一种基于集成学习的局放故障状态识别方法技术

本发明专利技术公开了一种基于集成学习的局放故障状态识别方法，涉及电力设备局部放电检测识别领域，首先通过局放声光联合检测系统采集局部放电信号，获取原始数据，经过数据预处理，包括异常值检测与清洗、数据去噪和数据标准化，再从多分析域提取信号特征，将得到的超声信号特征、紫外信号特征输入到本发明专利技术设计的两阶段Stacking‑Bagging集成学习模型中，最终通过相对多数投票判断出当前输入信号所处的局放故障状态。该识别方法对电力设备的局放故障状态识别率高，且识别稳定性高。

【技术实现步骤摘要】
一种基于集成学习的局放故障状态识别方法
本专利技术涉及电力设备局部放电检测领域，具体涉及一种基于集成学习的局放故障状态识别方法。
技术介绍
通过局部放电检测法实时检测电力设备故障状态，分析故障发展阶段，具有重大的意义。目前局部放电发生过程中常常伴随着多种物理、化学现象，例如电磁波、声波的发射、电荷的交换、产生分解物、发出光和热等。因此，根据局部放电的物理、化学和电气特征，一般把局部放电检测方法划分为非电气测量法和电气测量法。其中电气测量方法主要有：脉冲电流检测法、特高频检测法等。非电气测量方法常见的有：超声波检测法、红外热像法、紫外光检测法以及化学检测法等。单一的局部放电检测方法难以保障电力设备故障状态的准确、稳定识别。采用联合检测的方法可以从多信息融合角度，挖掘局部放电更丰富的信息，并可以优势互补，扩大检测方法的适用范围，实现多场景应用。目前国内外研究比较深入的是超声波法与特高频法的联合，但这种仍以电气检测法为主，检测结果受电磁环境干扰影响较大，不适用于强电磁干扰应用场景。超声-紫外脉冲联合检测方式，具有抗强电磁干扰、非接触式测量、成本低廉、可便携、检测优势互补等特点。目前基于局部放电声光联合检测系统，进行故障状态识别方法，有支持向量机、基于距离的KNN算法、神经网络算法等，近年来也有学者尝试了以卷积神经网络CNN为代表的深度学习算法的应用。支持向量机算法核函数受Mercer条件限制，规则化参数选择困难，并且对缺失数据敏感；KNN算法存在容错性较差、小样本预测准确性低和大样本量下预测速度慢等问题，而卷积神经网络需大量的训练样本，学习训练时间较长，计算资源要求高，且可解释性不强。由于电力设备局部放电影响因素较多，现场环境、电力设备自身缺陷和人为操作等均可能带来干扰，同时部分应用场景下存在因故障放电状态样本较少而引起的样本不均衡，因故障放电状态界限模糊而导致的样本误分类等问题，因此，对局部放电故障状态的高准确性、高稳定性识别是一个困难而复杂的问题。目前大部分局部放电故障状态识别算法采用单模型分类算法，虽然在特定场景中取得了不错的识别结果，但在实际应用中仍存在着以下难点：1、在训练样本较少的条件下，可能单模型分类算法的准确性不高；2、由于先验知识不确切，可能造成单模型分类算法泛化性能不强；3、大部分单模型算法在各自擅长的领域识别效果不错，但不能解决多场景应用问题。集成学习算法通过多个单模型分类算法优势互补，目前应用比较广泛的集成学习算法有Bagging、Boosting和Stacking等，但在局部放电故障状态识别的应用中还比较少，所以本专利技术结合应用场景提出一种基于集成学习的局放故障状态识别方法进行集成学习模型的选择和设计以识别局部放电故障状态。
技术实现思路
