局部放电在线检测中的特征因子提取方法

摘要

本发明涉及一种局部放电在线检测中的特征因子提取方法,其特点是，包括如下步骤：通过对放电脉冲时频信息的分析，提出能够表征脉冲时频信息的特征量，然后对脉冲进行分类，分类完成后再计算出每一子类内表征脉冲信号特征的特征因子，以形成用于放电模式识别的特征因子。本发明提出了一种描述放电脉冲时频特征的新方法，通过此方法可以提取表征放电脉冲波形特征的高维特征量，以满足分类算法对系统特征量的需求。

主权项

一种局部放电在线检测中的特征因子提取方法，其特征在于，包括如下步骤：通过对放电脉冲时频信息的分析，提出能够表征脉冲时频信息的特征量，然后对脉冲进行分类，分类完成后再计算出每一子类内表征脉冲信号特征的特征因子，以形成用于放电模式识别的特征因子；其中提出能够表征脉冲时频信息的特征量具体是：21)为便于脉冲群的分类，对于采集到的放电脉冲信号做如下处理$p_j\left(t_i\right)=\left\{\begin{array}{c}{a}_0,a_1,...,a_i,...,a_{n-1}\\ 0,\Delta t,...,\Delta t(i-1),...,\Delta t(n-1)\end{array}\right.---\left(1\right)$式中，j表示第j个脉冲，n表示脉冲由n个点组成；a_i为第i个点的时域波形值；Δt为采样时间间隔；Δt(i‑1)为第i个点对应的时间；22)对脉冲波形做傅里叶变换可得$P_j\left(f_i\right)=\left\{\begin{array}{c}{A}_0,A_1,...,A_i,...,A_{n/2-1}\\ 0,\Delta f,...,\Delta f(i-1),...,\Delta f(n/2-1)\end{array}\right.---\left(2\right)$式中，A_i为第i个点的频谱幅值；Δf(i‑1)为第i个点的频率值；23)通过下式求取信号的时间重心和频率重心$\left\{\begin{array}{c}{T}_0^j=\underset{i=0}{\overset{n-1}{\Sigma }}{t}_i·p_j^2\left(t_i\right)/\underset{i=0}{\overset{n-1}{\Sigma }}{p}_j^2\left(t_i\right)\\ F_0^j=\underset{i=0}{\overset{n/2-1}{\Sigma }}{f}_i·p_j^2\left(f_i\right)/\underset{i=0}{\overset{n/2-1}{\Sigma }}{p}_j^2\left(f_i\right)\end{array}\right.---\left(3\right);$24)将信号脉冲的波形作为时间变量的概率密度分布，其傅里叶变换所得各频谱分量的幅值作为频率变量的概率密度分布，则可以引入变量的信息量作为表征脉冲波形特征的特征量，通过下式便可计算出表征放电脉冲波形时频信息的新的高维特征量$\left\{\begin{array}{c}{T}_j^k={\left\{{\log }_2\right[\underset{i=0}{\overset{n}{\Sigma }}{(t_i-T_0^j)}^{2k}·p_j^{2k}\left(t_i\right)/\underset{i=0}{\overset{n}{\Sigma }}{p}_j^{2k}\left(t_i\right)\left]\right\}}^k\\ F_j^k={\left\{{\log }_2\right[\underset{i=0}{\overset{n/2-1}{\Sigma }}{(f_i-F_0^j)}^{2k}·p_j^{2k}\left(f_i\right)/\underset{i=0}{\overset{n/2-1}{\Sigma }}{p}_j^{2k}\left(f_i\right)\left]\right\}}^k\end{array}\right.---\left(4\right)$式中，k＝2,...,m，对同一类中的所有放电脉冲进行特征提取后，即得脉冲群的特征向量序列j＝1,2,...,N,N为脉冲个数，通过选取不同的m值就可以得到不同维数的特征向量序列，以满足分类算法对脉冲信号特征量的需求。