一种高压电缆终端局部放电模式识别方法、装置及设备

技术领域：

本发明属于高压电力设备绝缘监测技术领域，特别涉及一种高压电缆终端局部放电模式识别方法、装置及设备。

背景技术：

随着配网供电系统规模的增加，环网柜在电力系统中渐渐占据着重要的位置，其安全稳定运行对电网的安全具有重要意义。环网柜内部核心电缆终端的绝缘缺陷或劣化等问题，将直接危及环网柜内设备的正常运行，直接影响电网的用电安全。局部放电是高压电缆终端绝缘劣化的重要征兆和表现形式，对于环网柜的局部放电及时准确监测成为维护电网安全稳定运行的关键环节。

局部放电的产生往往伴随着电、光、声、热等一系列物理现象，因此，局部放电在线监测的研究是建立在对这些电量或非电量进行检测的基础上的。这些物理量被传感器捕获，并提取监测信号的特征来评估电缆终端的放电程度。局部放电在线监测手段常分为非电测法和电测法两大类。非电测法包括超声波法、光检测法、热监测法等，电测法包括高频检测法、暂态对地电压检测、超高频法、脉冲电流法等。采用高频法测量环网柜内局部放电，其装置安装简单，不会对环网柜内部原有的设备造成伤害。现有的高频法局部放电检测采用高速的采集卡，从复杂性、成本上，难以实现在线监测应用。因此有必要发明一种可实时在线监测的、低成本检测电路，便于推广应用。

局放信号类型识别对故障处理极为重要，对于局部放电的模式识别，特征提取是及其重要的一步。目前，特征提取的方法一般采用基于相位分布模式局部放电(PhaseResolved Partial Discharge，PRPD)统计谱图的特征提取方法，如基于二维谱图的统计特征分析法、分形特征分析法、散点集的分形特征等，该类方法得到的特征量维数较高，会出现信息冗余，容易出现过拟合等问题，影响识别精度。

