[发明专利]一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法

权利要求书

1.一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法，其特征在于，包括以下步骤：（1）通过实验获得电缆接头4种典型缺陷下的PD数据，对数据进行预处理；（2）基于时间窗的动态调整在不同的时间尺度上对PD数据进行PD特征构建，拟构建出的微秒级PD脉冲特征、分钟级PD特征和小时级PD趋势特征；（3）基于步骤2构建的多时间尺度PD特征，进行进一步的特征变换以获得更多特征；（4）对所有特征进行随机森林特征选择，筛选出能够有效表征PD的新特征和模式识别最优输入特征；（5）以步骤4获得的模式识别最优特征作为模式识别最优输入特征集，进行基于深度学习的模式识别训练和测试；（6）基于深度学习得到的多样性识别结果开展集成学习，形成最终的基于集成学习的PD识别模型，输出电缆接头典型缺陷PD识别结果；

所述的步骤（2）中时间窗动态调整在不同的时间尺度上进行PD特征构建方法具体流程如下：通过PD统计结果反馈与温度和谐波物理参数变化周期相结合的方法，调整分钟级和小时级时间窗口，构建PD特征；把PD统计结果作为反馈条件，对每种典型缺陷的PD测试时间序列结果，通过统计计算若干次PD放电时间间隔的平均值，再乘以一个倍数，作为本阶段分钟级或小时级的PD统计时间窗口；同时该时间窗口还考虑与PD相关的温度和谐波物理参数的变化周期；时间窗口的调整过程中应考虑尽量不截断温度和谐波物理参数的变化周期。

2.根据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法，其特征在于，在微秒级时间尺度上对单一PD脉冲进行特征构建；所述的步骤（2）构建微秒级PD脉冲特征包括：已有研究中建立的PD脉冲特征的波形特征及函数分解特征、二元新特征和三元新特征，波形特征包括脉冲上升时间、脉冲下降时间和脉冲宽度，函数分解特征包括等效时宽T、等效频宽W、小波特征、经验模态分解（EMD）特征和变分模态分解（VMD）特征；二元新特征、三元新特征作为候选特征，二元新特征包括等效时间宽度/等效频率宽度(T/W)的比值特征、2个不同频段小波特征的比值特征、等效时间宽度/等效频率宽度(T/W)的比值特征的平方及2个不同频段小波特征的比值特征的平方；三元新特征包括小波特征、VMD特征、EMD特征的比值特征及比值特征的平方特征。

3.根据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法，其特征在于，分钟级时间尺度上有多个PD脉冲，所述的步骤（2）构建分钟级PD脉冲特征包括：在该时间尺度上拟从的统计特征、关联性特征、深度特征和小幅波动特征四个方面构建新的候选特征，（a）统计特征：构建二元特征的统计特征，构建前向与后向放电时间比值分布特征，（b）关联性特征：对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性，构建 PD与谐波和温度物理量之间的关联性特征；（c）深度特征：利用CNN和DBN深度学习方法将基础特征进行深度映射，形成深度特征；（d）小幅波动特征：在所测量的时间尺度内挖掘出变化幅度很小的特征，当波动变化率小于20%时，判断为小幅波动特征，即近似时不变特征。

4.据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法，其特征在于，在以小时为单位的长时间尺度上计算PD的特征，小时级时间尺度包含的PD脉冲数更多，进行趋势特征的构建，所述的步骤（2）构建小时级PD趋势特征包括：统计特征、关联性特征、深度特征和小幅波动特征四个方面；（a）统计特征：构建更长时间尺度内的前向与后向放电时间比值分布特征，（b）关联性特征：对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性，构建 PD与谐波和温度物理量之间的关联性特征；（c）深度特征：利用CNN、 DBN和SDAE深度学习方法将基础特征进行深度映射，形成深度特征；（d）小幅波动特征：在所测量的时间尺度内挖掘出变化幅度很小的特征，当波动变化率小于20%时，判断为小幅波动特征，即近似时不变特征。

5.据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法，其特征在于，步骤（4）对所有特征进行随机森林特征选择，筛选出能够有效表征PD新特征和模式识别最优输入特征，具体为：通过随机森林特征知识挖掘与优选对输入特征重要性进行排序，并对输入特征个数进行寻优，当识别精度≥90%时，获取表征局放的核心特征集合得到模式识别最优输入特征集。