专利汇可以提供一种XLPE电力电缆局部放电类型识别方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种XLPE电 力 电缆 局部放电类型识别方法,包括如下步骤:(1)搭建XLPE电力电缆局部放电实验平台,设计典型的绝缘故障局部放电模型;(2)利用高频 电流 法采集不同绝缘故障的PRPD谱图和脉冲 波形 图,将采集数据分为训练样本和测试样本,分别对PRPD谱图提取统计特征量,对脉冲 信号 原始波形图提取时域特征量,波形图经过快速傅里叶变换后提取 频域特征 量;(3)对特征量进行归一化,利用训练样本设置网络参数,构建融合极限学习机网络;(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络,得到放电类型的识别结果。本发明能够提高XLPE电力电缆局部放电类型识别的准确率和 稳定性 。,下面是一种XLPE电力电缆局部放电类型识别方法专利的具体信息内容。
1.一种XLPE电力电缆局部放电类型识别方法,其特征在于,包括如下步骤:
(1)搭建XLPE电力电缆局部放电实验平台,设计典型的绝缘故障局部放电模型;
(2)利用高频电流法采集不同绝缘故障的PRPD谱图和脉冲波形图,将采集数据分为训练样本和测试样本,分别对PRPD谱图提取统计特征量,对脉冲信号原始波形图提取时域特征量,波形图经过快速傅里叶变换后提取频域特征量;
(3)对特征量进行归一化,利用训练样本设置网络参数,构建融合极限学习机网络;
(4)将测试样本归一化后的特征量送入训练完成的融合极限学习机网络,得到放电类型的识别结果。
2.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(1)中,局部放电实验平台包括自耦调压器、升压变压器、限流电阻、试验样品、高频电流传感器、采样电阻、同轴电缆和测试装置,自耦调压器和升压变压器将工频220V电压升压至放电模型产生稳定放电的电压值,变压器和放电模型间接有限流电阻,高频电流传感器接在试验样品和地之间采集局放信号,电压同步信号由并联的采样电阻获得,两路信号通过同轴电缆传输到测试装置;四种绝缘缺陷包括电晕放电、内部放电、悬浮放电和沿面放电。
3.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(2)中,采集不同绝缘故障的PRPD谱图提取的统计特征量具体为:
(a)放电量因数RQ:反映正负半周的平均放电量的差异,定义为负正半轴平均放电量的比值:
式中, 和 分别代表正负半周放电量平均值, 和 分别代表正负半周放
电量之和, 和 分别代表正负半周放电次数和;
(b)正负半周相关系数CC:反映PRPD谱图在正负半周上的形状的差异程度:
式中,x和y分别代表正负半周内在各相位分隔区间内的放电特征数值,Cov(x,y)代表变量x与y的协方差,Var(x)代表x的方差;
(c)偏斜度Sk:反映PRPD谱图中某个半周内放电次数和放电量的分布相对于正态分布的偏斜情况,以正半周偏斜度Sk+为例,公式为:
式中,xi为第i个相位小区间内局部放电总量,pi为相位小区间内局部放电总量对于相位的概率分布,μ和σ分别为半个周期内相位概率分布的平均值与标准差;
(d)峰度Ku:反映PRPD谱图形状分布相对于正态分布的陡峭程度:
4.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(2)中,采集不同绝缘故障的脉冲信号的原始波形图提取的时域特征量具体为:
(a)上升时间tr:脉冲上升过程中瞬时值从峰值的10%至90%经过的时间;
(b)峰值时间tp:脉冲上升过程中瞬时值从0到峰值经过的时间;
(c)下降时间td:脉冲下降过程中瞬时值从峰值的90%到10%经过的时间;
(d)脉冲宽度tw:脉冲瞬时值从上升沿峰值的50%到下降沿峰值的50%经过的时间;
(e)波峰个数Ntp:波形极大值的个数;
(f)包络面积At:波形与坐标轴围成的面积的绝对值;
(g)时域均值μt:波形各采样点绝对值的平均值;
(h)时域方差σt2:波形各采样点绝对值的方差。
5.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(2)中,对局部放电脉冲波形图经过快速傅里叶变换后提取的频域特征量具体为:
(a)主频峰值p1:频谱图中各频率点幅值的最大值;
(b)主频频率f1:频谱峰值对应的频率;
(c)谱峰个数Nfp:频谱图中极大值的个数;
(d)频谱均值μf:频谱各频率点幅值的平均值;
(e)频谱方差 频谱各频率点幅值的方差。
6.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(3)中,对特征量进行归一化具体为:
式中,xij为第i个样本中第j个特征量归一化后的值,xij’为第i个样本中第j个特征量原始值,xjmax和xjmin分别为全部样本第j个特征值的最大值和最小值。
7.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(3)中,极限学习机网络由极限学习机子分类器和决策融合层组成,极限学习机包含输入层、单隐含层和输出层,输出层和隐含层之间的连接权值及隐含层各神经元的偏置随机产生,为-1~1之间的随机数,隐含层至输出层的权重通过求解广义逆矩阵确定,计算方法为:
β=H+T=HT(I/C+HHT)-1T
式中,β为输出权重矩阵,H和HT为隐层输出矩阵及其转置,T为期望输出向量,H+为隐层输出矩阵的广义逆矩阵,C为惩罚因子,用以消除过拟合现象,输出方程表示为:
f(x)=h(x)β=h(x)HT(I/C+HHT)-1T
式中,f(x)为输出层向量,h(x)为隐含层输出向量。
8.如权利要求1所述的XLPE电力电缆局部放电类型识别方法,其特征在于,步骤(4)中,将测试样本归一化后的特征量送入训练完成的融合极限学习机网络,得到放电类型的识别结果具体为:决策融合层对子分类器由各自信息做出的初步判定结果进行融合处理,得到最终的分类结果,利用Sigmoid函数对各子分类器的输出向量进行映射:
式中,P(fi(x))为第i种放电类型的输出结果。
经过映射后,各标签概率之和不等于1,需进行归一化处理:
式中,pi(x)为子分类器判定局部放电为第i种类型的概率。
假设采用M个分类器进行融合判断,则概率输出矩阵可表示为:
矩阵中每一列代表一个分类器的概率输出,采用自适应权值分配的方式实现多个ELM分类器结果的判定融合;对同一样本进行模式识别,若分类器将其归类为某一类标签的概率越大,表明该分类器对此样本的识别准确率越高,应分配的融合权值也越大,反之亦然;
融合权值分配计算方法如下:
式中,pk为第k个分类器中最大的概率输出,确定融合权值后,对各分类器输出加权,加权和最大的标签作为融合判定的输出结果,即:
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
带间载波聚合信号的波峰因数降低 | 2020-05-11 | 968 |
噪声整形波峰因数降低(CFR)方法和装置 | 2020-05-15 | 952 |
具有相位优化的波峰因数降低 | 2020-05-12 | 873 |
一种判定轴承异常声的方法 | 2020-05-19 | 38 |
用于峰值因数抑制的系统和方法 | 2020-05-20 | 41 |
振动监测 | 2020-05-21 | 839 |
具有可调波峰因数的限带噪声的产生 | 2020-05-11 | 233 |
用于具有动态功率及频率分布的信号的波峰因数缩减 | 2020-05-17 | 427 |
波峰因数降低电路和用于执行波峰因数降低的系统 | 2020-05-18 | 873 |
具有无源功率因数校正的电子镇流器 | 2020-05-25 | 887 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。