[发明专利]变压器特高频局部放电信号模式识别方法与装置

权利要求书

1.一种变压器特高频局部放电信号模式识别方法，其特征在于，包括：

生成与采集的待识别特高频局部放电信号对应的原始时频谱W；

基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；

将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。

2.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，

所述生成与采集的待识别特高频局部放电信号对应的原始时频谱W，包括：

采集的待识别特高频局部放电信号的频率为300～3000MHz；

对采集的待识别特高频局部放电信号利用汉明窗进行分帧加窗，得到分帧加窗处理后的信号；

对所述分帧加窗处理后的信号进行短时离散傅里叶变换，得到与采集的待识别特高频局部放电信号对应的原始时频谱W。

3.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，

所述基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱，包括：

将原始时频谱W按列取距离范数并进行归一化后，计算每一帧信号之间的相似性，得到相似矩阵S，其中，相似矩阵S中的每一矩阵元素(i,k)对应时频谱W中第i帧与第k帧特征向量之间的余弦相似度：

其中，m为时频谱W中的帧序号，1≤m≤n，n为时频谱W中的总帧数；

对相似矩阵S中各频段进行中值滤波，得到重复谱V；

采用最小均方差滤波对重复谱V进行维纳滤波，得到滤波后的时频谱R：

其中，R_xs为期望信号与实际信号的互相关函数；R_xx为自相关函数；h为最小均方差下的最佳滤波系数；

对滤波后的时频谱R进行时频掩蔽，得到与所述待识别特高频局部放电信号对应的前景时频谱。

4.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，

所述多种局部放电类型为实验室条件下模拟的变压器特高频局部放电类型，包括针-板放电、锥-板放电、柱-板放电以及悬浮电位；

还包括：

采集(X+Y)组在实验室条件下模拟的针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，并分别加入到测试集和训练集中，其中，训练集中包括X组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，测试集中包括Y组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号；

针对所述(X+Y)组4种类型的变压器特高频局部放电信号，分别提取出与各特高频局部放电信号对应的前景时频谱；

利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，以确定所述卷积神经网络的结构和参数；

利用所述Y组4种类型的特高频局部放电信号对应的前景时频谱，测试训练得到的卷积神经网络，在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率时，确定所述卷积神经网络为预先确定的卷积神经网络；

在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率不满足预先指定的学习率时，利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，直到所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率为止。