技术领域
[0001] 本
发明涉及一种局部放电脉冲电流波形特征提取方法，适用于基于高速
采样的数字式局放仪；属于
变压器局部放电检测与
模式识别技术领域。
背景技术
[0002] 电
力变压器是电力系统中最重要及最昂贵的设备之一，其安全运行的意义重大。在现场运行中，局部放电是导致电力变压器绝缘劣化的重要原因之一，特别是随着电力设备容量、
电压等级不断增大的情况下，这个问题更为严重。局部放电的检测和模式识别是目前电力变压器绝缘状态检测的重要手段。
[0003] 局部放电检测是以发生局部放电时产生的电、光等现象为依据，通过能表述该现象的物理量来表征局部放电的状态。因此相应的出现了多种局部放电（局放）检测的方法，其中脉冲电流法是目前国际上唯一有标准的局放检测方法，所得到的数据具有可比性，目前是不可代替的。当前所研制的交流局部放电检测装置与识别系统中，当利用脉冲电流进行特征提取时，大都采用局放
信号的宏观特征作为模式识别的判断依据。即基于单种放电模型构造样本数据，再将数据转换为各种基于
相位窗的放电图谱，主要有最大放电量相位分布 、平均放电量相位分布 、放电次数相位分布 及三维放电谱图q-n等；然后对各放电图谱利用6~8个统计算子计算出37个左右的放电指纹并存储在系统的
数据库中。在使用局放仪在现场对变压器进行测试时，现有的数字式局放仪对测得的局放数据按照上述流程进行处理，取得放电指纹后与数据库中的放电模式进行对比，从而判断局放的放电模式。这些放电指纹均来自于局放波形信号的整体宏观特征，缺失了波形信号诸多的微观特性，没有完全充分利用所获得的局放信号数据，因此现有数字式局放仪大都只能对放电类型进行大致的分类识别，模式识别结果不够精确。
[0004] 在微观特征较少被业界采用的原因除了受通道带宽和采样率等
硬件条件限制外，还有一个主要原因是目前缺乏在连续的采样信号中快速有效地提取放电脉冲信号微观特征的方法。另外，微观特征参数数量较多且零散，将其直接作为局放特征量进行模式识别的效果不太理想。目前，随着硬件条件（通道带宽和采样
频率）的提高，已经基本具备了对脉冲信号微观特征分析的可能性，急需一种快速有效地提取放电脉冲信号微观特征的方法。
发明内容
[0005] 本发明的目的在于提供一种局部放电脉冲电流的波形特征提取方法，能有效的在连续采样波形信号中提取其微观特征；克服了目前数字式局放仪大多仅利用局放数据的宏观特征进行统计分析处理，不能完全充分利用获得的局放数据的不足；能够从采集数据中自适应的提取各种放电类型的单个放电脉冲波形，并通过改进的流形学习
算法对波形微观特征进行有效
降维，提取低维且有效的放电脉冲波形特征。
[0006] 为了达到上述目的，本发明提供一种局部放电脉冲电流的波形特征提取方法，具体包含以下步骤：
[0007] 步骤1：随机选择若干个电压等级，在每个电压等级下采集若干个工频周期的变压器局部放
电信号数据；
[0008] 步骤2：对上述步骤1中采集获得的变压器局放信号进行脉冲波形信号的自动提取；
[0009] 步骤3：对在步骤2中自动提取得到的单个放电脉冲波形的各个微观特征参数进行计算；
[0010] 步骤4：对在步骤3中获得的局放脉冲波形微观特征参数进行特征空间降维。
[0011] 所述步骤2中，具体包含以下步骤：
[0012] 步骤21：步骤1中采集获得的局部放电信号为离散时间序列，对其进行全局搜索，确定局部极大值点和局部极小值点在原离散时间序列中的
位置，分别形成局部极大值的一维数组IndMax和局部极小值的一维数组IndMin；
[0013] 步骤22：根据预先确定的幅度
阈值Th1，对步骤21中所得到的局部极大值的一维数组IndMax和局部极小值的一维数组IndMin进行过滤，剔除两组数组中低于幅度阈值Th1的离散点，过滤后的局部极大值的一维数组仍然记为IndMax，局部极小值的一维数组仍然记为IndMin；
