一种变压器油纸绝缘多局部放电源信号的分离与识别算法

摘要

本发明公开了一种变压器油纸绝缘多局部放电源信号的分离与识别算法。该算法采用时频分析与近邻相似传播聚类进行多局部放电源脉冲信号的分离和识别。首先，采用S变换对局部放电脉冲进行时频分析，得到ST幅值(STA)矩阵，并计算脉冲的相似度；然后，采用相似度矩阵进行近邻传播聚类，实现放电脉冲的自动分离。最后，提取子类脉冲的脉冲相位分布模式（PRPD）图谱的指纹特征识别放电源类型，并使用实验采集并人工组合的多放电源信号对方法的有效性进行了校验。该算法能自动地根据脉冲之间的相似度给出聚类数目及对应的脉冲群，并且不受脉宽的影响。当采集的PD原始数据采用一定的脉宽提取单次脉冲波形即可较好地实现多放电源的分离。

说明书

技术领域

本发明涉及电气设备绝缘在线监测与故障诊断领域，特别涉及一种变压器油纸绝缘多局 部放电源脉冲信号的分离与识别算法。

背景技术

电力变压器是电网中的核心设备，在设备制造、运输以及长期运行过程中不可避免地会 产生绝缘缺陷从而引发的局部放电(PD)，严重影响了变压器的运行可靠性。因此，局部放电 源信息的分析与诊断是变压器状态评估中的重要内容，为制定合理的维护与检修策略提供参 考依据。

传统方法常采用放电脉冲信号的脉冲相位分布模式（PRPD）图谱形状及根据其提取的特 征参量来识别放电源类型。但实际运行过程中，由于变压器油纸绝缘多为液-固两相复合绝 缘，其内部结构复杂，往往在会多处引发局部放电；同时，恶劣的运行环境也有可能造成套 管表面发生放电。因此，现场监测得到的变压器绝缘局部放电信号往往是多处放电源信号的 叠加，导致所得的PRPD图谱为多个放电源的重叠信息。因此，采用传统单一放电源的PRPD 图谱特征或参量无法直接对多局部放电源信号进行识别和诊断，需要在放电源类型识别和诊 断前对接收到的多放电源叠加信号进行脉冲分离。理论上，传感器接收到的来自同一局部放 电源的信号具有类似的特性，通过提取具有某种具有代表性的特征使得具有类似特性的脉冲 能够聚集成一类，实现多放电源脉冲的自动分离后，结合单一缺陷的放电指纹，即可对多放 电源进行诊断。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种变压器油纸绝缘多局部放电源脉冲信 号的分离与识别算法。

本发明的目的是这样实现的：

本发明提供的一种变压器油纸绝缘多局部放电源信号的分离与识别算法，包括以下步 骤：

S1：采集多局部放电源信号和单一局部放电源信号；

S2：对多局部放电源信号进行分析获取单次PD脉冲群和相位幅值矩阵数据；

S3：计算单次PD脉冲群进行相似度并生成相似度矩阵；

S4：通过近邻传播聚类对相位幅值矩阵数据结合相似度矩阵进行聚类并生成子类脉冲 PRPD图谱数据；

S5：根据单一局部放电源信号的PRPD图谱指纹特征来识别子类脉冲PRPD图谱数据并分 离多局部放电源信号以形成不同的放电源类型。

进一步，所述相似度矩阵的生成具体包括以下步骤：

S31：对单次PD脉冲群进行S变换并生成STA幅值矩阵；

S32：采用以下公式来计算STA幅值矩阵的相似度：

$S(i,j)=\frac{\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}(A_i(k,l)-\stackrel{-}{A_i})(A_j(k,l)-\stackrel{-}{A_j})}{\sqrt{\left(\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}{(A_i(k,l)-\stackrel{-}{A_i})}^2\right)}\left(\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}{(A_j(k,l)-\stackrel{-}{A_j})}^2\right)}---\left(1\right)$

式中，S(i,j)表征STA幅值矩阵中第i个PD脉冲A_i与第j个脉冲A_j的相似度，m和n 分别为STA幅值矩阵的行数与列数，和为STA幅值矩阵中A_i和A_j的均值。

进一步，所述近邻传播聚类具体包括以下步骤：

S41：初始化r(i,k)和a(i,k)，

其中，r(i,k)为吸引度，表征样本A_k适合作为样本A_i的聚类中心的程度；a(i,k)为归属 度，表征样本A_i选择样本A_k作为其聚类中心的适合程度；

S42：按照式(2)～(5)迭代更新吸引度r(i,k)：

r^old(i,k)=r(i,k)     (2)

