[发明专利]基于动态模式分解分形特征的局部放电模式识别方法

说明书

基于动态模式分解分形特征的局部放电模式识别方法，包括：对获得的变压器局部放电信号进行动态模式分解，得到分解出的模态函数矩阵；取模态函数矩阵的列向量，构建模态函数的二维图谱；对二维图谱进行图像预处理，得到信息完整的二维图像；提取二维图像的分形特征，构建模式识别的特征量；使用分类器，对构建的模式识别的特征量进行模式识别。检测的局部放电缺陷类型为金属尖端放电，沿面放电和气泡放电。本发明方法具有识别准确率高、计算量小等优点，适用于对变压器局部放电模式识别等场合。

技术领域

本发明涉及变压器局部放电检测领域，具体是一种基于动态模式分解分形特征的局部放电模式识别方法。

背景技术

局部放电不仅是监测变压器绝缘系统缺陷的重要特征，也是变压器急速老化的因素。而变压器又是电网稳定运行不可缺少的环节，故对变压器局部放电特征的研究就显得尤为重要。工程人员通过测量分析电力变压器的局部放电数据用以区分局部放电缺陷的类型。实验研究发现，局部放电脉冲波形与局部放电缺陷类型有直接关系，通过对测量到的局部放电波形数据加以处理，从而区分其类型，进而判断出变压器内发生何种缺陷。

现多数模式识别方法集中在三大类别：

1：采用时下主流的机器学习算法，通过大量的训练来提高模式识别的准确度，但这类算法基于统计特征量作为模式识别的特征量存在数据量大，处理速度慢的缺陷。

2：另外一类方法从构建局部放电信号的三维图像入手，以图像的分形特征或混沌特征为特征量进行模式识别。采用图像特征参数作为后续模式识别的特征量，虽能很好的表征不同缺陷模式下的特征，但在构建局部放电信号各个模式的三维图像时需耗费一定的工作量。

3：还有一类方法通过分解迭代算法将信号分解成一系列的模态函数，并通过模态函数将信号的特征提取出来。这类算法由于自身特性的原因或存在过分解、模态混叠等问题，使得算法对信号的分解无法达到预期效果，以至一定程度影响了模式识别的准确度。

发明内容

针对上述模式识别方法的弊病，本发明提供一种基于动态模式分解分形特征的局部放电模式识别方法，利用动态模式分解模态函数的分形特征作为特征量和X均值聚类算法相结合，既减少了工作量，又有较高的准确度。该方法具有识别准确率高、计算量小等优点，适用于对变压器局部放电模式识别等场合。

本发明采取的技术方案为：

基于动态模式分解分形特征的局部放电模式识别方法，包括以下步骤：

步骤1：对获得的变压器局部放电信号进行动态模式分解，得到分解出的模态函数矩阵；

步骤2：取模态函数矩阵的列向量，构建模态函数的二维图谱；

步骤3：对二维图谱进行图像预处理，得到信息完整的二维图像；

步骤4：提取二维图像的分形特征，构建模式识别的特征量；

步骤5：使用分类器，对构建的模式识别的特征量进行模式识别。

步骤1中，检测的局部放电缺陷类型为金属尖端放电，沿面放电、或者气泡放电。

本发明一种基于动态模式分解分形特征的局部放电模式识别方法，有益效果在于：

1、特征量提取便捷：

现有方法中利用图像特征作为局部放电模式识别特征量都存在工作量大的缺点。本发明不需要构造局部放电信号相位-放电量-放电次数的三维谱图，只需要采集局部放电原始信号的波形数据，通过动态模式分解算法就能构造出二维模态图，从而获取相应的图像特征。

2、模式识别准确度高：