[0014] 步骤23：将步骤22中所得到的局部极大值的一维数组IndMax和局部极小值的一维数组IndMin进行合并，对两组数组中的各极值点进行升序排序，合并后形成一维数组IndexM；
[0015] 步骤24：对步骤23中所得到的一维数组IndexM，计算相邻极值点的位置差，得到一维数组DiffIndexM：
[0016] ；
[0017] 其中，v表示一维数组IndexM中共包含v个极值点；
[0018] 步骤25：根据预先确定的距离阈值Th2，逐个判断步骤24中所得到的相邻极值点的位置差DiffIndexM中的各个数组值，对于大于距离阈值Th2的数组值视为一次放电，据此累计计算放电次数PDSums，同时记录各次放电脉冲最大值点幅值PDMaxs和此最大值点位置PDIndexs；其中PDSums为整型，PDMaxs和PDIndexs均为一维数组，大小为PDsums；
[0019] 步骤26：计算每次放电脉冲的起始位置和结束位置；根据步骤25中的放电位置PDIndexs，结合原信号放电脉冲前后离散点的平稳、振荡小、幅值低等特点分别向放电位置前后搜索起始位置和结束位置，分别记为一维数组PDStarts和PDEnds，大小为PDsums；
[0020] 步骤27：由步骤26所得波形起始位置PDStarts和结束位置PDEnds，结合步骤1的原始波形信号即可获得各次放电脉冲波形的离散序列值。
[0021] 所述步骤3中，单个放电脉冲波形的各个微观特征参数包含：
[0022] 脉冲极性：根据放电相位分为正脉冲和负脉冲；
[0023] 峰值：最大放电电流，即脉冲波形的最大幅值 ；
[0024] 脉冲上升时间：脉冲第1个波形的峰值从10%上升到90%的时间；
[0025] 脉冲下降时间：脉冲第1个波形的峰值从90%下降到10%的时间；
[0026] 脉冲宽度：脉冲波形峰值50%处的两点之间的时间间隔；
[0027]
脉冲持续时间：从脉冲波形上升时间开始到基本没有振荡为止的时间；
[0028] 10%幅值脉冲持续时间：脉冲波形峰值10%处的两点之间的时间间隔；
[0029] 脉冲包络类型：计算脉冲波形包络，分别与单指数衰减波形、单指数振荡衰减波形、双指数衰减波形、双指数振荡衰减波形进行匹配，从而确定脉冲包络类型；
[0030] 放电信号
能量分布：对脉冲波形利用FFT进行
频谱分析；
[0031] 脉冲衰减时间：从脉冲峰值的90%下降到峰值10%的时间；
[0032] 多个脉冲突发持续时间：一次放电波形中多个波峰持续时间；
[0033] 脉冲均值：平均放电电流，即 , 为脉冲波形离散序列点数；
[0034] 脉冲绝对均值：放电电流绝对值的均值，即 ， 为脉冲波形离散序列点数；
[0035] 脉冲均方根值：放电电流有效值，即 ， 为脉冲波形离散序列点数；
[0036] 脉冲方差： ， 为脉冲波形离散序列点数；
[0037] 脉冲峰值因数： ；
[0038] 脉冲波形因数： 。
[0039] 所述步骤4中，具体包含以下步骤：
[0040] 步骤41：基于改进的k邻接算法构造特征邻域图；
[0041] 步骤42：计算脉冲波形最短距离矩阵。对步骤41获得的有效邻接图 ，调用图的最
短路径算法来估计任意点对之间的最短路径距离，并以此作为点对在流形上的测地线距离的估计，从而得到样本最短距离矩阵 ；
[0042] 步骤43：基于有监督的线性降维方法的数据降维与特征提取。
[0043] 所述步骤41中，具体包含以下步骤：
[0044] 步骤411：假设步骤2中获得的放电脉冲波形为n个，即样本总数为n，则得到数据矩阵 ，其中列向量 ， 为由步骤3提取的单个放电脉冲波形微观参数构成的17维向量。由数据矩阵 计算其欧式距离矩阵 ，确定经典邻接图 ；
[0045] 步骤412：对邻接图G中的边进行短路边筛选；通过构建向量 -区域来
鉴别短路边；假设对于任意的两个点 ， ，以向量 为轴，以 为半径构成的圆柱形区域定义为向量 的 -区域；对于点 ，其已知邻居
节点计为 ，分别计算的 -区域，如果某个向量 的 -区域包括的样本点数量少
