gis局部放电信号特征提取与识别

gis局部放电信号特征提取与识别

1gis局部放电模式气体隔离探测器（gis）在电能系统中发挥着重要作用，局部放电是其绝缘寿命邪恶化的重要表现，不同类型的局部放电对gis绝缘体的绝缘体产生了不同的损害。因此，有效的现场放电管理系统对评估gis的隔离状态非常重要。进行有效的特征参量提取是提高识别率的关键,文献以超高频(UltraHighFrequency,UHF)信号为对象,提出了以“盒维数和信息维数”作为模式识别特征量,通过构造了放电灰度图像,提取了盒维数和信息维数,实现了局部放电模式识别;文献采用UHF时域包络信号,通过仿生模式识别理论实现了GIS典型绝缘缺陷类型的识别。文献针对UHF信号,提取了均值、方差等5个统计参量,引入分离度指标作为特征量降维的评判指标,从60个特征量中选取了5个具有较高分类能力的最佳特征量,作为径向基神经网络识别放电类型的输入有效向量,最终实现了GIS中不同绝缘缺陷产生局部放电的准确识别。可见,目前的研究多是集中在后续的特征数据处理方法上,但是所提取的特征量都来源于单一检测方法,而GIS内部发生局部放电的时候,会产生声、光、热等方面的信号,这些信号从不同角度反映了同一个现象,包含着极为丰富的特征信息,根据这些特征衍生出了相应的检测法,其中超高频检测法和超声波检测法已经得到广泛应用,这两种方法分别从电磁波和超声波两个不同的角度反映了局部放电源的特性,如果能够融合这两种检测法的特征信息,将有助于更加全面地描述局部放电特征,从而提高模式识别效率。如何根据这些不同性质的参数实现GIS局部放电模式识别,需要一种可以有效融合这些参数的算法,而由Damoulasy等人提出的多核学习相关向量机(Multi-KernelLearningRelevanceVectorMachine,MKL-RVM)可以实现由多种检测方法中提取的不同性质的特征参数的融合,在此,作者将其应用于GIS局部放电超高频及超声波特征参量的融合及模式识别研究中。基于此,作者搭建了252kVGIS局部放电实验仿真平台,模拟了4种典型的绝缘故障,结合超高频和超声波检测法采集了放电信号,获取了相应的统计参数图谱,然后提取相应的特征量,并采用多核学习相关向量机对两种不同性质参数进行融合,最终实现了GIS局部放电模式识别。2局部放电试验研究2.1gis局部放电实验电路设计采用自行设计的252kVGIS局部放电实验仿真平台,整个平台长5m,高4.15m,为了方便实验和节约SF6气体,该平台采用盆式绝缘子将腔体隔成多个独立的小气室,试验腔体SF6气体压力为0.5MPa;超高频探头的检测频段为300~1500MHz,超声波传感器检测中心频率为40kHz,实验电路接线示意图和GIS局部放电实验仿真平台结构图分别如图1和图2所示。针对GIS局部放电的特点,设计了4种典型的绝缘故障模型:尖端放电、内部放电、悬浮放电和沿面放电,相关结构如图3所示。图中,尖端放电模型采用针电极曲率半径为0.5mm,锥角30°,尖长15mm,上、下极间距设定10mm;内部放电模型,上下电极间放置厚3mm的环氧树脂板,同时在两层绝缘板中间放置厚1mm的环氧树脂板,并且在其上开有直径uf066=10mm的圆孔;对于悬浮放电模型,电极间距为10mm,地电极放直径100mm,厚5mm的环氧树脂板,板上面在边缘处设置直径10mm,高10mm的铜柱;沿面放电模型,两个板电极之间纵向放置一个直径10mm,长20mm的环氧树脂棒。为了减小干扰,所有电极均打磨光滑。2.2uhf信号分布图谱根据2.1节实验获取的UHF信号,得到了局部放电次数、总放电量、最大放电量等统计参数,根据这些参数的分布特性,可以获取对应的放电特性。获取的UHF信号典型分布图谱如图4所示。根据获取的信号,分别提取出包括局部峰个数P、偏斜度S、放电量因数R、陡峭度K、相位中值M、相位不对称度B、互相关系数C共26个统计算子,这些统计参数从不同角度描述谱图特性,为了消除量纲的影响,各个参数均采用了标准化处理。2.3信号特征量的定义实验获取的典型超声波信号如图5所示。由于超声波传感器检测的信号包含了完整的原始时域及频域特征信息,采用时频分析可以提取到丰富的时域、频域特征信息,更有利于局部放电模式识别。