本發(fā)明涉及監(jiān)測
技術領域：
，特別涉及一種局部放電故障判定特征提取方法及一種判定方法。
背景技術：
：局部放電是高壓電器設備出現(xiàn)故障、出現(xiàn)絕緣劣化的主要原因，同時也是絕緣劣化的主要征兆和表現(xiàn)形式。因此，在監(jiān)測大型電力設備的絕緣狀況方面已做出了大量的關于局部放電的研究。在局部放電故障診斷方面，能夠有效提取局部放電的故障特征，并能準確的實現(xiàn)在線監(jiān)測和實時故障診斷將對電力系統(tǒng)安全穩(wěn)定運行提供重要的保障。目前，在處理局部放電信號時，常用的特征提取分析方法有統(tǒng)計參數(shù)法、波形特征參數(shù)法、weibull參數(shù)法、分形特征參數(shù)法、數(shù)字圖像矩特征參數(shù)法、小波(包)變換、(總體)經驗模態(tài)分解等。但小波變換缺乏自適應性，小波分析效果很大程度取決于小波基函數(shù)的選取。經驗模態(tài)分解方法雖具有自適應性，但理論上仍存在頻率混淆、過包絡、欠包絡、端點效應和出現(xiàn)無物理意義的負頻率成分等局限。奇異值分解方法，能夠在強噪聲背景下檢測出突變信息，在信號處理中表現(xiàn)出獨特的優(yōu)勢，其具有零相移、波形失真小、信噪比高等優(yōu)點，但奇異值分解存在提取不同狀態(tài)信息所得到的特征分量個數(shù)不等的難題。因此，有必要提出穩(wěn)定有效的局部放故障判定特征提取方法。技術實現(xiàn)要素：為了克服上述問題，本發(fā)明提供一種信噪比高的局部放電故障類型判定特征提取方法及一種判定方法。.為達上述優(yōu)點，本發(fā)明提供一種局部放電故障類型判定特征提取方法，包括：對局部放電區(qū)域信號進行離散采樣；由離散數(shù)字信號構建hankel矩陣；對hankel矩陣進行奇異值分解得到奇異值矩陣；對奇異值進行篩選，保留數(shù)值較大的奇異值得到經篩選的奇異值矩陣，根據經篩選的奇異值矩陣得到改進hankel矩陣；對改進hankel矩陣相空間重構得到構建相空間矩陣b；計算相空間矩陣b各分量能量矩，得到局部放電故障判定特征向量。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述對奇異值進行篩選，保留數(shù)值較大的奇異值得到經篩選的奇異值矩陣，包括：確定最佳奇異值數(shù)目k。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述最佳奇異值數(shù)目k，經如下方法確定：由奇異值矩陣構成奇異值曲線c；計算奇異值曲線c中各點曲率；由各點曲率構建曲率族f；確定曲率族最大個體w；若曲率族最大個體為凹，則奇異值最佳數(shù)目為w，若曲率族最大個體為凸，則奇異值最佳數(shù)目為w-1。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述局部放電故障判定特征向量用于通過智能分類方法實現(xiàn)局部放故障的類型判定。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述局部放故障的類型包括模擬尖端放電、沿面放電、懸浮放電、氣泡放電中的一種或幾種。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述智能分類方法為神經網絡方法。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述智能分類方法為支持向量機方法。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述智能分類方法為k近鄰方法。在本發(fā)明的局部放電故障類型判定特征提取方法的一個實施例中，所述的對奇異值進行篩選，保留數(shù)值較大的奇異值得到經篩選的奇異值矩陣，根據經篩選的奇異值矩陣得到改進hankel矩陣，用于除無效特征成分或噪聲成分干擾。本發(fā)明還提供一種判定方法，包括獲取任一上述的局部放電故障判定特征向量，所述判定方法還包括根據局部放電故障判定特征向量判定故障類型的步驟。本發(fā)明通過對hankel矩陣a1進行奇異值分解得到奇異值矩陣；奇異值矩陣中的奇異值按大小排序，選擇k個的前面數(shù)值較大的奇異值得到經篩選的奇異值矩陣，根據經篩選的奇異值矩陣得到改進hankel矩陣a2；能夠去除噪聲信號，信噪比高。附圖說明圖1所示為本發(fā)明第一實施例的局部放電故障類型判定特征提取方法的流程圖。圖2所示為模擬尖端放電、沿面放電、懸浮放電以及氣泡放電的原理圖。圖3所示為圖2的模擬尖端放電、沿面放電、懸浮放電以及氣泡放電實驗電路的原理圖。