[发明专利]一种多源放电及干扰叠加情况下的局部放电信号聚类方法

说明书

本发明属于电气设备局部放电信号状态检测领域，公开了一种多源放电及干扰叠加情况下的局部放电信号聚类方法，如下第1步：输入需要聚类的样本数据；第2步：设定初始聚类数c＝1，并输入该初始聚类数；第3步：在所述初始聚类数下，从模糊C均值聚类算法、高斯混合模型聚类算法、GK模糊聚类算法和模糊最大似然聚类算法这四种聚类算法中选出最优的聚类算法；第4步：继续设定聚类数为c+1，重复上述第2步和第3步，直到c+1＞5，然后进入第5步；第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果，实现局部放电信号聚类算法及聚类个数的自动优化。

技术领域

本发明属于电气设备局部放电信号状态检测领域，公开了一种多源放电及干扰叠加情况下的局部放电信号聚类方法。

背景技术

局部放电是反映大型电力设备绝缘状态的重要参量之一，也是发现高压绝缘设备潜在缺陷的重要手段，具有灵敏度高以及及时有效的特点。目前，局部放电状态检测技术在变电站现场得到了广泛应用。同时，由于现场复杂电磁干扰环境的影响，使得局部放电检测长期面临电磁干扰的技术瓶颈，误报、漏报问题十分严重。

现有的一些局部放电信号检测的聚类方法主要针对高频电流法，通过放电信号的时频特征进行手动信号的分离，多用在专家型检测设备上。对于UHF局部放电检测手段而言，由于信号频率高达数GHz，因为成本原因难以对原始UHF信号进行直接采样，因此也无法采用时频特征进行多源局部放电信号的分离。

同时，现有常规的一些聚类方法对不同的问题适应性不同，存在着诸如聚类数需要人为确定，不能自动获得最优聚类个数；对初始聚类中心的选取比较敏感，不能对任意形状的数据簇进行聚类等不足，常导致分类错误或失败，因此尚且不能满足局部放电状态检测自动化、智能化的需求。

发明内容

针对上述技术问题，本发明提出了一种多源放电及干扰叠加情况下的局部放电信号聚类方法，采用多分频检测方式的智能动态聚类策略和综合优化聚类流程，实现局部放电信号聚类算法及聚类个数的自动优化。

为了解决上述技术问题，本发明采用了如下技术方案。

一种多源放电及干扰叠加情况下的局部放电信号聚类方法，该聚类方法包括如下步骤：

第1步：输入需要聚类的样本数据。

第2步：设定初始聚类数c＝1，并输入该初始聚类数c。

第3步：在所述初始聚类数下，从模糊C均值聚类算法FCM、高斯混合模型聚类算法GMM、GK模糊聚类算法GKFC和模糊最大似然聚类算法FML这四种聚类算法中选出最优的聚类算法，方法为分别计算该四种聚类算法的聚类有效性指标，包括划分系数PC和分类熵CE，其中PC值最大且CE值最小的聚类算法为最优的聚类算法。

第4步：继续设定聚类数为c+1，重复上述第2步和第3步,直到c+1＞5，然后进入第5步。

第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果。

进一步地，所述聚类有效性指标包括划分系数PC和分类熵CE，其中划分系数PC用于评判分类簇c之间的分离程度；分类熵CE用于计算分类簇c的模糊度；所述划分系数PC和分类熵CE的计算公式如下：

其中，μ_ij代表第j点和第i分类簇的隶属关系，N代表聚类样本个数；

进一步地，所述最优的聚类有效性指标是其中PC值最大且CE值最小。

进一步地，所述样本数据经过信号调理器处理，该信号调理器输出的能量分数作为样本数据聚类分析的特征量，用于局部放电信号的分离。