[发明专利]一种基于时频域特征的局部放电分类识别方法

说明书

本发明公开了一种基于时频域特征的局部放电分类识别方法，属于电力设备局部放电检测技术领域，本发明提出了一种新的频域特征表示法用来对局部放电模式进行识别分类。提出了倍频力矩系数OFMC、倍频倒谱系数OFCC以及由小波分析获得的时频域系数TFDC。主要包括以下步骤：步骤一，获取配电网传感器局部放电原始数据；步骤二，从局部放电信号进行提取特征值并建立特征值向量；步骤三，计算时频域系数，用信号增强技术对小波系数进行去噪；步骤四，学习训练局部放电分类识别特征向量构造特征空间，利用时频域系数与概率神经网络PNN判断局部放电模式。本发明将时频域系数TFDC特征与PNN分类器同时使用，具有较高的稳健性和精度。

技术领域

本发明属于电气设备检测技术领域，尤其涉及一种基于时频域特征的局部放电分类识别方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

配电网的稳定运行和组成电力系统的电气设备的状态密切相关，在电力系统的实际运行中，电气设备存在的安全隐患一直是威胁电网稳定可靠运行的主要因素，电气设备绝缘优劣是电气设备状态是否良好的关键因素。局部放电是造成电气设备绝缘劣化的重要征兆以及表现形式，有时甚至能使绝缘击穿。在电力设备运行时，应加强对电力设备的状态监测，及时发现电力设备劣化甚至损坏，以便及时进行检修。定期对电力设备进行状态监测和健康评估，排查故障/设备缺陷与维护电网安全、降低停电概率有着重要而深远的意义。

在局部放电检测系统开发中，局部放电模式的识别是分析的关键。由于直接应用配电网的局部放电检测对于局部放电分类识别的性能不稳健并且误报率高，而频域/频谱特征相对具有更高的稳健性和准确性，因此基于配电网检测数据提出了一种新的频域特征表示法来对局部放电模式进行识别分类。将时频域系数TFDC特征与概率神经网络PNN分类器同时使用，不需要大量的数据训练就可以实现局部放电信号的分类识别，并且有着很好的效果。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于时频域特征的局部放电分类识别方法。结合配电网的传感器原始数据，利用时频域特征进行局部放电分类识别，利用时频域系数TFDC特征与概率神经网络PNN分类器，提高了局部放电检测方法的精确性和适用性。当所有类别都有少量的训练数据时，概率神经网络PNN分类器并不需要大量的训练数据也能分类效果良好，能够利用计算机快速实现局部放电信号的分类识别。

为了实现上述目的，本发明采用如下技术方案：

本发明提供了一种基于时频域特征的局部放电分类识别方法，能够利用计算机算法快速实现局部放电信号的模式识别。

基于配电网局部放电检测数据，利用一种新的频域特征表示法来对局部放电模式进行识别分类；

一种基于时频域特征的局部放电分类识别方法，该方法的实现包括以下步骤：

步骤一：获取配电网传感器局部放电原始数据；

步骤二：从局部放电信号进行提取特征值并建立特征值向量；

步骤三：计算时频域系数，用信号增强技术对小波系数进行去噪；

步骤四：学习训练局部放电分类识别特征向量构造特征空间，利用时频域系数与概率神经网络PNN判断局部放电模式；

进一步地，所述步骤二从局部放电信号提取倍频力矩系数和倍频倒谱系数两种局部放电频域特征并建立特征值向量；

所述倍频力矩系数OFMC的计算过程为：

第一步：计算第k个子带的总频谱矩 ：

式中，i表示第i个变换系数，k代表第k个子带， 表示第k个子带中的频率槽，是对应于其频率槽的频谱幅度，是最低频率槽， 是最高频率槽, ≤i≤ 。

第二步：计算第k个子带的频谱质心频率：

第三步：计算第k个子带的频谱质心幅度；