基于此,采用信号的时间重心、持续时间以及等效方均根带宽作为模式识别特征量,这三个特征量的定义为(1)时间重心设一个信号的时域表达式为L(t),时间重心由下式定义。常用的平均值是标准偏差uf073t,如式(2)。对时域信号进行标准化最终得到的信号的时间重心为(2)持续时间持续时间定义为(3)等效方均根带宽标准化的信号LG(t)经过傅里叶变换得到L(uf077),与时间波形相似,如果L(uf077)2表示频率密度,等效方均根带宽的定义为式(6)反映了信号频率的分布特征。最终得到的GIS局部放电超声波信号典型的时频分布如图6所示。3审查相关向量机算法及其改进3.1空间数据的概率似然多核学习方法通过通过引入组合核参数,最终将原始特征空间数据组合成一个组合空间,整个算法引入了多项概率似然函数。引入辅助回归目标变量和参数,可得标准噪声回归模型如式(8)式中ywp——Y的第w行p列的元素;3.2基于k-折交叉验证和pso的核函数参数优化方法该算法确定中间系数比较方便,另外通过模型学习,可以使组合核参数得到优化,不过在整个模型学习中需要事先定好核函数参数,但是在文献中缺乏相应的确定方法。鉴于交叉验证能够保证所有样本参与训练,同时估计分类法的准确性是很重要的,通常采用K-折交叉验证来评价分类法的准确率。而粒子群优化算法(ParticleSwarmOptimization,PSO)则具有较好的全局寻优能力,并且其收敛速度快,基于此,文章采用基于K-折交叉验证和PSO算法相结合的核函数参数优化方法,以提高MKL-RVM的性能。该方法采用K-折交叉验证来评估待选择的核函数参数,然后采用PSO算法选取核函数参数。基于K-折交叉验证和PSO的核函数参数优化方法的实现过程如下:(1)将M个样本数据XM各自随机地分成元素个数近似相等的K个相互独立的子集(2)用XM-XkM对模型进行训练,用XkM对模型进行验证,这样可以得到K个模型以及这K个模型在相应的验证集上的正判率。(3)以该K个模型的平均正判率作为PSO的适应度值,如式(9)所示,用以评估待选择的核函数参数。式中,card(XkM)为XkM的样本个数;I(XM-XkM,xi)表示数据集XM-XkM经过学习后得到分类器对输入向量xi的分类结果;且存在i=j时,uf064(i,j)(28)1,当iuf0b9j时,uf064(i,j)(28)0。(4)采用PSO选取核函数参数。PSO采用计算适应度值来进行全局寻优以满足给定值条件为终止条件,其中p为个体极值,g为全局极值,本文以正确率达到85%作为终止条件。进行优化的流程图如图7所示。3.3测量模型及识别结果采用故障诊断中常用的径向基核函数,那么基于MKL-RVM的GIS局部放电模式识别具体实现过程如下:(1)根据文章第2节实验数据,将GIS局部放电的4种故障模式尖端放电、内部放电、悬浮放电和沿面放电分别用用列向量(0,0,0,1)T、(0,0,1,0)T、(0,1,0,0)T及(1,0,0,0)T表示,分别用Z、N、X和Y表示。(2)选取超高频检测法和超声波检测法相应的特征参数,见2.2和2.3节。(3)确定由超高频和超声波两种不同性质特征变量组成的多核学习相关向量机模型。(4)选取对应于特征数据组各自的核函数。(5)进行GIS局部放电模式识别模型学习和测试。基于多核学习相关向量机的GIS放电模式识别流程图如图8所示。为了验证本文所提方法的科学性,分别将超高频信号特征量、超声波信号特征量以及融合后的特征量输入到MKL-RVM进行模式识别,最终的识别结果见表1~表3。根据上表可见,采用单一的超高频或者超声波参数进行模式识别,其正确率均低于参数融合后的识别率,参数融合后的识别率在92%左右,从而证明了组合核多参数融合法的科学性。4算法实现了gis局部放电作业区文章通过超高频和超声波检测法获取了4种典型绝缘故障模型下的放电信号,并且得到了相应的特征量统计图谱,并采用K-折交叉验证和PSO结合的方法对多核学习相关向量机核函数参数进行了优化,然后采用优化后的算法融合了两种检测法的特征参数,最终实现了GIS局部放电模式识别,取得了如下结论:(1)搭建了252kVGIS局部放电实验仿真平台,模拟了4种典型的绝缘故障,采用超高频和超声波检测法检测了局部放电信号