于给定
阀值 ，则认为向量 为短路边，于是从 的邻接图中去除 ；
[0046] 步骤413：对每个高维局部重复步骤412，即可得到更接近真实高维局部几何特征的邻接图 。
[0047] 所述步骤43中，具体包含以下步骤：
[0048] 步骤431：假设步骤1获得的原始局部放电类型分为C类 ，属于 维空间， 为微观特征参数的个数；假设步骤2获得的脉冲波形样本总数为 ；对每种局放脉冲波形类型 ，应用步骤41和步骤42，得到各自的样本最短距离矩阵 ；
[0049] 步骤432：计算步骤431所得各样本矩阵 的参数；各类样本均值向量 、各样本类内离散矩阵 ；以及计算总体样本矩阵参数，包括：总体样本均值向量 、总类内离散度矩阵 、各样本类间离散度矩阵 ；
[0050] 步骤433：为步骤431所得每一类 寻找一个投影方向 ，使得各投影间的距离最大，即使得下式最大化：
[0051] ；
[0052] 步骤434：对步骤431所得每一类 进行步骤433获得的 方向进行投影，得到低维投影 作为降维后的脉冲波形的特征值。
[0053] 本发明所提供的局部放电脉冲电流的波形特征提取方法，能针对各种局部放电类型，在连续的采样数据中，自动识别短暂的放电脉冲信号，计算其波形微观参数；考虑波形信号的连续性特征，采用改进的ISOMAP流形学习算法对高维的特征数据进行有效地降维处理，不仅能提高模式识别的计算速度，还能取得理想的分类效果。
附图说明
[0054] 图1本发明所提供的局部放电脉冲电流的波形特征提取方法的
流程图；
[0055] 图2是本发明步骤2所述的局放脉冲波形信号自动提取方法的流程图；
[0056] 图3是本发明步骤4所述的改进ISOMAP非线性降维方法的流程图；
[0057] 图4是本发明步骤41所述的基于改进的k邻接算法构造邻域图的流程图；
[0058] 图5是本发明步骤43所述的基于LDA的数据降维与特征提取的流程图。
具体实施方式
[0059] 以下根据图1～图5，具体说明本发明的较佳
实施例。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
[0060] 目前数字式局放仪的信号采集部分的信道带宽和采样率不断提高，进行局放脉冲信号的波形微观特征分析已具备了基本条件，提取放电脉冲信号微观特征的方法，要求能快速自动识别短暂放电脉冲波形，计算出微观特征参数，并对特征空间进行有效的降维处理，有利于后期局放信号的模式识别。非线性降维方法ISOMAP算法可以得到全局最优解，不存在算法收敛问题，且实现较为简单，已经在
人脸识别、
语音识别等多领域实现有效益应用。但是用于局放微观特征降维时，实验发现，经典ISOMAP算法流形学习采用测地距离衡量样本间的有效距离，即相关性，在用于局放微观特征时效果不明显，不同类型的局放降维数据不能有效区分。本发明提出利用经典ISOMAP算法得到的邻接矩阵，构建向量ε-区域来鉴别“短路边”，能有效去除“短路边”，得到更接近真实高维局部几何特征的邻接图，从而使得算法更具拓扑
稳定性；在降维阶段，为了获得最好的分类效果，采用有监督的线性降维方法LDA替代线性降维方法MDS，能够在投影面上最大限度的区分不同类型的放电。
[0061] 如图1所示，本发明所提供的局部放电脉冲电流波形特征提取方法，具体包含以下步骤。
[0062] 步骤1：随机选择若干个（可以是3个）电压等级，在每个电压等级下采集若干个（可以是50个）工频周期的变压器局部放电信号数据。
[0063] 步骤2：自动提取局放脉冲波形信号。如图2所示，对上述步骤1中采集获得的变压器局放信号进行自动脉冲波形提取，具体包括下列步骤。
[0064] 步骤21：步骤1中采集获得的局部放电信号为离散时间序列，对其进行全局搜索，确定局部极大值点和局部极小值点在原离散时间序列中的位置，分别形成局部极大值的一维数组IndMax和局部极小值的一维数组IndMin。