$r(i,k)=S(i,k)-\underset{j:j\ne k}{\max }[a(i,j)+S(i,j)]---\left(3\right)$

r^new(i,k)=(1-λ)r(i,k)+λr^old(i,k)    (4)

r(i,k)=r^new(i,k)    (5)

S43：按照式(6)～(10)迭代更新归属度a(i,k)：

a^old(i,k)=a(i,k)    (6)

$a(k,k)=\underset{j:j\ne k}{\Sigma }\max \{0,r(j,k)\}---\left(7\right)$

a^new(i,k)=(1-λ)a(i,k)+λa^old(i,k)    (9)

a(i,k)=a^new(i,k)    (10)

式(2)～(10)中，r^old(i,k)和a^old(i,k)表征上次迭代的值，r^new(i,k)和a^new(i,k)为当前迭代的值， r(i,k)和a(i,k)为迭代过程中的中间变量；

S44：反复迭代运行步骤S42和S43直到输出一组稳定的类中心及其聚类结果；

S45：输出聚类结果：

$c_i^{*}=\underset{k}{\arg \max }[r(i,k)+a(i,k)]$

其中，表示输出的聚类结果，i,k表示样本编号；

进一步，所述单一局部放电源信号的PRPD图谱指纹特征通过以下步骤来实现：

S51：对单一局部放电源信号进行分析处理形成相位幅值矩阵数据；

S52：对相位幅值矩阵数据进行处理并生成PRPD图谱数据；

S53：对PRPD图谱数据进行处理并生成指纹特征。

本发明的优点在于：本发明采用时频分析与近邻相似传播聚类进行多局部放电源脉冲信 号的分离和识别，，采用S变换对局部放电脉冲进行时频分析，得到ST幅值(STA)矩阵，并 基于STA矩阵计算脉冲的首先相似度；然后，采用相似度矩阵进行近邻传播聚类，实现放电 脉冲的自动分离。最后，提取子类脉冲的脉冲相位分布模式（PRPD）图谱的指纹特征识别放 电源类型，并采用人工组合和实验采集的多放电源信号对方法的有效性进行了校验，显著效 果如下：

（1）采用APC算法对多放电源信号进行分离是基于ST相似度矩阵，能够自动地根据脉 冲之间的相似度给出聚类数目及对应的脉冲群。

（2）该方法不受脉宽的影响，当采集的PD原始数据采用一定的脉宽提取单次脉冲波形 即可较好地实现多放电源的分离。

（3）当采集的PD原始数据采用一定的脉宽提取单次脉冲波形，即可较好地实现多放电 源的分离。

本发明的其它优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某 种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发 明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书以及附图中所特别指 出的结构来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的 详细描述，其中：

图1为多局部放电源识别流程图；

图2为沿面与电晕混合放电PRPD图谱；

图3为沿面与电晕混合放电信号分离结果；

图4为电晕与层间混合放电PRPD图谱；

图5为层间与电晕混合放电信号分离结果。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为 了说明本发明，而不是为了限制本发明的保护范围。

实施例1

图1为多局部放电源识别流程图，如图所示：本发明提供的一种变压器油纸绝缘多局部 放电源信号的分离与识别算法，包括以下步骤：

S1：采集多局部放电源信号和单一局部放电源信号；

S2：对多局部放电源信号进行分析获取单次PD脉冲群和相位幅值矩阵数据；

S3：计算单次PD脉冲群进行相似度并生成相似度矩阵；

S4：通过近邻传播聚类对相位幅值矩阵数据结合相似度矩阵进行聚类并生成子类脉冲 PRPD图谱数据；

S5：根据单一局部放电源信号的PRPD图谱指纹特征来识别子类脉冲PRPD图谱数据并分 离多局部放电源信号以形成不同的放电源类型。

所述相似度矩阵的生成具体包括以下步骤：

S31：对单次PD脉冲群进行S变换并生成STA幅值矩阵；

S32：采用以下公式来计算STA幅值矩阵的相似度：

$S(i,j)=\frac{\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}(A_i(k,l)-\stackrel{-}{A_i})(A_j(k,l)-\stackrel{-}{A_j})}{\sqrt{\left(\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}{(A_i(k,l)-\stackrel{-}{A_i})}^2\right)}\left(\underset{k=1}{\overset{m}{\Sigma }}\underset{l=1}{\overset{n}{\Sigma }}{(A_j(k,l)-\stackrel{-}{A_j})}^2\right)}---\left(1\right)$

