[发明专利]一种基于大数据的超声波局放检测分析模型

权利要求书

1.一种基于大数据的超声波局放检测分析模型，其特征在于，包括：

输入单元，用于获取从配电设备采集的待检测超声波信号；

大数据单元，用于获取配电设备局部放电产生超声波信号的大数据样本，其中所述大数据样本包括多个样本超声波信号及其对应的局部放电类型；

特征提取单元，分别与所述输入单元和大数据单元连接，用于对所述待检测超声波信号和样本超声波信号进行特征提取处理，输出该超声波信号的特征参数；

模型训练单元，与特征提取单元连接，用于采用所述样本超声波信号的特征参数和对应的局部放电类型构成训练集对局放检测模型进行训练，输出训练好的局放检测模型；

局放分析单元，分别与特征提取单元和模型训练单元连接，用于调用所述训练好的局放检测模型，将所述待检测超声波信号的特征参数输入到所述训练好的局放检测模型，输出该待检测超声波信号对应的局部放电类型；

所述分析模型还包括去噪单元，所述去噪单元设置在所述输入单元和特征提取单元之间，分别与所述输入单元和特征提取单元连接，用于对输入单元获取的待检测超声波信号进行去噪处理，输出去噪后的待检测超声波信号到所述特征提取单元进一步处理；

去噪单元对输入单元获取的待检测超声波信号进行去噪处理，具体包括：对待检测超声波信号进行自定义小波去噪处理，包括：

采用设定的小波基和分解层数对待检测的超声波信号进行小波换边，获取该待检测的超声波信号的高频系数和低频系数；

对每层分解的高频系数进行阈值处理，获取阈值处理后的高频系数；

将阈值处理后的高频系数和低频系数进行重构，输出去噪后的待检测超声波信号；

其中，对高频系数进行阈值处理，采用的阈值处理函数为：

式中，表示阈值处理后的第j层高频小波系数，z_j表示阈值处理前的第j层高频小波系数，j＝1，2，...，J，J表示最大分解层数，T₁(j)和T₂(j)分别表示第一和第二门限阈值，其中T₁(j)＝gT₂(j)，g∈[0，1]，δ表示处理幅度因子，δ≥1；其中，σ表示噪声的标准方差估计，med(z₁)表示第1层小波系数中的中位数，N表示信号长度，j表示分解层数，ε表示补偿调节因子；

其中，所述特征提取单元，具体包括：对超声波信号进行经验模态分解，将该超声波信号分解成一组IMF本证模态分量信号，并根据该组IMF信号提取该超声波信号的特征参数；

其中，对超声波信号进行经验模态分解，包括：

1)初始化阶段：

设定待分解信号D₀(t)＝X(t)，分解次数p＝1，其中X(t)表示该超声波信号；

2)IMF信号分解阶段：

21)初始化临时信号L₀(t)＝D_p-1(t)，调整次数q＝1；

22)获取临时信号L_q-1(t)的局部极值点；

对临时信号L_q-1(t)的极大值点和极小值点分别进行三次样条函数插值，形成上包络线和下包络线；

计算上包络线和下包络线的平均值m_q-1(t)；

对临时函数进行调整L_q(t)＝L_q-1(t)-m_q-1(t)；

23)如果L_q(t)符合IMF信号，即同时满足(1)函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；(2)在任意时刻点，局部最大值的上包络线和局部最小值的下包络线平均必须为零；则记录第p个IMF信号imf_p(t)＝L_q(t)；否则，记调整次数q＝q+1；并跳转到步骤22)；

3)迭代阶段：

如果当前分解次数为p＝1时，当输出第一个IMF信号imf₁(t)后，更新待分解信号D_p(t)＝D_p-1(t)-imf₁(t)；

如果当前分解次数为p＞1时，当输出第p个IMF信号imf_p(t)后，更新待分解信号D_p(t)＝imf_p(t)；

当当前待分解信号D_p(t)的极值点数仍多于2个时，更新当前分解次数p＝p+1，并重复2)IMF信号分解阶段；否则，结束经验模态分解，输出第p＝1，2，...，I个IMF信号作为该组IMF信号，其中I表示分解获取IMF信号的总数；

特征提取阶段：根据上述经验模态分解的结果，获取该组IMF信号的总数P、最大幅值U_max、最大幅值U_max所在的分解次数p_U、最大能量所在的分解次数p_E以及能量分布均匀度h_en作为该超声波信号的特征参数

其中，能量分布均匀度其中，E_p＝∑_v|u_p(v)|²×Δt，E_p表示第p个IMF信号的能量，u_p(v)表示第p个IMF信号中第v个点的幅值，Δt表示采样周期，表示前5个IMF信号的能量均值。