[0065] 步骤22：根据预先确定的幅度阈值Th1，对步骤21中所得到的局部极大值的一维数组IndMax和局部极小值的一维数组IndMin进行过滤，剔除两组数组中低于幅度阈值Th1的离散点，过滤后的局部极大值的一维数组仍然记为IndMax，局部极小值的一维数组仍然记为IndMin。
[0066] 步骤23：将步骤22中所得到的局部极大值的一维数组IndMax和局部极小值的一维数组IndMin进行合并，对两组数组中的各极值点进行升序排序，合并后形成一维数组IndexM。
[0067] 步骤24：对步骤23中所得到的一维数组IndexM，计算相邻极值点的位置差，得到一维数组DiffIndexM：
[0068] ；
[0069] 其中，v表示一维数组IndexM中共包含v个极值点。
[0070] 步骤25：根据预先确定的距离阈值Th2，逐个判断步骤24中所得到的相邻极值点的位置差DiffIndexM中的各个数组值，对于大于距离阈值Th2的数组值视为一次放电，据此累计计算放电次数PDSums，同时记录各次放电脉冲最大值点幅值PDMaxs和此最大值点位置PDIndexs；其中PDSums为整型，PDMaxs和PDIndexs均为一维数组，大小为PDsums。
[0071] 步骤26：计算每次放电脉冲的起始位置和结束位置；根据步骤25中的放电位置PDIndexs，结合原信号放电脉冲前后离散点的平稳、振荡小、幅值低等特点分别向放电位置前后搜索起始位置和结束位置，分别记为一维数组PDStarts和PDEnds，大小为PDsums。
[0072] 步骤27：由步骤26所得波形起始位置PDStarts和结束位置PDEnds，结合步骤1的原始波形信号即可获得各次放电脉冲波形的离散序列值。
[0073] 步骤3：微观特征参数计算；对在步骤2中自动提取得到的单个放电脉冲波形的各个特征参数进行计算，具体包括：
[0074] 脉冲极性：根据放电相位分为正脉冲和负脉冲；
[0075] 峰值（最大放电电流）：脉冲波形的最大幅值 ；
[0076] 脉冲上升时间：脉冲第1个波形的峰值从10%上升到90%的时间；
[0077] 脉冲下降时间：脉冲第1个波形的峰值从90%下降到10%的时间；
[0078] 脉冲宽度：脉冲波形峰值50%处的两点之间的时间间隔；
[0079] 脉冲持续时间：从脉冲波形上升时间开始到基本没有振荡为止的时间；
[0080] 10%幅值脉冲持续时间：脉冲波形峰值10%处的两点之间的时间间隔；
[0081] 脉冲包络类型：计算脉冲波形包络，分别与单指数衰减波形、单指数振荡衰减波形、双指数衰减波形、双指数振荡衰减波形进行匹配，从而确定脉冲包络类型；
[0082] 放电信号能量分布：对脉冲波形利用FFT进行频谱分析；
[0083] 脉冲衰减时间：从脉冲峰值的90%下降到峰值10%的时间；
[0084] 多个脉冲突发持续时间：一次放电波形中多个波峰持续时间；
[0085] 脉冲均值：平均放电电流，即 , 为脉冲波形离散序列点数；
[0086] 脉冲绝对均值：放电电流绝对值的均值，即 ， 为脉冲波形离散序列点数；
[0087] 脉冲均方根值：放电电流有效值，即 ， 为脉冲波形离散序列点数；
[0088] 脉冲方差： ， 为脉冲波形离散序列点数；
[0089] 脉冲峰值因数： ；
[0090] 脉冲波形因数： 。
[0091] 步骤4：特征空间降维；如图3所示，对在步骤3中获得的局放脉冲波形微观特征参数进行降维的过程，具体包括下列步骤。
[0092] 步骤41：基于改进的k邻接算法构造特征邻域图；如图4所示，具体包含以下步骤。
[0093] 步骤411：假设步骤2中获得的放电脉冲波形为n个，即样本总数为n，则得到数据矩阵 ，其中列向量 ， 为由步骤3提取的单个放电脉冲波形微观参数构成的17维向量。由数据矩阵 计算其欧式距离矩阵 ，根据给定的参数 ，确定经典邻接图 。
