[发明专利]基于EEMD和边际谱熵的绝缘子污秽放电模式识别方法

摘要

本发明涉及一种基于EEMD和边际谱熵的绝缘子污秽放电模式识别方法。本发明首先进行人工污秽实验，采集大量绝缘子不同放电模式的声发射信号，然后对采用集合经验模态分解方法，对不同放电阶段的声发射信号进行分解，得到其本征模态分量，再对本征模态分量进行Hilbert变换得到声发射信号的时频谱。在此基础上，计算声发射信号的边际谱，以声发射信号的边际谱熵和重心频率作为声发射信号的特征值，利用神经网络最终实现对绝缘子不同放电阶段的模式识别。结合大量的绝缘子污秽放电试验，运用该方法识别的结果表明，该发明能有效区分污秽绝缘子污秽放电的三种不同放电阶段，为判断绝缘子的外绝缘状态及实现污闪预警提供了技术支持。

主权项

一种基于EEMD和边际谱熵的绝缘子污秽放电模式识别方法，其特征在于，包括以下步骤：步骤1：进行人工污秽实验，采集大量绝缘子不同放电模式的声发射信号，其中放电模式包括：电晕放电、局部放电和电弧放电，将采集的绝缘子在三种放电模式的声发射信号分别进行步骤2至步骤5的处理；步骤2：对采集到的声发射信号进行EEMD分解，得到绝缘子不同放电模式下的声发射信号的本征模态分量，具体包括如下子步骤：步骤2.1、信号中加入或减去白噪声k·σ_x·n(t)，即可得到：X₁(t)＝x(t)+k·σ_x·n(t)    式一X₂(t)＝x(t)‑k·σ_x·n(t)    式二式中，n(t)为归一化白噪声，σ_x为信号标准差，k为白噪声标准差与信号标准差的比值，一般取0.2；步骤2.2、对X₁(t)、X₂(t)进行EMD分解，即可得到$X_1\left(t\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_{1,j}+r_1$    式三$X_2\left(t\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_{2,j}+r_2$    式四式中c1,j和c2,j为IMF分量，r₁和r₂为残余量，m为IMF的阶数；步骤2.3、对步骤2.1和步骤2.2重复N次，则可得一系列含白噪声的信号，即X_1,i(t)＝x(t)+k·σ_x·n_i(t)    式五X_2,i(t)＝x(t)‑k·σ_x·n_i(t)    式六式中i＝1,2…,N，N为重复次数；对上述信号进行EMD分解，即可得到IMF如下$X_{1,i}\left(t\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_{1,i,j}+r_{1,i}$    式七$X_{2,i}\left(t\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_{2,i,j}+r_{2,i}$    式八式中m为IMF的阶数；步骤2.4、对上述得到的所有IMF和残余分量求平均值，得到最终IMF分量cj和残余分量r_m：$c_j=\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(c_{1,i,j}+c_{2,i,j})$    式九$r_m=\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(r_{1,i}+r_{2,i})$    式十即可得到最终的分解结果为$X\left(t\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_j+r_m$    式十一由于白噪声的零均值特性，当加入白噪声的次数N足够多时(取N＝100)，将分解的结果取平均后，白噪声将会相互抵消，则平均结果就可以被作为真实信号；加白噪声的次数越多，平均后的结果所含的剩余噪声就越小，结果就越接近原信号的真实值；步骤3：对步骤2得到的本征模态分量进行Hilbert变换，得到绝缘子污秽放电声发射信号的时频特征，通过Hilbert变换将信号变为解析信号可以得到信号的瞬时频率值和频谱分布；对任意的时间序列X(t)，Hilbert变换Y(t)定义为$Y\left(t\right)=\frac{1}{\mathrm{\π}}P{\∫}_{-\∞}^{\∞}\frac{X\left(t\right)}{t-\mathrm{\τ}}\mathrm{d\τ}$    式十二式中P表示柯西主值变换；根据这一定义，当X(t)与Y(t)形成一个复共轭时，可得到一个解析信号Z(t)，即$Z\left(t\right)=X\left(t\right)+\mathrm{iY}\left(t\right)=a\left(t\right)e^{\mathrm{i\θ}\left(t\right)}$    式十三式中$a\left(t\right)=\sqrt{X{\left(t\right)}^2+Y{\left(t\right)}^2};$θ(t)＝arctan(Y(t)/X(t))；则瞬时频率ω为ω＝dθ/dt    式十四当信号X(t)只有满足局部对称于零均值时，其瞬时频率才有意义，因此本征模态函数(IMF)其瞬时频率可在任意一个地方有意义；对求出的每一阶IMF做Hilbert变换，可以求出相应的解析函数的幅值谱和瞬时频率；则原始信号可以表示为$x\left(t\right)=\mathrm{Re}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{a}_j\left(t\right)e^{j{\∫\mathrm{\ω}}_j\left(t\right)\mathrm{dt}}$    式十五式中没有考虑残余分量r_m，一般r_m是一个单调函数或组合，是一个常量，而且幅值相对较小；信号的幅值能表示为时间和瞬时频率的函数H(ω,t)，从而获得信号幅值的时间和频率分布，定义为Hilbert‑Huang时频谱：$H(\mathrm{\ω},t)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{a}_j\left(t\right)e^{j{\∫\mathrm{\ω}}_j\left(t\right)\mathrm{dt}}$    式十六步骤4：由时频特征计算绝缘子污秽放电声发射信号的边际谱，并把边际谱熵和重心频率作为信号频率的特征值；步骤5：将特征值作为BP神经网络的输入神经元，结合实验数据进行模式识别；选取BP神经网络作为模式识别分类器，网络设置为三层，输入神经元为2个即声发射信号的二维特征量边际谱熵和重心频率即(H_r(X)，CG(X))，隐含层神经元的个数为7个，输出神经元的个数为3个即三种放电阶段；通过绝缘子污秽放电试验采集声发射信号选取每种放电类型声发射信号M组作为训练样本；训练次数为P，训练目标为P，学习速率为W；步骤6：最终得到绝缘子在三种放电模式的声发射信号的识别模型，即通过步骤5得到三个放电模式下的神经网络分类模型，最终得到一个三种放电模式的声发射信号的识别模型，通过该识别模型，输入某种放电模式下声发射信号的频谱分析二维特征(H_r(X)，CG(X))即能够自动得到绝缘子污秽归属于三种放电模式中的其中一个。