[发明专利]基于EEMD与神经网络的变压器局部放电识别方法及系统

说明书

本公开提供了提供了一种基于EEMD与神经网络的变压器局部放电识别方法及系统，包括：获取变压器高频局放信号，并进行相应预处理；利用集合经验模态分解方法，对高频局放信号进行初始特征提取；基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。所述方案通过集合经验模态分解方法获取变压器局放高频信号主要特征，并将特征送入到CNN‑LSTM中进行学习，解决了传统深度学习方法依赖大量数据，准确度低，泛化能力不足的问题，提高了局放识别的准确性。

技术领域

本公开属于局部放电识别技术领域，尤其涉及一种基于EEMD与神经网络的变压器局部放电识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

局部放电是表征变压器状态的重要参量，目前变压器高频局部放电常用的诊断识别主要是利用高频信号的统计特征，主要有PRPS(Phase Resolved Pluse Sequence)、PRPD(Phase Resolved Partial Discharge)和等效时频图谱等，由于需要进行多次放电统计，对放电次数较少的低能放电信息较少，同时由于局放是动态发展过程，不同劣化程度统计特征也有差异，因此利用高频局放图谱进行诊断识别有局限性。时域信号包含局放最丰富的信息，因此本方法直接对高频局放时域信号进行分析诊断。

发明人发现，目前常用的识别方法主要有：小波分析法、SVD(Singular ValueDecomposition)、EMD(Empirical Mode Decomposition)、支持向量机以及深度学习方法等。其中，单纯地小波分析与SVD等算法，依赖于先验的基函数或人工经验，EMD算法可以实现对信号的自适应时频分析，但也会有模态混叠的问题；随着人工智能的发展，机器学习在局放诊断识别领域成为研究热点，对于支持向量机和深度学习等机器学习方法，在大量训练数据的支持下能得到令人满意的结果，但在变压器局放等数据量较少的情况下，识别准确率低，泛化能力差。

发明内容

本公开为了解决上述问题，提供了一种基于EEMD与神经网络的变压器局部放电识别方法及系统，所述方案通过集合经验模态分解方法获取变压器局放高频信号主要特征，并将特征送入到CNN-LSTM中进行学习，解决了传统深度学习方法依赖大量数据，准确度低，泛化能力不足的问题，有效提高了变压器局放诊断识别的准确性。

根据本公开实施例的第一个方面，提供了一种基于EEMD与神经网络的变压器局部放电识别方法，包括：

获取变压器高频局放信号，并进行相应预处理；

利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；

基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。

进一步的，所述对预处理后的高频局放信号进行初始特征提取，通过集合经验模态分解方法对预处理后的高频局放信号进行分解，选择高频局放信号的前3阶本征模态分量进行拼接，作为其初始特征。

进一步的，所述利用集合经验模态分解方法，分解过程包括：

步骤(1)：在高频局放信号中加入正态分布的白噪声；

步骤(2)：对加入白噪声的信号进行经验模态分解，获得若干本征模函数分量；

步骤(3)：重复预设次数的步骤(1)至(2)，每次加入重新生成的白噪声序列；

步骤(4)：将每次获得的本征模函数分量进行总体平均验算。