一种基于PRPD多特征信息融合的GIS局部放电模式识别方法与流程

一种基于prpd多特征信息融合的gis局部放电模式识别方法
技术领域
1.本发明涉及高压电力装备故障智能化诊断技术领域，具体的说是一种基于prpd多特征信息融合的gis局部放电模式识别方法。


背景技术：

2.气体绝缘组合电器(gas insulated switchgear，gis)依靠其绝缘性好、可靠性高和占用空间小等优点，被广泛应用于电力系统中。然而，在电力系统工作于高温高压的复杂环境下，或者是gis的制造、运输和装配过程中，不可避免会产生一些安全隐患，如灰尘、导电微粒、金属尖端、气隙等。当gis内部存在绝缘缺陷时，会发生局部放电(partial discharge，pd)并伴随产生特高频 (ultra-high-frequency，uhf)信号。pd是导致变电站内gis出现绝缘劣化的原因，也是加剧绝缘劣化的原因，如果不及时处理，最终会导致gis出现绝缘击穿。由于不同的绝缘故障缺陷需要采取相应的处理方法，故准确有效地判断设备绝缘故障类型，进而采取措施，能避免设备的绝缘恶化甚至击穿，是保障变电站和电力系统稳定运行的重要技术手段。
3.局部放电信号具有明显的时频域特征，其局部放电脉冲相位分布谱图 (phase resolved patterns of partial discharge，prpd)，能由直观地表示局部放电脉冲所对应的工频相位φ、放电量q和放电次数n之间的关系，prpd谱图的数据统计特征和图像特征蕴含了绝缘缺陷类型的内在信息，使得局部放prpd谱图识别成为缺陷类型诊断的重要手段。
4.当前的局部放电检测设备，大都采用基于prpd谱图的局部放电模式识别方法，其主要面临着两方面的问题：1)prpd谱图样本数据量有限，且样本均来源于重复性好、无噪声干扰的实验室测量，以此为样本数据集训练得到的局部放电模式识别模型泛化能力差，工程应用中局部放电模式识别准确率低；2)单一的prpd谱图数据统计特征或图像特征都较为相似，存在局部放电模式识别的准确率低的缺点。
5.因此，发明一种既能具备自主扩充prpd谱图样本数据，又能充分利用prpd谱图数据统计特征和图像特征优势的gis局部放电模式识别方法，使得gis 局部放电检测设备能准确识别局部放电类型，显得尤为重要。


技术实现要素：

6.本发明旨在提供一种基于prpd多特征信息融合的gis局部放电模式识别方法，使得gis局部放电检测设备能准确识别局部放电类型。
7.为了解决以上技术问题，本发明采用的具体方案为：一种基于prpd多特征信息融合的gis局部放电模式识别方法，针对prpd谱图的统计学特征进行基于类-hausdorff距离的模式识别，针对prpd谱图的图像特征进行基于卷积神经网络的模式识别；然后采用d-s证据理论融合基于prpd谱图的统计学特征和图像特征的局部放电的模式识别结果，以提高局部放电模式识别准确率。
8.优选的，进行prpd谱图数据扩充，然后针对数据扩充后的prpd谱图进行基于统计
学特征和图像特征的模式识别；prpd谱图数据扩充包括重采样、调幅移相以及噪声模拟；重采样是将prpd谱图按照局部放电不同阶段进行数据重新划分，组成新的谱图数据；调幅移相是通过对各prpd谱图中的放电量q乘以幅值系数a实现prpd谱图的调幅扩充，通过对prpd谱图中的相位进行少量的随机相位移动实现prpd谱图的移相扩充；噪声模拟是在prpd谱图数据中等概率随机加入模拟噪声。
9.优选的，针对prpd谱图的统计学特征进行模式识别包括以下内容：
10.1)、prpd谱图的统计学特征提取：采用4种有关标准正态分布统计算子对prpf谱图特征分布进行定量分析，分别为偏斜度sk、陡峭度ku、相位不对称度φ和相位相关系数cc；其中，以工频正半周、负半周、整个工频周期内的偏斜度sk作为prpd谱图特征参数l1,l2,l3，用于描述相应相位窗内pd分布相对于正态分布的左右偏斜程度；以工频正半周、负半周、整个工频周期内的突出度ku作为特征参数l4,l5,l6，用于描述相应相位窗内prpd谱图相对于正态分布的突起程度；将不对称度φ定义为特征参数l7，用于描述prpd谱图信息正负半周分布的不对称性；对于不同类型的放电类型，将相关度cc定义为特征参数l8；故prpd 谱图的统计学特征向量表示为[l1,l2,l3,l4,l5,l6,l7,l8]；
