[发明专利]基于改进小波阈值法的开关柜局部放电识别方法和系统

权利要求书

1.一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，包括以下步骤：

采集局部放电特高频信号，对该局部放电特高频信号进行离散采样后，采用改进小波阈值法进行局部放电信号的去噪，所述改进小波阈值法对小波阈值法的阈值函数进行改进，该改进后的阈值函数有高阶导数、为分段函数，且在阈值处连续；

对去噪后的局部放电信号，根据局部放电相位分布谱图提取局部放电特征；

通过预先构建并训练好的机器学习模型，根据提取的局部放电特征进行局部放电识别。

2.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，改进后的阈值函数的计算表达式为：

式中，为新的小波系数，C_j,k为原始的小波系数，j和k是0至N-1中的任意两个序号，N-1为对局部放电特高频信号进行离散采样后离散点的数量，λ为调节系数，λ_j为阈值。

3.根据权利要求2所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，采用新的小波系数进行小波重构，最终得到白噪声被滤除的离散局部放电信号；

所述小波重构的计算表达式为：

式中，C(j,k)为原始的小波系数，S(j,k)为递归后得到的尺度系数，为根据改进后的阈值函数重构的低通滤波器，为根据改进后的阈值函数重构的高通滤波器。

4.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，所述局部放电相位分布谱图包括最大放电量图谱、平均放电量图谱和放电次数图谱。

5.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，提取局部放电特征包括从局部放电相位分布谱图中提取偏斜度、突出度和不对称度。

6.根据权利要求5所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，所述偏斜度的计算表达式为：

式中，Sk为偏斜度，x_i为信号的第i个序列数，N为信号的总序列数，μ表示信号序列数平均值，s(x_i)为x_i对应的局部放电信号；

所述突出度的计算表达式为：

式中，Ku为突出度；

所述不对称度的计算表达式为：

式中，Q为不对称度，为负半周放电量，为正半周放电量，N^-为负半周的信号点个数，N⁺为正半周的信号点个数。

7.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，所述机器学习模型为BiLSTM网络模型，该BiLSTM网络模型包括前向LSTM网络和后向LSTM网络，所述前向LSTM网络用于学习顺序输入的序列数据，所述后向LSTM网络用于学习倒序输入的序列数据，所述机器学习模型的输出的计算表达式为：

h_ω(x_t)＝σ(h_Lt+h_Rt)

式中，h_ω(x_t)为机器学习模型的输出，σ为激活函数，h_Lt为正向LSTM最后一个细胞结构的输出，h_Rt为反向LSTM最后一个细胞结构的输出。

8.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法，其特征在于，所述机器学习模型的训练过程中，采用L1正则化的方式进行训练，所述机器学习模型训练过程中的损失函数为：

式中，L(x,y)为每次进行反向梯度传播时计算的损失函数，y_i表示第i个实际分类标签的数值结果，h_ω(x_t)为BiLSTM的模型输出值，n为识别结果的数量，ω_j为第j个权重向量，λ为权重系数。