本专利技术的目的在于：提供了一种基于集成学习的局放故障状态识别方法，以解决局部放电故障状态的要求高准确性、高稳定性识别的问题。本专利技术采用的技术方案如下：本专利技术是一种基于集成学习的局放故障状态识别方法，该方法具体包括以下步骤：步骤1：利用局放声光联合检测系统采集实际应用现场的局部放电信号，包含超声信号和紫外信号，并构建信号数据库；步骤2：采用基于统计的箱型图理论对局部放电信号的异常值进行检测并清洗；步骤3：采用经验模态分解法减弱局部放电信号的噪声干扰；步骤4：对去噪后的局部放电信号采用最大-最小值标准化进行数据标准化处理；步骤5：对经过步骤4标准化处理后局部放电信号进行多分析域特征提取，分别得到超声信号特征Fcs与紫外信号特征Fzy；步骤6：对于超声信号特征Fcs利用Stacking算法进一步挖掘局部放电信息，超声信号特征Fcs通过使用初级学习器和次级学习器进行训练和测试，将输出结果作为Stacking特征，记作Fstacking；步骤7：将超声信号特征Fcs、紫外信号特征Fzy和步骤6得到的Stacking特征Fstacking进行融合得到融合特征Fmerge，融合特征Fmerge划分为训练集和测试集，融合特征Fmerge的训练集数据用于训练LGB分类器，每次随机抽取Fmerge的一部分特征，通过Bagging算法得到多个LGB分类器；步骤8：融合特征Fmerge的测试集数据依次输入步骤7训练好的多个LGB分类器，每个LGB分类器对其输出一个预测结果，对多个LGB分类器的预测结果采用相对多数投票的方式，选择得票最多的故障状态作为预测输出，即可得到集成学习模型最终预测的局部放电故障状态。进一步的，所述信号数据库内局部放电信号按7：3的比例划分为训练集和测试集。进一步的，所述步骤7具体划分为Stacking第一阶段、Stacking第二阶段和Stacking输出，Stacking第一阶段是使用初级学习器，结合5折交叉验证的方式，得到训练集和测试集的预测结果输入到Stacking第二阶段，其中，在每一个初级学习器内，训练集各折的预测结果采用按行堆叠合并的方式输入到Stacking第二阶段，测试集结果采用求平均的方式输入到Stacking第二阶段；Stacking第二阶段是将Stacking第一阶段中多个初级学习器的训练集、测试集预测结果采取按列堆叠合并的方式，分别得到新训练集和新测试集，其中新训练集用于训练次级学习器(RF)；Stacking输出是将Stacking第二阶中的新测试集输入到次级学习器得到输出结果，即Stacking特征。进一步的，所述初级学习器采用4个，分别为支持向量机SVM、K最近邻KNN、随机森林RF和极端梯度提升树XGB，所述次级学习器采用随机森林RF。进一步的，所述步骤1中局放声光联合检测系统包括传感器模块、声光信号驱动模块、STM32主控模块和电源模块；所述传感器模块包括超声传感器和紫外传感器，用于搜集局部放电过程伴随的超声信号和紫外信号，超声信号和紫外信号通过声光信号驱动模块分别转换为电压信号和脉冲信号，电压信号经模数转换后通过SPI通信方式传输到STM32主控模块，脉冲信号由STM32主控模块通过脉冲捕获方式进行采集；STM32主控模块对超声信号和紫外信号进行融合处理得到局部放电信号，并完成实时数据存储、波形显示及预警提示。进一步的，所述步骤2对局部放电信号的异常值进行检测并清洗的具体步骤为：步骤21：步骤1中信号数据库内根据超声信号和紫外信号的幅值等级进行分离；步骤22：基于箱型图理论分别确定超声信号和紫外信号的经验系数值k；步骤23：根据步骤22得到的经验值系数k，确定超声信号的箱型图最大值Bmax1和最小值Bmin1，以及紫外信号的箱型图最大值Bmax2和最小值Bmin2；步骤24：根据步骤23中超声信号的箱型图最大值Bmax1和最小值Bmin1，以及紫外信号的箱型图最大值Bmax2和最小值Bmin2的数值范围对步骤1中局部放电信号进行异常值剔除，则完成局部放电信号异常值清洗。进一步的，所述步骤3中对局部放电信号去噪方法具体为：将原始信号分解本文档来自技高网...