[0011]
2)、类-hausdorff距离算法
[0012]
类-hausdorff距离算法将特征向量a到特征向量b的距离重新定义为：特征向量a中每一点到特征向量b中最近一点的距离的均方根，表示为：
[0013][0014]
式中，n为特征向量的维数，选取欧式距离d(a,b)作为||a-b||的距离范式，定义为：
[0015][0016]
式中，a∈a，b∈b，因此，类-hausdorff距离可表示为：
[0017]hl
(a，b)＝h
l
(a，b)+h
l
(b，a)
[0018]
3)、局部放电类型识别的实现
[0019]
包括以下步骤：
[0020]
步骤1：计算prpd谱图训练样本集中，prpd谱图统计学特征向量相互间的类-hausdorff距离，标记为：h
ij
，i，j∈m，m为训练样本集合；
[0021]
步骤2：寻找局部放电模式的标准prpd谱图；将同类局部放电模式下的 prpd谱图训练样本集合标记为q，计算q内h
ij
最小值的最大值，标记为：
[0022]hqi
＝max min h
ij
，i，j∈q
[0023]
取h
qi
最小时的i值对应的prpd谱图即为该类局部放电模式的标准prpd 谱图；
[0024]
步骤3：计算临界分类hausdorff距离d；将同类局部放电模式下的prpd 谱图训练样本集合与标准prpd谱图的最远hausdorff距离定义为临界分类 hausdorff距离，标记为：
[0025]
d＝max h
ij
，j∈q
[0026]
步骤:4：获取局部放电模式分类概率；计算待识别prpd谱图统计学特征向量与标准prpd谱图统计学特征统计学特征向量间hausdorff距离h
mi
，将临界分类hausdorff距离d与h
mi
的差值为输入，运用sigmoid激活函数，计算分类激活值，最后使用softmax函数处理相关的分类激活值，输出四个类别的分类结果概率。
[0027]
优选的，针对prpd谱图的图像特征进行模式识别包括以下内容：
[0028]
1)、prpd谱图灰度化；
[0029]
将prpd谱图转换为灰度图像获取rgb图，采用下式进行prpd谱图的灰度化：
[0030]
h(i,j)＝0.30r(i，j)+0.59g(i，j)+0.11b(i，j)
[0031]
式中，h(i,j)表示像素点(i,j)处的灰度值，r(i,j)、g(i,j)和b(i,j)分别为原始prpd 谱图像素点(i,j)处的红色、绿色和蓝色分量；
[0032]
2)、基于卷积神经网络的局放模式识别的实现
[0033]
采用卷积神经网络实现基于prpd谱图图像特征的模式识别，卷积神经网络局部放电模式识别网络结构一共有7层，分别为：
[0034]
输入层：输入大小为100
×
100的prpd谱图的灰度图像；
[0035]
卷积层1：先使用32个3
×
3卷积核，其步长为1，得到100
×
100
×
32的卷积结果，然后使用relu激活函数得到激活结果；
[0036]
池化层1：对卷积层1的激活结果使用2
×
2，步长为2的二均值池化操作，得到50
×
50
×
32的池化结果；
[0037]
卷积层2：使用64个3
×
3卷积核，其步长为1，得到50
×
50
×
64的卷积结果，然后使用relu激活函数得到激活结果；
[0038]
池化层2：对卷积层2的激活结果使用2
×
2，步长为2的二均值池化操作，得到25
×
25
×
64的池化结果，对池化结果运用概率为0.25的dropout操作；
[0039]
