[发明专利]基于多信息融合的开关柜局部放电诊断系统的构建方法

权利要求书

1.基于多信息融合的开关柜局部放电诊断系统的构建方法，其特征在于，主要包括以下步骤：

S1、建立开关柜试验平台，使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷；

S2、采用暂态地电压法、超声波法、特高频法对S1中模拟的开关柜的典型缺陷进行综合检测，获取局部放电信号特征；

S3、将S2中采用超声波法、特高频法采集到的特征信息进行特征提取处理后，传给DS融合块的基本概率分配BPA进行信息修整；将S2中采用暂态地电压法采集到的特征信息传给DS融合块的基本概率分配BPA进行信息修整；

S4、基本概率分配BPA将收到的信息进行转化修整后，通过DS证据理论对修整后的信息进行融合，得到识别系统。

2.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断系统的构建方法，其特征在于，在S3中所述将S2中采用超声波法采集到的信息进行特征提，得到特征集，再对特征集采用神经网络BPNN进行识别分类，将分类结果传给DS融合块的基本概率分配BPA进行信息修整。

3.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断系统的构建方法，其特征在于，在S3中所述将S2中采用特高频法采集到的信息先使用相位分析模式PRPD进行信号提取，得到PRPD图谱信息，再对PRPD图谱信息进行特征提取，得到PRPD图谱的特征集，通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据，得到最优特征子集，再对优特征子集采用神经网络BPNN进行识别分类，将分类结果传给DS融合块的基本概率分配BPA进行信息修整。

4.根据权利要求3所述的基于多信息融合的开关柜局部放电诊断系统的构建方法，其特征在于，在S3中所述通过主成分分析法PCA对PRPD图谱的特征集进行提取特征子集以及简化数据，得到最优特征子集，主要包括以下步骤：

A、计算协方差矩阵R：

式中：X为输入向量，X^T为输入向量的转置矩阵，n为特征值个数；

B、计算协方差矩阵R的特征值λ₁＞λ₂＞Λ＞λ_m及其对应的正交向量P₁,P₂,…,P_h；

C、计算主成分Y_h,

式中，p_jh为p_h的第j个成分；x_nj为x_n的第j个成分；

D、计算每个成分的贡献率和累积贡献率：

贡献率：

累积贡献率：

主成分选取累计贡献率大于85％的成分。

5.根据权利要求1所述的基于多信息融合的开关柜局部放电诊断系统的构建方法，其特征在于，所述DS证据理论对多信息进行融合识别，其主要包括识别框架Θ、基本概率分配BPA、合成规则、信任函数和似然函数，包括以下识别步骤：

①建立识别框架Θ

识别框架为A₁：金属突出物；A₂：金属悬浮物；A₃：绝缘内部缺陷；A₄：空气气隙放电缺陷；θ：不确定性；

Θ＝{A₁,A₂,A₃,A₄,θ}；

②设置BPA

所述采用暂态地电压法、超声波法、特高频法所识别的信息作为证据信息来源，将信息转化为m(A)，m(A)为矩阵A的基本概率；

且

由于各检测信息用于识别的可靠性不一，设置α∈[0,1]为可靠性系数，采用不同检测方法样本测试的识别率代替；由此，BPA计算方法如下：

m_i(A_j)＝α_i*u_ij i＝1,2,3；j＝1,2,3,4；

式中：u_ij为矩阵U的第i行，第j列数据；m_i(A_j)为第i个证据对j类缺陷的基本概率；

m_i(θ)＝1-α_i；

式中：m_i(θ)为m矩阵第i行的不确定性概率，α_i为第i个证据源的可靠系数；

同时，根据分类器的输出计算BPA的值，文本BP神经网络输出，并通过以下公式计算BPA：

式中，O_j为第j个输出层神经元的输出值，m_i(A_j)为第i个证据对j类缺陷的BPA；

③证据合成

DS证据理论的核心为融合公式Dempster合成规则，计算方法如下：

式中k为归一化常数，m₁(B_j)为第1个证据的j类缺陷基本概率；m₂(C_j)为第2个证据的j类缺陷基本概率；

④决策

通过三种检测信息的融合所得的BPA，为对四种缺陷的概率输出，因而须通过以下三个规则判定其绝缘属性；

规则I：m(A_max1)为输出BPA的最大值；规则I说明作为识别结论的输出具有最大的BPA；

规则II：m(A_max1)＞m(θ)，规则II说明其输出的BPA须超越不确定性θ；

规则III：m(A_max1)-m(A_max2)＞ε，规则III说明最终的输出值只有足够突出，结果才能被接受，其中，m(A_max2)为BPA的次大值，ε是DS证据理论中证据可信度常数。