发明内容：

为了解决上述问题，本申请提供了一种高压电缆终端局部放电模式识别方法、装置及设备，实现高压电缆终端局部放电模式的准确识别，降低电缆终端的维护成本和时间成本。

本发明第一方面提供了一种高压电缆终端局部放电模式识别方法，包括如下步骤：

S1、利用高频测量法获取电缆终端的局部放电信号；

S2、对所述放电信号进行模态分解得到所述局部放电信号的有效模态；

S3、根据所述有效模态得到特征矩阵；

S4、将所述特征矩阵输入模式识别模型中，输出局部放电模式的类型。

进一步的，放电模式包括针板放电模式、沿面放电模式和内部放电模式。

进一步的，步骤S2包括：

采用变分模态分解算法进行模态分解；

根据频率筛选出有效模态。

进一步的，步骤S3包括：

对筛选得到的有效模态采用多尺度排列熵算法运算，得到有效模态的多尺度排列熵矩阵；

对所述多尺度排列熵矩阵降维，得到信号的最终特征矩阵。

本发明第二方面提供了一种高压电缆终端局部放电模式识别装置，包括：

信号获取单元，用以利用高频测量法获取电缆终端的局部放电信号；

模态获取单元，用以对所述放电信号进行模态分解得到所述局部放电信号的有效模态；

特征提取单元，用以根据所述有效模态得到特征矩阵；

识别单元，用以将所述特征矩阵输入模式识别模型中，输出局部放电模式的类型。

进一步的，所述模态获取单元包括：

模态分解模块，用以采用变分模态分解算法进行模态分解；

模态筛选模块，用以根据频率筛选出有效模态。

进一步的，所述特征提取单元包括：

运算模块，用以对筛选得到的有效模态采用多尺度排列熵算法运算，得到有效模态的多尺度排列熵矩阵；

降维模块，对所述多尺度排列熵矩阵降维，得到信号的最终特征矩阵。

本发明第三方面提供了一种高压电缆终端局部放电模式识别设备，包括：

信号调理电路，用以将电缆终端的局部放电信号转换成格式可用信号；

处理器，配置为经由执行所述可执行指令来执本发明第一方面所述的一种高压电缆终端局部放电模式识别方法；

存储器，用以存储所述处理器的可执行指令。

进一步的，所述信号调理电路包括放大电路、检波电路、跟随电路积分电路和反相电路。

与现有技术相比，本发明的效果在于：

1、本申请的对调理后的信号进行特征提取时，进行模态分解和降维处理，降低了特征矩阵的维度，减少信息的冗余，可放电信号的局部时变特征进行自适应的时频分解的电缆终端局放模式识别，提高了识别准确率。

2、本发明通过高频检测法获取高压终端的放电信号，识别装置和识别仪器便于安装和信号采集，可以提供高压电缆终端局部放电的有关信息，分析出放电的模式类型，方便检修，大幅降低高压电缆终端的维护成本和时间成本，解决了在某些环境下，在线局部放电测试的难题，填补了我国高压电缆终端局部放电监测的空白。

附图说明：

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1为本发明具体实施例的一种高压电缆终端局部放电模式识别方法流程图；

图2为本发明具体实施方式的一种高压电缆终端局部放电模式识别装置结构框图；

图3为本发明具体实施例的信号调理电路的电路原理图；

图4为实例中的针板放电的变分模态分解分解图。

图5为实例中的沿面放电的变分模态分解分解图。

图6为实例中的内部放电的变分模态分解分解图。

图7为实例中的针板放电的多尺度排列熵图。

图8为实例中的沿面放电的多尺度排列熵图。

图9为实例中的内部放电的多尺度排列熵图。

图10为实例中的三种放电类型的支持向量机识别结果图。

图11为实例中的三种放电类型的神经网络识别结果图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本发明一具体实施例提供了一种高压电缆终端局部放电模式识别方法，包括如下步骤：

S1、利用高频测量法获取电缆终端的局部放电信号；

通常情况下，电缆终端有三种类型放电模式：

针板放电模式，电缆终端头的内部半导电层受损、连接管压接变性、金属屏蔽损坏以及线芯存在毛刺等缺陷导致电场分布极不均匀，引发针板放电；

沿面放电模式，电缆终端套管、应力锥的圆角表面由于制作工艺不良半导电层切口处不光滑，引发沿面放电；

内部放电模式，电缆终端绝缘层中存在气隙和杂质导致电场集中，形成内部放电。

上述三种模式下，获取的相应的局部放电信号分别为针板放电信号、沿面放电信号和内部放电信号。

S2、对所述放电信号进行模态分解得到所述局部放电信号的有效模态；

S21、采用变分模态分解算法进行模态分解；

所述变分模态分解算法为：

其中，k为模态分量数(k＝1,2,3,…)，变量数组{u

S22、根据频率筛选出有效模态，本实施例所述的有效模态是指根据步骤S21的模态分解算法将原始的局部放电信号分解成为k个模态分量。本实施例的原始的局部放电信号f(t)的工频频率通过积分电路进行降频处理，用以降低对硬件采样频率的要求，通过积分电路进行降频处理步骤的作用，通过积分电路的信号的工频频率将变成定值，则当分解后的第k个模态信号频率与局部放电信号的原信号f(t)幅值点频率不同时，此时有效分解模态的数量为k-1个，再根据步骤S21所述的分解算法所得到的分解的模态，在邻近的多个极值点频率的幅值中，模态分量幅值最大作为对应频率的有效模态，实现在k-1个有效模态中范围中确定有效模态(对应幅值最大)及其对应频率。本实施例所述的积分电路可以采用图2中的积分电路，通过所述积分电路将局部放电信号通过积分电路实现降频。