全连接层：使用数量为256个神经元的全连接层，针对前述计算获得的图谱特征开展全连接操作，同时用relu激活函数进行激活操作，所获得的激活结果运用概率为0.5的dropout操作，得到dropout结果；
[0040]
输出层：使用softmax函数处理相关的分类数据，输出四个类别的分类结果概率。
[0041]
优选的，采用d-s证据理论的结果融合包括以下内容：
[0042]
识别4类绝缘缺陷类型的识别框架表示为包含4个元素的集合θ＝{a1，a2，a3，a4}，基于prpd谱图统计学特征和基于prpd谱图图像特征的局部放电模式识别结果作为两个独立的证据，各个证据的信任程度函数表示为：
[0043][0044]
式中，αi为第i个证据的可靠性系数，使用单独证据的局部放电模式识别准确率作为其可靠性系数；
[0045]
利用dempster合成规则计算出两个证据共同作用下的最终决策结果，计算式为：
[0046][0047][0048]
式中，d、c分别为识别框架θ的两个子集，k为冲突系数。
[0049]
本发明采用d-s证据理论，融合基于prpd谱图统计学特征和基于prpd 谱图图像特征的局部放电模式识别结果，以提高局部放电模式识别准确率。相对单一的基于prpd谱图
图像特征的局部放电识别和基于prpd谱图统计学特征的局部放电识别，本发明的基于特高频信号多特征信息融合的gis局部放电模式识别方法对4种局部放电(尖端放电、自由微粒放电、沿面放电、悬浮电极放电) 的识别率都有明显的提高。
附图说明
[0050]
图1为本发明的流程图；
[0051]
图2为本发明的卷积神经网络局部放电模式识别网络结构示意图；
[0052]
图3为具体实施方式中采集得到的4类局部放电prpd的图谱；
[0053]
图4为具体实施方式中添加噪声的数据扩充前后prpd谱图结果；
[0054]
图5为具体实施方式中prpd谱图灰度化前后对比结果；
具体实施方式
[0055]
本实施例基于4种常见的gis局部放电模式：尖端放电、自由微粒放电、沿面放电、悬浮电极放电提出一种基于prpd多特征信息融合的gis局部放电模式识别方法。该方法的整体流程如图1所示，首先针对prpd谱图样本数据量有限，且样本均来源于重复性好、无噪声干扰的实验室测量的问题，提出了prpd 谱图数据扩充方法；然后分别对prpd谱图的统计学特征和图像特征建立了基于类-hausdorff距离的识别模型和卷积神经网络识别模型；最后采用d-s证据理论，融合基于prpd谱图统计学特征和图像特征的局部放电模式识别结果，以提高局部放电模式识别准确率。构建的特征信息融合的gis局部放电模式识别方法，可根据实际局部放电prpd谱图，准确地识别局部放电类型，具体的：
[0056]
一、prpd谱图数据扩充
[0057]
为了实现prpd谱图的样本扩充与数据增强，需要对采集得到的prpd 谱图数据进行重采样、调幅移相、噪声模拟处理。
[0058]
1)、重采样。将prpd谱图按照局部放电不同阶段进行数据重新划分，组成新的谱图数据，有利于对不同局部放电阶段的绝缘缺陷进行识别。
[0059]
2)、调幅移相。对于不同放电强度的同类缺陷，其prpd谱图的放电幅值不同，而放电相位分布基本不变。故可通过对各prpd谱图中的放电量q乘以幅值系数a实现prpd谱图的调幅扩充。对于不同测量精度的局放测量设备，其同步电压相位校准会出现少量偏差，导致测量得到的prpd谱图发生相位偏移。故可通过对prpd谱图中的相位进行少量的随机相位移动实现prpd谱图的移相扩充。
[0060]
3)、噪声模拟。实际工程应用中，gis周围的电磁环境复杂、电磁噪声大。为增加样本的复杂程度，提高模式识别模型的泛化能力与识别准确率，故在prpd 谱图中人工添加模拟噪声，通过在prpd谱图数据中等概率随机加入模拟噪声实现。
[0061]
二、prpd谱图的统计学特征进行模式识别
[0062]