具體實施方式為更進一步闡述本發(fā)明為達成預定發(fā)明目的所采取的技術手段及功效，以下結合附圖及較佳實施例，對依據本發(fā)明提出具體實施方式、結構、特征及其功效，詳細說明如后。圖1所示為本發(fā)明第一實施例的局部放電故障類型判定特征提取方法的流程圖請參見圖1。本實施例的局部放電故障類型判定特征提取方法包括：對局部放電時域信號進行離散采樣得到局部放得到離散數(shù)字信號x，并有x＝[x(1),x(2),x(3),…,x(n)]，其中n為離散采樣長度。由多個離散數(shù)字信號構建hankel矩陣a1，包括：其中，則對hankel矩陣a1進行奇異值分解(singularvaluedecomposition，svd)得到奇異值矩陣，包括：a1＝udvt其中，u是m×m階酉矩陣，vt為n×n階酉矩陣，d為奇異值矩陣，且其為對角矩陣，并有d＝diag[λ1,λ2,l,λk,λk+1,l,λm]。奇異值矩陣d中奇異值λq(q＝1,2,…,m)遞減，即λ1≥λ2≥l≥λk≥λk+1≥l≥λm。對奇異值進行篩選，保留數(shù)值較大的奇異值，具體的保留局部放電信號中有效特征成分，去除無效特征成分或噪聲成分干擾，可對奇異值進行篩選，保留d中前k個數(shù)值較大的奇異值。進一步的對于k，可由如下方法確定：(1)由奇異值矩陣[λ1,λ2,l,λk,λk+1,l,λm]可構成奇異值曲線c。(2)計算奇異值曲線c中各點曲率t(q)，其計算方法為：其中，(3)由t(q)構建曲率族f，即f＝[t(1),t(2),…,t(m-1)]。(4)確定曲率族最大個體w，即t(w)＝max{f}。(5)判定曲率最大個體處凹凸性，即判定β″(w)正負：若β″(w)<0，則k＝w；若β″(w)>0，則k＝w-1。根據經篩選的奇異值矩陣d′＝diag[λ1,λ2,l,λk,0,l,0]，得到經有效特征篩選或無效噪聲抑制的改進hankel矩陣a2，具體的a2＝ud′vt，由a2中元素可相空間重構得到構建相空間矩陣b，并有其中，p≥2，q≥2，并有p＝int(n/q)。對相空間矩陣b進行奇異值分解，可表示為i個離散正交分量矩陣p1,p2,l,pi和的形式，包括計算相空間矩陣b各分量能量矩，即其中，δt為采樣時間間隔，n為采樣點數(shù)；k為采樣點。由此構建局部放電故障判定特征向量f＝[m1,m2,l,mp]。對局部放故障判定特征進行提取后，可結合智能分類方法實現(xiàn)局部放故障的智能判定。本實例分別選取支持向量機方法、神經網絡方法以及k近鄰方法進行了局部放電故障類型判定。圖2所示為模擬尖端放電、沿面放電、懸浮放電以及氣泡放電的原理圖。請參見圖2，實驗室中設置了典型缺陷下局部放模型，用以模擬尖端放電、沿面放電、懸浮放電以及氣泡放電等四種典型局部放類型，其中尖端放電、沿面放電、懸浮放電中紙板厚度均為2mm，氣泡放電模型中紙板氣泡結構由厚度分別為0.5mm、2mm、0.5mm的三層紙板組成。圖3所示為圖2的模擬尖端放電、沿面放電、懸浮放電以及氣泡放電實驗電路的原理圖。請參見圖3，實驗中變壓器為tdtw50/250型油浸式變壓器，其容量為50kva，額定電壓為250kv；高頻傳感器采用hfct-1型，頻帶范圍為100khz～100mhz，其靈敏度<1pc。額定電壓下，變壓器局部放電視在放電量小于5pc，實驗時采樣頻率為500mhz。各類型放電共采集156組樣本信號，其組成如表1所示。其中各組隨機選取10組信號作為訓練樣本信號，其余信號作為測試樣本信號，實驗5次，求得判定結果正確率平均值，結果如表2、3、4所示。表1局部放樣本信號表2局部放故障診斷正確率％(支持向量機)表3局部放故障診斷正確率(神經網絡)表4局部放故障診斷正確率(k近鄰)pd類型氣泡放電針板放電沿面放電懸浮放電識別正確率％95.092.586.187.5綜上，本發(fā)明至少具有以下的優(yōu)點：本發(fā)明能夠有效避免奇異值分解產生的有效奇異值數(shù)量不等進而影響故障診斷精度的問題，并能改善其他方法在進行模式識別時忽略特征值間的相互內在關系的不足。以上，僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，雖然本發(fā)明已以較佳實施例揭露如上，然而并非用以限定本發(fā)明，任何熟悉本專業(yè)的技術人員，在不脫離本發(fā)明技術方案范圍內，當可利用上述揭示的技術內容作出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發(fā)明技術方案內容，依據本發(fā)明的技術實質對以上實施例所作的任何簡單修改、等同變化和修飾，均仍屬于本發(fā)明技術方案的范圍內。當前第1頁12