S3、根据所述有效模态得到特征矩阵；

S31、对筛选得到的有效模态采用多尺度排列熵算法运算，得到有效模态的多尺度排列熵矩阵；

其中，u

本实施例选择的尺度因子为20，每个信号得到3×20的特征矩阵。

S32、对所述多尺度排列熵矩阵降维，得到信号的最终特征矩阵。

为了降低模式识别的计算的维度，本实施例采用主成分分析法，具体包括：

将所述3×20的特征矩阵求出协方差矩阵，按照协方差矩阵值大小从上到下按行排列成矩阵，取前10列组成矩阵，即形成降维后的数据，实现了对所述多尺度排列熵矩阵进行降维处理，排列选取10组总贡献较高的尺度因子。

S4、将所述特征矩阵输入模式识别模型中，输出局部放电模式的类型，所述放电模式的类型为括针板放电模式、沿面放电模式和内部放电模式。

本实施例所述的模式识别算法包括支持向量机算法。

为了验证本实施例的放电模式识别效果，在一具体实施例中将步骤S1-步骤S3得到600组样本数据，分成训练集和测试集，其中，支持向量机训练集为480组，测试集为120组；最终结果如图10所示，其中图10为支持向量机识别结果，可见，支持向量机算法平均识别率为98.3％，其中针板放电识别率96.7％，沿面放电识别率100％，内部放电识别率为100％。

在具体实施过程中，模式识别方法可以不限于支持向量机学习方法，可以根据需要采用其他机器学习方法，例如在一具体实施例中，采用神经网络算法进行模式识别，神经网络训练集为420组，验证集为90组，测试集为90组，如图11的神经网络识别结果所示，神经网络算法平均识别率为96.7％，其中针板放电识别率100％，沿面放电识别率96.8％，内部放电识别率为94.1％。

在一具体实施例中，提供了一种高压电缆终端局部放电模式识别装置，如图2所示包括：

信号获取单元100，用以利用高频测量法获取电缆终端的局部放电信号；

模态获取单元200，用以对所述放电信号进行模态分解得到所述局部放电信号的有效模态；

特征提取单元300，用以根据所述有效模态得到特征矩阵；

识别单元400用以将所述特征矩阵输入模式识别模型中，输出局部放电模式的类型。

所述模态获取单元包括：

模态分解模块，用以采用变分模态分解算法进行模态分解；

模态筛选模块，用以根据频率筛选出有效模态。

所述特征提取单元包括：

运算模块，用以对筛选得到的有效模态采用多尺度排列熵算法运算，得到有效模态的多尺度排列熵矩阵；

降维模块，对所述多尺度排列熵矩阵降维，得到信号的最终特征矩阵。

信号获取单元100、模态获取单元200、特征提取单元300和识别单元400分别用于实现高压电缆终端局部放电模式识别方法中的步骤S1、S2、S3和S4，所以，具体实施方式可参照上述实施例的描述，再次不再赘述。

本实施例上述的信号获取单元100、模态获取单元200、特征提取单元300和识别单元400可以以软件的形式加载在各模块中，或以软硬件结合的方式集成在装置内。

本发明第三方面提供了一种高压电缆终端局部放电模式识别设备，包括：

信号调理电路，根据高频电流传感器的微分特性，对高频传感器采集到的放电信号进行调理，以满足AD的信号采集工作；

如图3所示，所述信号调理电路包括：

放大电路，由运算放大器U1将采集到的信号进行一次放大，便于后端处理；

检波电路，由检波二极管D2滤除信号中在负半轴的信号，保留正半波

跟随电路，由运算放大器U4组成跟随器，具有大阻抗的特点，起到电路隔离的作用；

积分电路，由运算放大器U3对信号进行积分运算，并提取出信号的包络线；

反相电路，由运算放大器U2实现反相，由于积分后的波形都位于负半轴，反相器使其信号归到正半轴；

处理器，配置为经由执行所述可执行指令来执本发明第一方面所述的一种高压电缆终端局部放电模式识别方法；

存储器，用以存储所述处理器的可执行指令。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。