[发明专利]基于磁场传感器数据和机器学习方法的局部放电辨识方法

说明书

本发明涉及电力系统技术领域，具体而言，涉及基于磁场传感器数据和机器学习方法的局部放电辨识方法及系统。方法步骤如下：数据获取，获取磁场传感器的局部放电数据，将局部放电数据的采样点作为不同纬度的数据特征；获取到局部放电数据的波形后，对波形进行滤波处理并打上数据标签；对数据进行降维可视化处理，将各局部放电数据的波形分割开；对已分割的局部放电数据的波形进行分类器模型的训练与验证，评估分类结果并优化模型，通过训练完成的分类器模型进行局部放电的辨识。本发明通过机器学习的方法对局部放电的数据进行分类，可靠性较高，具有实际的应用前景。

技术领域

本发明涉及电力系统技术领域，具体而言，涉及基于磁场传感器数据和机器学习方法的局部放电辨识方法及系统。

背景技术

电力系统的安全可靠运行非常重要。电力设备是电力系统的重要组成部分。电力设备在制造和长期运行的过程中难免会存在因为各种因素给电力设备造成绝缘缺陷，造成电力设备内部发生局部放电。局部放电信号的检测是避免局部放电造成重大安全事故的有效手段。局部放电信号在传输的过程中会有信号衰减，如果能把装置埋设在设备内部，就可以更好地测量局部放电。如果能对局部放电进行模式识别，就能更好地定位故障和及时检修。因此，亟需一种基于磁场传感器数据的局部放电辨识方法。

发明内容

本发明的目的在于提供基于磁场传感器数据和机器学习方法的局部放电辨识方法及系统，旨在解决背景技术中所指出的问题。

本发明的实施例通过以下技术方案实现：基于磁场传感器数据和机器学习方法的局部放电辨识方法，包括如下步骤：

步骤一、数据获取，获取磁场传感器的局部放电数据，将局部放电数据的采样点作为不同纬度的数据特征；

步骤二、获取到局部放电数据的波形后，对波形进行滤波处理并打上数据标签；

步骤三、对数据进行降维可视化处理，将各局部放电数据的波形分割开；

步骤四、对已分割的局部放电数据的波形进行分类器模型的训练与验证，评估分类结果并优化模型，通过训练完成的分类器模型进行局部放电的辨识。

根据一种优选实施方式，所述步骤二中采用椭圆滤波器对波形进行滤波处理。

根据一种优选实施方式，所述步骤三中采用PCA或T-SNE算法对数据进行降维可视化处理。

根据一种优选实施方式，所述分类器模型采用决策树模型、线性判别模型、朴素贝叶斯分类器模型、SVM分类器模型或KNN分类器模型其中之一。

根据一种优选实施方式，所述步骤四中采用调节误分类代价矩阵系数的方式优化模型。

本发明还提供基于磁场传感器数据和机器学习方法的局部放电辨识系统，包括：

数据获取模块，用于获取磁场传感器的局部放电数据，将局部放电数据的采样点作为不同纬度的数据特征；

预处理模块，用于获取到局部放电数据的波形后，对波形进行滤波处理并打上数据标签；

降维模块，用于对数据进行降维可视化处理，将各局部放电数据的波形分割开；

训练模块，用于对已分割的局部放电数据的波形进行分类器模型的训练与验证，评估分类结果并优化模型，通过训练完成的分类器模型进行局部放电的辨识。

根据一种优选实施方式，所述预处理模块采用椭圆滤波器对波形进行滤波处理。

根据一种优选实施方式，所述降维模块采用PCA或T-SNE算法对数据进行降维可视化处理。

根据一种优选实施方式，所述分类器模型采用决策树模型、线性判别模型、朴素贝叶斯分类器模型、SVM分类器模型或KNN分类器模型其中之一。