基于t-SNE与CFSFDP算法的多源局部放电脉冲分类方法技术

一种基于t

【技术实现步骤摘要】
基于t
‑
SNE与CFSFDP算法的多源局部放电脉冲分类方法


[0001]本专利技术涉及多源局部放电相位同步领域，特别是一种基于t
‑
SNE 与CFSFDP算法的多源局部放电脉冲分类方法。

技术介绍

[0002]长期运作的电力设备如电容式电压互感器、变压器等，可能会因绝缘老化而产生局部放电(Partial Discharge,PD)，长期的局部放电也会导致绝缘进一步的劣化。不同类型缺陷所引发的局部放电具有不同特征，通过对局放信号进行检测分析可有效评估电力设备绝缘状态，为设备绝缘诊断提供可靠的评判依据。
[0003]传统的局放信号分析方法主要包含两种：基于相位分布模式 (Phase Resolved Partial Discharge，PRPD)统计谱图的分析方法；基于单一脉冲信号的分析方法。前者通常利用放电相位φ、放电量q 及放电次数n的统计参数绘制指纹谱图并进行特征量提取，而后者则是对局放单一脉冲的时频特性进行特征提取，通过提取不同的特征量可对不同类型局放信号进行识别。
[0004]但在实际应用中，基于单一脉冲信号的分析方法所检测到的脉冲波形与放电源，传播路径以及检测系统的带宽和采样频率均有关，所以直接对单一脉冲信号进行分析的方法应用在不同的放电源与检测系统时缺乏一定的适用性；相比之下基于PRPD统计谱图的分析方法对采集系统的要求较少，但如果被测对象存在多种不同缺陷，多种局放源共同放电会导致PRPD图谱出现重叠，从而无法对局放类型进行一个有效的识别。而实际情况是长期运行的电力设备大多包含不止一种放电类型，如长期运行的电力电缆受到温度的影响会导致绝缘界面压力变化，这个过程中形成的绝缘表面空腔会在一定场强下回激发出局部放电，从而使得放电类型增加，放电类型就可能不止一种。因此，需要进行针对多源放电情形下的放电类型识别的研究。
[0005]目前针对多源局放的放电类型识别多基于先对放电脉冲进行特征提取，再利用聚类算法将不同放电脉冲进行分类，继而通过识别分离后的子放电类型来判断放电类型。比较具有代表性的方法是由G.C. Montanari等人提出的等效时频分析(Equivalent Time
‑
FrequencyAnalysis,ETFA)方法，通过计算局部放电脉冲的等效时宽与等效频宽两个参数，映射到T
‑
F平面上，再通过聚类方法将其自动区分；利用累积能量函数作为特征表征脉冲时域波形与频域分量；利用基于S变换时频分布的脉冲相似度作为特征；通过计算各半波脉冲的能量来描述局部放电过程。以上各种研究中提起的特征参数在其对应的实验对象上均取得良好的应用效果，但上述部分特征参量会受到各种测试因素的影响，在某些条件下可能会出现特征重叠的情况，从而无法进行有效的分离；且根据以上研究结果，可用于对局部脉冲进行表征的特征有很多种，在使用时需对这些特征进行定义与选择，过程也较为繁琐。

