[发明专利]局部放电故障判定特征提取方法及判定方法

说明书

技术领域

本发明涉及监测技术领域，特别涉及一种局部放电故障判定特征提取方法及一种判定方法。

背景技术

局部放电是高压电器设备出现故障、出现绝缘劣化的主要原因，同时也是绝缘劣化的主要征兆和表现形式。因此，在监测大型电力设备的绝缘状况方面已做出了大量的关于局部放电的研究。在局部放电故障诊断方面，能够有效提取局部放电的故障特征，并能准确的实现在线监测和实时故障诊断将对电力系统安全稳定运行提供重要的保障。

目前，在处理局部放电信号时，常用的特征提取分析方法有统计参数法、波形特征参数法、Weibull参数法、分形特征参数法、数字图像矩特征参数法、小波(包)变换、(总体)经验模态分解等。但小波变换缺乏自适应性，小波分析效果很大程度取决于小波基函数的选取。经验模态分解方法虽具有自适应性，但理论上仍存在频率混淆、过包络、欠包络、端点效应和出现无物理意义的负频率成分等局限。奇异值分解方法，能够在强噪声背景下检测出突变信息，在信号处理中表现出独特的优势，其具有零相移、波形失真小、信噪比高等优点，但奇异值分解存在提取不同状态信息所得到的特征分量个数不等的难题。因此，有必要提出稳定有效的局部放故障判定特征提取方法。

发明内容

为了克服上述问题，本发明提供一种信噪比高的局部放电故障类型判定特征提取方法及一种判定方法。

.为达上述优点，本发明提供一种局部放电故障类型判定特征提取方法，包括：对局部放电区域信号进行离散采样；由离散数字信号构建Hankel矩阵；对Hankel矩阵进行奇异值分解得到奇异值矩阵；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；对改进Hankel矩阵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。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述对奇异值进行筛选，保留数值较大的奇异值得到经筛选的奇异值矩阵，包括：确定最佳奇异值数目k。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，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；由各点曲率构建曲率族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。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，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。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，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。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为神经网络方法。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为支持向量机方法。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，所述智能分类方法为K近邻方法。

在本发明的局部放电故障类型判定特征提取方法的一个实施例中，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，用于除无效特征成分或噪声成分干扰。

本发明还提供一种判定方法，包括获取任一上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。

本发明通过对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；能够去除噪声信号，信噪比高。

附图说明

图1所示为本发明第一实施例的局部放电故障类型判定特征提取方法的流程图。

图2所示为模拟尖端放电、沿面放电、悬浮放电以及气泡放电的原理图。

图3所示为图2的模拟尖端放电、沿面放电、悬浮放电以及气泡放电实验电路的原理图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出具体实施方式、结构、特征及其功效，详细说明如后。