[发明专利]一种变压器局部放电模式识别方法、系统、介质及设备

说明书

本发明公开了一种变压器局部放电模式识别方法、系统、介质及设备，包括以下步骤：对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式类别。本发明的识别方法收敛速度提高，分类效果更佳。

技术领域

本发明属于变压器局部放电识别技术领域，具体属于一种变压器局部放电模式识别方法、系统、介质及设备。

背景技术

特高压工程建设是电力系统发展的重要方向，同时其建设过程也对电力系统的稳定运行提出了更大的挑战。电力变压器作为整个电力系统中最重要的电力设备之一，其正常运行是保证电网安全运行的必要条件，因此必须加强对电力变压器运行状态的监测、诊断及评估。

大量故障统计表明，电力变压器的故障多为绝缘问题所造成。当电力变压器局部区域开始出现绝缘劣化时，此时若施加高压，会导致变压器的绝缘局部区域击穿进而产生放电，这种放电现象即为电力变压器的局部放电。电气设备中电介质的不均匀、制造过程中的气泡杂质等都会使设备表面出现高场强区域，易产生局部击穿放电。

局部放电的长期积累会对绝缘介质产生极大的危害，会导致介质分子结构被破坏，周围的绝缘介质被侵蚀，使绝缘材料的性能和寿命大大降低，最终失去绝缘功能。同时研究表明，变压器内部不同的绝缘缺陷类型对其绝缘性能的破坏程度也有很大的不同，为了保证变压器的安全稳定运行，需要对其常见的局部放电类型进行模式识别，从而判断变压器的绝缘状态。

目前，国内外学者已经对模式识别展开深入研究。其中BP神经网络由于其强大的学习能力和非线性映射能力在模式识别领域应用广泛。然而，神经网络样本需求大、收敛速度慢、易陷入局部极值，并且存在过拟合、易发散等问题。针对神经网络的缺点，学者提出了支持向量机算法，与传统的神经网络等算法相比，其遵循的为结构风险最小化原则，对小样本数据的预测分析能力更佳，因此在模式识别领域得到广泛应用。然而，SVM缺点是模型参数选取困难，不同的参数会产生不同的分类效果，因此需要选取合适的模型参数来达到更好的分类效果。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种变压器局部放电模式识别方法、系统、介质及设备，解决目前变压器局部放电类型的模式识别收敛速度慢，分类效果差的问题。

为实现上述目的，本发明提供如下技术方案：一种变压器局部放电模式识别方法，包括以下步骤：

对检测到的变压器局部放电超声信号进行去噪处理，提取局部放电超声信号的时域特征参数和频域特征参数；

将提取的时域特征参数和频域特征参数作为样本数据集，所述样本数据集被随机分为训练数据集和测试数据集；

将训练数据集送入支持向量机SVM模型中进行训练学习，以SVM模型优化过程中的交叉验证准确率作为BSO算法中的适应度函数，利用BSO算法寻找SVM模型中的最优惩罚参数c与核函数参数g；

在已获得最优参数的SVM模型中，对测试数据集对应的局部放电超声信号进行模式识别，输出识别准确率，完成局部放电超声信号模式识别。

进一步的，所述局部放电超声信号的去噪过程如下：

选取小波函数，完成小波分解；

确定局部放电超声信号的阈值，基于确定的阈值，采用硬门限或软门限处理小波函数的系数；

基于以上小波函数和阈值对局部放电超声信号进行去噪，采用信噪比和均方根误差衡量去噪结果。