1)、prpd谱图的统计学特征提取：本发明采用4种有关标准正态分布统计算子对prpf谱图特征分布进行定量分析，分别为偏斜度sk、陡峭度ku、相位不对称度φ和相位相关系数cc；其中，以工频正半周、负半周、整个工频周期内的偏斜度sk作为prpd谱图特征参数l1,l2,l3，用于描述相应相位窗内pd分布相对于正态分布的左右偏斜程度；以工频正半周、负半周、整个工频周期内的突出度ku作为特征参数l4,l5,l6，用于描述相应相位窗内prpd谱
图相对于正态分布的突起程度；将不对称度φ定义为特征参数l7，用于描述prpd谱图信息正负半周分布的不对称性；对于不同类型的放电类型，prpd谱图正负半周分布的相关性不同，因此将相关度cc定义为特征参数l8；综上所述，本发明的prpd谱图的统计学特征向量可表示为[l1,l2,l3,l4,l5,l6,l7,l8]；
[0063]
2)、类-hausdorff距离算法
[0064]
hausdorff距离算法用来测算两组特征向量间的相似程度，并采用近邻准则来进行分类。然而，hausdorff距离算法对单个异常非常敏感。因此，为了提高算法对噪声的适应性，本发明提出一种类-hausdorff距离算法，实现基于prpd 谱图统计学特征的局放模式识别。
[0065]
类-hausdorff距离算法将特征向量a到特征向量b的距离重新定义为：特征向量a中每一点到特征向量b中最近一点的距离的均方根，表示为：
[0066][0067]
式中，n为特征向量的维数，选取欧式距离d(a,b)作为||a-b||的距离范式，定义为：
[0068][0069]
式中，a∈a，b∈b，因此，类-hausdorff距离可表示为：
[0070]hl
(a，b)＝h
l
(a，b)+h
l
(b，a)
[0071]
3)、局部放电类型识别的实现
[0072]
包括以下步骤：
[0073]
步骤1：计算prpd谱图训练样本集中，prpd谱图统计学特征向量相互间的类-hausdorff距离，标记为：h
ij
，i，j∈m，m为训练样本集合；
[0074]
步骤2：寻找局部放电模式的标准prpd谱图；将同类局部放电模式下的 prpd谱图训练样本集合标记为q，计算q内h
ij
最小值的最大值，标记为：
[0075]hqi
＝max min h
ij
，i，j∈q
[0076]
取h
qi
最小时的i值对应的prpd谱图即为该类局部放电模式的标准prpd 谱图；
[0077]
步骤3：计算临界分类hausdorff距离d；将同类局部放电模式下的prpd 谱图训练样本集合与标准prpd谱图的最远hausdorff距离定义为临界分类 hausdorff距离，标记为：
[0078]
d＝max h
ij
，j∈q
[0079]
步骤:4：获取局部放电模式分类概率；计算待识别prpd谱图统计学特征向量与标准prpd谱图统计学特征统计学特征向量间hausdorff距离h
mi
，将临界分类hausdorff距离d与h
mi
的差值为输入，运用sigmoid激活函数，计算分类激活值，最后使用softmax函数处理相关的分类激活值，输出四个类别的分类结果概率。
[0080]
三、针对prpd谱图的图像特征进行模式识别
[0081]
1)、prpd谱图灰度化；
[0082]
prpd谱图的灰度图像可以反应其全部信息，因此本发明首先将prpd 谱图转换为灰度图像。获取的原始prpd谱图为由红、绿、蓝3色构成的rgb 图，可采用下式进行prpd谱图的灰度化：
[0083]
h(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i，j)
[0084]
式中，h(i,j)表示像素点(i,j)处的灰度值，r(i,j)、g(i,j)和b(i,j)分别为原始
prpd 谱图像素点(i,j)处的红色、绿色和蓝色分量；
[0085]
2)、基于卷积神经网络的局放模式识别的实现
[0086]