【技术保护点】
1.一种基于集成学习的局放故障状态识别方法，其特征在于，该方法具体包括以下步骤：/n步骤1：利用局放声光联合检测系统采集实际应用现场的局部放电信号，包含超声信号和紫外信号，并构建信号数据库；/n步骤2：采用基于统计的箱型图理论对局部放电信号的异常值进行检测并清洗；/n步骤3：采用经验模态分解法减弱局部放电信号的噪声干扰；/n步骤4：对去噪后的局部放电信号采用最大-最小值标准化进行数据标准化处理；/n步骤5：对经过步骤4标准化处理后局部放电信号进行多分析域特征提取，分别得到超声信号特征F

【技术特征摘要】
1.一种基于集成学习的局放故障状态识别方法，其特征在于，该方法具体包括以下步骤：
步骤1：利用局放声光联合检测系统采集实际应用现场的局部放电信号，包含超声信号和紫外信号，并构建信号数据库；
步骤2：采用基于统计的箱型图理论对局部放电信号的异常值进行检测并清洗；
步骤3：采用经验模态分解法减弱局部放电信号的噪声干扰；
步骤4：对去噪后的局部放电信号采用最大-最小值标准化进行数据标准化处理；
步骤5：对经过步骤4标准化处理后局部放电信号进行多分析域特征提取，分别得到超声信号特征Fcs与紫外信号特征Fzy；
步骤6：对于超声信号特征Fcs利用Stacking算法进一步挖掘局部放电信息，超声信号特征Fcs通过使用初级学习器和次级学习器进行训练和测试，将输出结果作为Stacking特征，记作Fstacking；
步骤7：将超声信号特征Fcs、紫外信号特征Fzy和步骤6得到的Stacking特征Fstacking进行融合得到融合特征Fmerge，融合特征Fmerge划分为训练集和测试集，融合特征Fmerge的训练集数据用于训练LGB分类器，每次随机抽取Fmerge的一部分特征，通过Bagging算法得到多个LGB分类器；
步骤8：融合特征Fmerge的测试集数据依次输入步骤7训练好的多个LGB分类器，每个LGB分类器对其输出一个预测结果，对多个LGB分类器的预测结果采用相对多数投票的方式，选择得票最多的故障状态作为预测输出，即可得到集成学习模型最终预测的局部放电故障状态。


2.根据权利要求1所述的一种基于集成学习的局放故障状态识别方法，其特征在于：所述步骤1中局放声光联合检测系统包括传感器模块、声光信号驱动模块、STM32主控模块和电源模块；所述传感器模块包括超声传感器和紫外传感器，用于搜集局部放电过程伴随的超声信号和紫外信号，超声信号和紫外信号通过声光信号驱动模块分别转换为电压信号和脉冲信号，电压信号经模数转换后通过SPI通信方式传输到STM32主控模块，脉冲信号由STM32主控模块通过脉冲捕获方式进行采集；STM32主控模块对超声信号和紫外信号进行融合处理得到局部放电信号，并完成实时数据存储、波形显示及预警提示。


3.根据权利要求1所述的一种基于集成学习的局放故障状态识别方法，其特征在于，所述步骤2对局部放电信号的异常值进行检测并清洗的具体步骤为：
步骤21：步骤1中信号数据库内根据超声信号和紫外信号的幅值等级进行分离；
步骤22：基于箱型图理论分别确定超声信号和紫外信号的经验系数值k；...

【专利技术属性】
技术研发人员：吴慧娟，唐波，邱浩宇，王宇丰，
申请(专利权)人：电子科技大学，南京艾森斯智能科技有限公司，
类型：发明
国别省市：四川;51