[发明专利]一种基于图谱特征和信息融合的局部放电模式识别方法

权利要求书

1.一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，包括以下步骤：

通过局部放电检测方法获取多个工频周期下不同缺陷类型下局部放电的PRPD图谱；

获取所述PRPD图谱中的放电重复率特征矩阵N；

获取所述PRPD图谱的坡向编码特征SI；

计算PRPD图谱积分特征I；

计算PRPD图谱二阶微分特征D²；

所述获取所述PRPD图谱中的放电重复率特征矩阵N，包括：

针对获取的所述PRPD图谱，确定表征放电重复率n的色度条中表示重复率的刻度范围，得到色度条所对应的放电重复率的刻度；

对所述PRPD图谱进行灰度化处理，得到色度条的灰度值；

将所述色度条的灰度值及对应放电重复率的刻度输入到BP神经网络中构建灰度值和放电重复率之间的对应关系；

获取局部放电的PRPD图谱中每一个设定相位区间内不同放电幅值对应的放电重复率值n，依次建立起放电重复率矩阵N；

所述获取所述PRPD图谱的坡向编码特征SI，包括：

获取每一个相位区间内放电幅值绝对值最大点的放电强度值P_i，i＝0,…,360；

依次使用直线连接获取的所述绝对值最大点的放电强度值P_i，并定义坡向指数SI来表示放电曲线的坡向，以直线斜率a的值为判据，获得不同相位区间内的坡向指数SI_j：

j表示相位区间，以相位区间为顺序得到所述PRPD图谱的坡向编码特征：SI＝[SI₁，…，SI₃₆₀]；

针对各个局部放电故障缺陷根据依次得到的所述PRPD图谱的放电重复率特征矩阵N、坡向编码特征SI、积分特征I、二阶微分特征D²，构建各个所述局部放电故障缺陷的图谱特征参量化矩阵M＝[N SI I D²]；

将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果；

所述将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，包括：

通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D²对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D²计算权重系数；

通过每个所述PRPD图谱特征N、SI、I和D²分别与相对应的权重系数的乘积之和，构建基于变权的信息融合模型；

将所述局部放电故障缺陷的所述参量化矩阵输入到所述基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，得分Score的计算公式如下：Score＝K₁*N+K₂*SI+K₃*I+K₄*D²式中K₁为放电重复率特征N的权重系数，K₂为坡向编码特征SI的权重系数，K₃为积分特征I的权重系数，K₄为二阶微分特征D²的权重系数；

根据各个所述局部放电故障缺陷的类型识别得分计算结果，建立类型识别得分区间范围与放电类型之间的对应关系数据库；

计算待检测局部放电的类型识别得分，将得分输入所述类型识别得分区间范围与放电类型之间的对应关系数据库，输出相应的局部放电类型判断结果。

2.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述局部放电检测方法，包括：

超高频法和脉冲电流法。

3.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述对所述PRPD图谱进行灰度化处理，得到色度条的灰度值的计算公式为：

Y＝0.299*R+0.587*G+0.144*B

式中Y为色度条的灰度值，R为红色分量，G为绿色分量，B为蓝色分量。