技术实现思路

[0006]本专利技术的目的是为了解决上述问题，设计了一种基于t
‑
SNE与 CFSFDP算法的多源局部放电脉冲分类方法。具体设计方案为：
[0007]一种基于t
‑
SNE与CFSFDP算法的多源局部放电脉冲分类方法，包括数据预处理步骤、局放脉冲分类步骤，根据数据预处理结果进行局放脉冲分类，所述数据预处理步骤中，先采集局放信号与相位同步信号，再进行数据去噪并进行归一化处理，最后绘制灰度小波时频谱图，所述局放脉冲分类步骤中，先进行t
‑
SNE降维处理，然后基于CFSFDP 算法进行聚类，再取出立群干扰并确定数据，最后根据相位信号重构 PRPD图谱。
[0008]t
‑
SNE算法一种用于降维与数据可视化的机器学习算法，其基本思想是将点间的距离转化为条件概率来表述数据的相似性，相较其他的降维方法，t
‑
SNE算法更倾向于保留数据自身的局部特征，所述t
‑
SNE 降维处理中，设高维空间中存在点集X＝{x1,x2,x3,L,x
i
,L,x
N
}，其中点x
i
与 x
j
为邻近点的概率p
ij
为：
[0009][0010]其中σ
i
是以x
i
为中心的高斯函数的方差，该值通过人为设定复杂度因子得到，复杂度因子定义为：
[0011]P
erp
(P)＝2
H(P)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0012]式中：
[0013]H(P)＝
‑
∑p
ij
log2p
ij
ꢀꢀꢀꢀꢀꢀ
(3)
[0014]t
‑
SNE算法通过二分搜寻法来确定σ
i
与复杂度因子对应关系，
[0015]设Y＝{y1,y2,y3,L,y
i
,L,y
N
}为点集X对应映射到低维空间中的点集，其中点y
i
与y
j
为邻近点的概率q
ij
为：
[0016][0017]为了使降维后低维空间中点的分布尽可能与对应高维空间中的保持一致，t
‑
SNE算法采用Kullback
‑
Leibler散度(K
‑
L散度)来表述两个空间中点集分布的相似情况，并以K
‑
L散度作为目标函数，通过让其最小化来使得两个空间中点集的分布一致，
[0018]目标函数表达式如下：
[0019][0020]通过随机梯度下降法来使目标函数最小化，目标函数的梯度计算式为：
[0021][0022]进而得到低维空间中点集的迭代公式为：
[0023][0024]式中，t为迭代次数，η为学习率，α为动能因子。
[0025]CFSFDP算法是一种基于密度的聚类算法，通过计算样本点的局部密度与距离来确定聚类的类别数与中心点位置，所述基于CFSFDP算法进行聚类中，设聚类数据集为D＝{x1,x2,x3,L,x
i
,L,x
N
}，d
ij
＝dist(x
i
,x
j
)表示数据点x
i
与数据点x
j
的距离，对于数据集中任意点x
i
，将其局部密度ρ
i
定义为：
[0026][0027]距离δ
i
定义为：
[0028][0029]式中，参数d
c
为截断距离，按经验通常取d
ij
按升序排列的前1％～2％位置处的距离值，另外对于局部密度最大的点，有δ
i
＝max(d
ij
)，
[0030]在计算出所有数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于t
‑
SNE与CFSFDP算法的多源局部放电脉冲分类方法，包括数据预处理步骤、局放脉冲分类步骤，根据数据预处理结果进行局放脉冲分类，其特征在于，所述数据预处理步骤中，先采集局放信号与相位同步信号，再进行数据去噪并进行归一化处理，最后绘制灰度小波时频谱图，所述局放脉冲分类步骤中，先进行t
‑
SNE降维处理，然后基于CFSFDP算法进行聚类，再取出立群干扰并确定数据，最后根据相位信号重构PRPD图谱。2.根据权利要求1中所述的基于t
‑
SNE与CFSFDP算法的多源局部放电脉冲分类方法，其特征在于，所述t
‑
SNE降维处理中，设高维空间中存在点集X＝{x1,x2,x3,L,x
i
,L,x
N
}，其中点x
i
与x
j
为邻近点的概率p
ij
为：其中σ
i
是以x
i
为中心的高斯函数的方差，该值通过人为设定复杂度因子得到，复杂度因子定义为：P
erp
(P)＝2
H(P)
ꢀꢀꢀꢀ
(2)式中：H(P)＝
‑
∑p
ij
log2p
ij
ꢀꢀꢀꢀ
(3)t
‑
SNE算法通过二分搜寻法来确定σ
i
与复杂度因子对应关系，设Y＝{y1,y2,y3,L,y
i
,L,y
N
}为点集X对应映射到低维空间中的点集，其中点y
i
与y
j
为邻近点的概率q
ij
为：采用Kullback
‑
Leibler散度(K
‑
L散...

【专利技术属性】
技术研发人员：李原，周凯，傅尧，朱光亚，孟鹏飞，
申请(专利权)人：四川大学，
类型：发明
国别省市：