感器特征序列的相似度，A(t)为A传感器的特征序列，

为A(t)的均值序列，B(t)为B传感器的特征序列，

为B(t)的均值序列；

S315，判断信号的同源性，当相似度满足下式时判断两个传感器监测到的异常数据具有相关性，来自同一放电源：

r_c∩r_d>δ

式中，δ为相似度阈值，0.6≤δ≤0.9。

4.根据权利要求1所述的一种基于社区发现的放电信号源分离方法，其特征在于，步骤S1中，所述传感器空间拓扑图不仅包括传感器与GIS的空间位置信息，还包括局部放电信号传播路径上各传感器的电气连接信息。

Images