[发明专利]局部放电故障判定特征提取方法及判定方法

权利要求书

1.一种局部放电故障类型判定特征提取方法，其特征在于：包括：

获取局部放电区域离散数字信号；

由离散数字信号构建Hankel矩阵A₁；

对Hankel矩阵A₁进行奇异值分解得到奇异值矩阵；

奇异值矩阵中的奇异值按大小排序，选择k个的前面数值较大的奇异值得到经筛选的奇异值矩阵，根据经筛选的奇异值矩阵得到改进Hankel矩阵A₂，所述k为整数；

对改进Hankel矩阵A₂相空间重构得到构建相空间矩阵B；

计算相空间矩阵B各分量能量矩，得到局部放电故障判定特征向量。

2.根据权利要求1所述的局部放电故障类型判定特征提取方法，其特征在于：所述k为最佳奇异值数目。

3.根据权利要求2所述的局部放电故障类型判定特征提取方法，其特征在于：

所述最佳奇异值数目k，经如下方法确定：

由奇异值矩阵构成奇异值曲线C；

计算奇异值曲线C中各点曲率T(q)；

由各点曲率T(q)构建曲率族F；

确定曲率族最大个体w；

若曲率族最大个体为凹，则奇异值最佳数目为w，若曲率族最大个体为凸，则奇异值最佳数目为w-1。

4.根据权利要求1所述的局部放电故障类型判定特征提取方法，其特征在于：所述局部放电故障判定特征向量用于通过智能分类方法实现局部放故障的类型判定。

5.根据权利要求4所述的局部放电故障类型判定特征提取方法，其特征在于：

所述局部放故障的类型包括模拟尖端放电、沿面放电、悬浮放电、气泡放电中的一种或几种。

6.根据权利要求4所述的局部放电故障类型判定特征提取方法，其特征在于：

所述智能分类方法为神经网络方法。

7.根据权利要求4所述的局部放电故障类型判定特征提取方法，其特征在于：

所述智能分类方法为支持向量机方法。

8.根据权利要求4所述的局部放电故障类型判定特征提取方法，其特征在于：

所述智能分类方法为K近邻方法。

9.根据权利要求1所述的局部放电故障类型判定特征提取方法，其特征在于：

所述的对奇异值进行筛选，保留数值较大的奇异值得到经筛选的奇异值矩阵，根据经筛选的奇异值矩阵得到改进Hankel矩阵A₂，用于除无效特征成分或噪声成分干扰。

10.一种判定方法，其特征在于，包括获取权利要求1-9任一所述的局部放电故障判定特征向量，所述判定方法还包括根据局部放电故障判定特征向量判定故障类型的步骤。