式中，S(i,j)表征STA幅值矩阵中第i个PD脉冲A_i与第j个脉冲A_j的相似度，m和n 分别为STA幅值矩阵的行数与列数，和为STA幅值矩阵中A_i和A_j的均值。

所述近邻传播聚类具体包括以下步骤：

S41：初始化r(i,k)和a(i,k)，

其中，r(i,k)为吸引度，表征样本A_k适合作为样本A_i的聚类中心的程度；a(i,k)为归属 度，表征样本A_i选择样本A_k作为其聚类中心的适合程度；

S42：按照式(2)^～(5)迭代更新吸引度r(i,k)：

r^old(i,k)=r(i,k)    (2)

$r(i,k)=S(i,k)-\underset{j:j\ne k}{\max }\left[(a(i,j)+S(i,j)\right]---\left(3\right)$

r^new(i,k)=(1-λ)r(i,k)+λr^old(i,k)    (4)

r(i,k)=r^new(i,k)    (5)

S43：按照式(6)～(10)迭代更新归属度a(i,k)：

a^old(i,k)=a(i,k)    (6)

$a(k,k)=\underset{j:j\ne k}{\Sigma }\max \left\{0,r(j,k)\right\}---\left(7\right)$

$a(i,k)=\min \{0,\left(r(k,k)+\underset{j:j\notin \{i,k\}}{\Sigma }\max \{0,r(j,k)\}\right)\}---\left(8\right)$

a^new(i,k)=(1-λ)a(i,k)+λa^old(i,k)    (9)

a(i,k)=a^new(i,k)    (10)

式(2)～(10)中，r^old(i,k)和a^old(i,k)表征上次迭代的值，r^new(i,k)和a^new(i,k)为当前迭代的值， r(i,k)和a(i,k)为迭代过程中的中间变量；

S44：反复迭代运行步骤S42和S43直到输出一组稳定的类中心及其聚类结果；

S45：输出聚类结果：

$c_i^{*}=\underset{k}{\arg \max }\left[r(i,k+a(i,k)\right]$

其中，表示输出的聚类结果，i,k表示样本编号；

所述单一局部放电源信号的PRPD图谱指纹特征通过以下步骤来实现：

S51：对单一局部放电源信号进行分析处理形成相位幅值矩阵数据；

S52：对相位幅值矩阵数据进行处理并生成PRPD图谱数据；

S53：对PRPD图谱数据进行处理并生成指纹特征。

本发明提供的基于脉冲时频分析与近邻传播聚类的变压器油纸绝缘多局部放电源信号 的分离与识别算法，解决了多局部放电源PRPD图谱存在交叉、重叠而无法进行识别的问题， 为变压器状态评估和制定合理的维护与检修策略提供参考依据。

实施例2

本实施例与实施例1的区别仅在于：

本实施例模拟变压器油纸绝缘缺陷设计三种人工模型：沿面放电模型、电晕放电模型和 层间放电模型。

图2是将沿面放电与电晕放电的信号进行人工合成后的PRPD图谱，采样电压是22kV， 采样率为100MS/s，包含沿面放电的567个脉冲与电晕放电的235个脉冲。

算法的第一步是计算相似度矩阵，S变换幅值矩阵（STA）的维度是100×200。选取阻 尼因子λ=0.5，防止近邻传播聚类算法（APC）中的振荡。同时，设置参考向量p为p(1) =p(2)=…=p(i)=…=p(802)=-20。经过迭代运算，APC算法自动给出分离结果： 组数为2与属于各组的脉冲矩阵。沿面与电晕混合放电的分离结果如图3所示。从图(e)与 图(f)可以看出对应于组1与组2的脉冲的STA矩阵明显不同。

组1与组2中的脉冲数量分别是568与234。通过对比观察，组1中的脉冲主要来自沿 面放电，而组2中的脉冲主要来自电晕放电。通过计算得出PD信号的分离正确率为99.63%。

实施例3

本实施例与实施例1的区别仅在于：

图4给出了电晕与层间放电信号人工合成后的PRPD图谱，电晕放电的采样电压是19kV， 层间放电的采样电压是10kV，采样率为100MS/s，采集到的信号包含416个电晕放电脉冲和 854个层间放电脉冲。

同样选取阻尼因子λ=0.5，参考向量p设置为p(1)=p(2)=…=p(i)=…=p(802) =-20。经过迭代运算，APC算法得到的分离结果如图5所示。组1与组2中的脉冲数量分别 是411与859。通过观察，组1中的脉冲主要来自电晕放电，而组2中的脉冲主要来自层间 放电。计算得到PD信号的分离正确率为98.35%。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可 以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修 改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变 型在内。