卷积神经网络时一种包含卷积计算且具有深度结构的前馈神经网络，其克服了传统机器学习在特征选择方法的局限性。为了准确识别4种典型局部放电类型，本发明采用卷积神经网络实现基于prpd谱图图像特征的模式识别。如图 2所示，卷积神经网络局部放电模式识别网络结构一共有7层，输入层是100
×
100 的prpd谱图的灰度图像，卷积层和池化层用于提取谱图特征，卷积层使用relu 激活函数，池化层使用二均值池化方式，加入dropout操作来避免其出现过拟合风险，将卷积层和池化层获得的图谱特征输入至全连接层，最终有softmax层进行分类。
[0087]
各层详细描述如下：
[0088]
输入层：输入大小为100
×
100的prpd谱图的灰度图像；
[0089]
卷积层1：先使用32个3
×
3卷积核，其步长为1，得到100
×
100
×
32的卷积结果，然后使用relu激活函数得到激活结果；
[0090]
池化层1：对卷积层1的激活结果使用2
×
2，步长为2的二均值池化操作，得到50
×
50
×
32的池化结果；
[0091]
卷积层2：使用64个3
×
3卷积核，其步长为1，得到50
×
50
×
64的卷积结果，然后使用relu激活函数得到激活结果；
[0092]
池化层2：对卷积层2的激活结果使用2
×
2，步长为2的二均值池化操作，得到25
×
25
×
64的池化结果，对池化结果运用概率为0.25的dropout操作；
[0093]
全连接层：使用数量为256个神经元的全连接层，针对前述计算获得的图谱特征开展全连接操作，同时用relu激活函数进行激活操作，所获得的激活结果运用概率为0.5的dropout操作，得到dropout结果；
[0094]
输出层：使用softmax函数处理相关的分类数据，输出四个类别的分类结果概率。
[0095]
四、采用d-s证据理论的结果融合
[0096]
本发明采用d-s证据理论，融合基于prpd谱图统计学特征和基于prpd 谱图图像特征的局部放电模式识别结果，以提高局部放电模式识别准确率。
[0097]
本发明的识别4类绝缘缺陷类型，识别框架可表示为包含4个元素的集合θ＝{a1，a2，a3，a4}，本发明基于prpd谱图统计学特征和基于prpd 谱图图像特征的局部放电模式识别结果作为两个独立的证据，各个证据的信任程度函数表示为：
[0098][0099]
式中，αi为第i个证据的可靠性系数，使用单独证据的局部放电模式识别准确率作为其可靠性系数；
[0100]
利用dempster合成规则计算出两个证据共同作用下的最终决策结果，计算式为：
[0101][0102]
式中，d、c分别为识别框架θ的两个子集，k为冲突系数。本发
明采用d-s证据组合理论，融合两个识别模型得到的结果，可以更加准确第识别局部放电模式。
[0103]
为了验证本发明的有效性，利用uhf传感器采集4类局部放电数据。首先进行数据扩充，然后将prpd图谱数据划分为模型训练集合测试集，最后测试本发明的基于特高频信号多特征信息融合的gis局部放电模式识别方法的识别准确性。采集得到的4类局部放电prpd图谱如图3所示。
[0104]
将采集得到的数据首先进行数据扩充以提高样本数据多样性，图4所示为添加噪声的数据扩充效果。
[0105]
prpd谱图灰度化前后对比结果如图5所示。
[0106]
基于prpd谱图统计学特征的局部放电识别结果如下表4所示。表4基于prpd谱图统计学特征的局部放电识别结果
[0107]
基于prpd谱图图像特征的局部放电识别结果如下表5所示。表5基于prpd谱图图像特征的局部放电识别结果
[0108]
本发明的基于特高频信号多特征信息融合的gis局部放电模式识别方法结果如表3所示。
[0109]
表3基于特高频信号多特征信息融合的局部放电识别结果
[0110]
相对单一的基于prpd谱图统计学特征的局部放电识别和基于prpd谱图图像特征的局部放电识别，本发明的发明的基于特高频信号多特征信息融合的 gis局部放电模式识别方法对4种局部放电识别率都有所提高，提高率如表4所示。表4本发明gis局部放电识别方法识别率提高结果