[0094] 步骤412：对邻接图G中的边进行短路边筛选。这里通过构建向量 -区域来鉴别短路边。假设对于任意的两个点 ， ，以向量 为轴，以 为半径构成的圆柱形区域定义为向量 的 -区域。对于点 ，其已知邻居节点计为 ，分别计算的 -区域，如果某个向量 的 -区域包括的样本点数量少
于给定阀值 ，则认为向量 为短路边，于是从 的邻接图中去除 。这里阀值 的选取可根据采样的
密度确定，要求采样数据均匀。
[0095] 步骤413：对每个高维局部重复步骤412，即可得到更接近真实高维局部几何特征的邻接图 。
[0096] 步骤42：计算脉冲波形最短距离矩阵。对步骤41获得的有效邻接图 ，调用图的最短路径算法（如Dijkstra算法）来估计任意点对之间的最短路径距离，并以此作为点对在流形上的测地线距离的估计，从而得到样本最短距离矩阵 。
[0097] 步骤43：基于有监督的线性降维方法LDA的数据降维与特征提取。如图5所示，包含以下步骤。
[0098] 步骤431：假设步骤1获得的原始局部放电类型分为C类 （属于 维空间， 为微观特征参数的个数）；假设步骤2获得的脉冲波形样本总数为 ；对每种局放脉冲波形类型 ，应用步骤41和步骤42，得到各自的样本最短距离矩阵 。
[0099] 步骤432：计算步骤431所得各样本矩阵 的参数。各类样本均值向量 、各样本类内离散矩阵 ；以及计算总体样本矩阵参数，包括：总体样本均值向量 、总类内离散度矩阵 、各样本类间离散度矩阵 。
[0100] 步骤433：为步骤431所得每一类 寻找一个投影方向 ，使得各投影间的距离最大，即使得下式最大化：
[0101] ，其中T表示对矩阵进行转置。
[0102] 步骤434：对步骤431所得每一类 进行步骤433获得的 方向进行投影，得到低维投影 作为降维后的脉冲波形的特征值。
[0103] 本发明所提供的局部放电脉冲电流波形特征提取方法，适用于基于高速采样的数字式局放仪。首先自动获得单个放电脉冲波形数据，再根据获得的单个波形数据计算其微观特征参数，最后对特征参数进行有效的降维处理，便于提高后期模式识别的计算速度和准确率。
[0104] 本发明在对特征空间进行降维过程中引入了一种流形学习中的非线性降维方法ISOMAP，并对其进行了改进，使之适用于对波形数据微观特征空间的降维处理。经典ISOMAP算法中，构建的邻域图
质量好坏直接关系到流形学习算法的性能。现有算法一般采用k近邻或者ε近邻策略构建邻域，但这两个方法都需要事先
指定邻域大小参数。而流形学习算法对这两个参数都比较敏感：参数过大，会使得构建的邻域图有所谓的“短路边”连接属于不同分支的点对；邻域过小则会使得构建的邻域图不连通，从而无法得到整体数据的统一低维嵌入坐标。
现有技术中有利用ISOMAP算法中提出的降维后测地线距离与估计的测地线距离之间的残差来选择最优参数。但是对所有点采用一个所谓的固定最优邻域大小，这对于流形
曲率变化较大和不均匀采样的数据显然不太合适。
[0105] 本发明提出利用经典ISOMAP算法得到的邻接矩阵，通过删除其中的“短路边”，构造更接近真实高维局部几何特征的邻接图，从而使得算法更具拓扑稳定性。所谓“短路边”是指从而将流形上本不相邻的两个数据点连接起来的边。“短路边”的存在将破坏高维局部几何特征，进而影响测地距离的估计，导致不能得出有效的低维流形。单纯的利用欧式距离不能有效判断邻居节点是否正确，本文这里通过构建向量ε-区域来鉴别“短路边”，能有效去除“短路边”，得到更接近真实高维局部几何特征的邻接图。
[0106] 另外，ISOMAP从重构的
角度进行数据降维，但并没有考虑模式分类，属于无监督非线性降维方法。本发明为更有效提取局放脉冲波形特征，在降维方式上，采用有监督的线性降维方法LDA替代经典算法中的MDS算法，进行降维处理。
[0107] 尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种
修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的
权利要求来限定。
