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与流程

1.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：

2.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。


技术实现要素：

3.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。
4.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：
5.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；
6.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；
7.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；
8.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。
9.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。
10.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。
11.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。
12.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。
13.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：
14.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；
15.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；
16.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；
17.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。
18.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。
19.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。
20.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。
21.根据一种优选实施方式，所述训练模块采用调节误分类代价矩阵系数的方式优化模型。
22.本发明实施例的技术方案至少具有如下优点和有益效果：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。
附图说明
23.图1为本发明实施例1提供的辨识方法的流程示意图；
24.图2为本发明实施例1提供的各成分能量占比示意；
25.图3为本发明实施例1提供的各分类器成功率示意。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
27.实施例1
28.经申请人研究发现，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。
29.参考图1，本发明实施例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，具体如下：
30.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。
31.需要说明的是，产生局部放电时，每一种放电波形都会有一个陡峭的上升沿和震荡衰减的波尾。肉眼来看区分度不是很高。虽然主要能量集中的频率不同，但因为局部放电的放电随机性较强，仅靠频带来分类是不太可靠的。为观察出三中波形的特征，本实施例对三种模具分别进行了500组测试，将测量得到的结果叠放在一张图中进行观察，不同放电模式的主要频点分布见下表：
[0032][0033]
通过频谱分析的结果可以看出，不同波形之间是可以区分的，但如果仅仅根据频点的分布来区分并不可靠，需要根据波形进行数学变换，定义特征，通过机器学习提高辨识的可靠性。
[0034]
因此，进一步地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，本实施例采用椭圆滤波器对波形进行滤波处理。
[0035]
进一步地，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；
[0036]
本实施例对数据进行降维可视化处理的方式包括pca和t-sne算法，以下分别进行说明：
[0037]
通过上述频谱分析可以看出，不同模具的局部放电波形是可以进行分类的，但没有一个可视化的结果可以看出不同局部放电的波形是如何分布的，这些点之间的空间距离有多远。因此，采用pca姜维的方法，将不同时间点采集到的幅度作为不同的维度，采用多维的非线性映射，将波形映射到另一个线性空间，达到降维的效果，参考图2可以看出，前三个维度的数据包含了84.45％的信息。但通过散点图分析，选取三个主成分时，尖板放电和悬浮放电区分的比较明显，但沿面放电的部分区分的不太明显，很难用一个平面将三种不同的数据区分开。
[0038]
因此本实施例还通过t-sne算法进行降维处理，参考下表，示出t-sne算法中有可以进行调整的参数：
[0039]
[0040][0041]
但t-sne算法作为一种新兴的可视化方法，却并不是专业的降维方法，无法满足维度高于3的降维需求。因此在维度较高的时候，自由度为1的t分布很难达到较好的效果。因此需要选用合适的降维方法，在维度降低后彼此之间不会有混叠。
[0042]
进一步地，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。需要说明的是，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。以下分别对其试验结果进行说明：
[0043]
首先，关于朴素贝叶斯分类器模型，本实施例对其误分类代价矩阵进行了调整，提高了悬浮放电波形识别为沿面放电波形的代价，识别成功率得到显著提升，具体参见下表：
[0044]
[0045][0046]
该朴素贝叶斯分类器模型的成功率为94.7％，成功率较高。从混淆矩阵可以看出，悬浮放电的识别成功率为88％。识别的成功率较低。为了提高波形分类的成功率，本实施例先对误分类代价矩阵进行了调整，根据未调整误分类代价矩阵时的混淆矩阵图，提高悬浮放电波形识别为沿面放电波形的代价和沿面放电识别为尖板放电的代价，以此提高识别成功率。新的识别结果参见下表：
[0047][0048]
从新的识别结果可以看出，在提高了悬浮放电波形识别为沿面放电波形的代价和沿面放电识别为尖板放电的代价后，整体识别的成功率有所提高。悬浮放电的识别成功率有了显著提高，但尖板放电的识别成功率下降了，沿面放电的识别成功率无明显变化。
[0049]
以下对准确度最高的分类器svm进行说明：
[0050]
本实施例采用1200组数据训练svm分类器模型，检索svm分类器模型的最优参数。验证集得到的模型识别成功率为99.9％。用该模型对300组数据进行检测，得到的结果为尖板放电成功识别100个，悬浮放电成功识别100个，沿面放电成功识别100个。从验证的结果可以看出，成功率为100％，因此，本实施例选取该分类器在对局部放电进行分类时作为最
优分类器。
[0051]
本发明实施例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：
[0052]
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；
[0053]
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；
[0054]
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；
[0055]
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。
[0056]
进一步地，所述预处理模块采用椭圆滤波器对波形进行滤波处理。
[0057]
进一步地，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。
[0058]
进一步地，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。
[0059]
进一步地，所述训练模块采用调节误分类代价矩阵系数的方式优化模型。
[0060]
综上，本发明实施例采用机器学习的手段对局部放电进行了辨识。将局部放电的采样点作为不同维度的数据特征。先对三种模具的局部放电信号进行了滤波和降维可视化处理，发现pca降维可视化后的结果不太理想，难以找到一个平面将三种放电分隔开。t-sne降维可视化的效果较好，由此得知存在可以执行的变换将三种波形分隔开。进一步地用不同类型的分类器进行分类，采用五折交叉验证的方法，使用了朴素贝叶斯分类器、svm分类器、线性判别分类器、决策树分类器、knn分类器对数据进行分类。分类的准确度基本在90％以上，其中svm分类器为准确度最高的分类器。在未进行参数优化的情况下分类的准确度坐高成功率可达99.2％。在通过分类器实现初步的分类后，对分类器的参数进行优化。通过调节矩阵的系数来优化分类的结果，以此将模型训练好，输入信号后判断是否发生局部放电以及局部放电的类型。
[0061]
参考图3，反映了按照4:1的比例对数据进行分类，用1200组数据对模型进行训练和参数优化，用300组数据进行测试的结果，除线性判别的整体识别准确率较低外，其余四种识别的准确率均高于99.5％。证明通过机器学习的方法对局部放电数据进行分类可靠性较高，具有实际的应用前景。
[0062]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。