一种电缆分支箱局部放电信号分离方法及系统与流程

本技术属于电力系统配电网绝缘状态监测领域，具体涉及一种电缆分支箱局部放电信号分离方法及系统。

背景技术：

1、电缆分支箱是城市中压配电网中实现电缆主干线路向支路分配电能的关键设备。在长期运行中，箱内绝缘薄弱环节可能产生局部放电，需要通过在线监测及早发现。

2、当前电缆分支箱局部放电监测系统通常采用信号去噪/分离→微弱信号增强→模式识别分类的串联处理架构。其中信号分离环节常采用小波变换、经验模态分解或形态成分分析等方法，微弱信号增强环节可采用随机共振等非线性方法，模式识别环节可采用深度学习等方法。然而，这种串联架构中各处理环节作为独立模块运行，模块之间缺乏参数层面的反馈驱动关系：信号分离模块无法根据分离质量自动调节后续增强模块的工作参数，信号增强模块的增强效果无法自动驱动分类模块调整学习行为，分类模块也无法根据历史信号环境的变化自动更新其适应策略。

3、这种模块间参数相互独立的处理架构导致了两个缺陷。其一，各模块的工作参数需要人工预设或离线标定，无法跟踪电缆分支箱现场电磁环境的动态变化（干扰源的类型和强度随气象条件、负荷状态、邻近设备运行工况持续变化），造成系统在非标定工况下性能急剧退化，误报率较高。其二，各处理环节之间不存在质量反馈通道，当信号分离不充分（残差中仍有有意义的微弱成分）时，后续环节无法感知此信息并做出相应调整；当信号增强效果不确定时，分类模型无法据此调节自身学习的保守程度，容易对噪声过拟合或对真实新模式响应不足。

4、上述问题的技术本质在于：现有处理架构缺乏算法间具体内部参数的非线性映射和闭环驱动关系，各算法模块无法形成参数互驱的有机整体以实现对动态环境的全自适应运行。这是制约电缆分支箱局放在线监测从实验室走向大规模免维护工程部署的根本问题。

技术实现思路

1、鉴于以上技术问题，本技术提供了一种电缆分支箱局部放电信号分离方法及系统，通过在形态成分分析、自适应随机共振与模型无关元学习三种算法之间建立具体内部参数的非线性映射闭环驱动关系，使三种原本独立运行的算法构成参数互驱的有机整体，实现处理链路的全自适应运行，从而消除各处理环节对人工参数调节的依赖，实现对动态复杂电磁环境下微弱局放信号的无人工干预自适应分离。

2、根据本技术的一个方面，提供了一种电缆分支箱局部放电信号分离方法，包括：对电缆分支箱采集的局部放电信号进行分段加窗处理形成信号窗口；对所述信号窗口执行基于多字典的形态成分分析分解，分别采用脉冲字典、周期字典和暂态字典稀疏表征对应形态成分，通过块坐标松弛迭代求解获得各成分稀疏系数向量及分解残差；计算所述分解残差能量与原始信号能量之比作为残差能量比，当所述残差能量比超过预设阈值时，将残差信号输入双稳随机共振系统进行增强，其中所述双稳随机共振系统朗之万方程中的势阱深度参数由所述残差能量比的超限幅度经幂函数映射确定，势阱间距参数由残差信号标准差标定确定，使势垒高度与待增强信号幅值匹配；将随机共振输出信号叠加回脉冲成分通道执行形态成分分析的二次分解迭代，分离被增强的微弱局放脉冲，并计算随机共振处理前后的信噪比增益；将历史各时段形态成分分析所得干扰成分的稀疏系数向量组合作为干扰指纹，经密度聚类划分为多个干扰模式类别，每个类别构建为模型无关元学习的一个学习任务；执行模型无关元学习的双循环优化，内循环对各任务以少量支持样本梯度更新获得任务特化参数，外循环元学习率由所述信噪比增益通过s型映射函数动态确定，信噪比增益越大则元学习率越高；将二次分解迭代获得的脉冲成分输入经元学习优化的分类网络，输出放电类型分类结果，判定为内部局部放电且置信度超过阈值时触发预警。

3、在本技术的一些实施例中，所述执行基于多字典的形态成分分析分解包括：采用狄拉克字典作为所述脉冲字典，以单位脉冲基函数集合稀疏表征孤立尖峰形态的局放脉冲成分；采用离散余弦变换字典作为所述周期字典，稀疏表征通信载波和高次谐波的周期性窄带干扰成分；采用伽柏原子字典作为所述暂态字典，稀疏表征开关操作的衰减振荡暂态干扰成分。将信号窗口建模为上述三类字典对应成分的线性叠加与残差之和，以各稀疏系数向量的l1范数之和最小化为目标函数，以重构误差的l2范数不超过容许阈值为约束条件，通过块坐标松弛迭代交替优化各成分稀疏系数向量直至收敛。

4、在本技术的一些实施例中，所述双稳随机共振系统的势阱深度参数通过以下方式确定：以预设基础参数为基底，叠加所述残差能量比与预设阈值之差的幂次非线性映射量，所述幂次指数取值范围为大于零且小于一，使得残差能量比越大则势阱深度越深。所述势阱间距参数以势阱深度参数除以残差信号标准差与尺度匹配系数之乘积的平方所得的商确定，使得由势阱深度参数与势阱间距参数之比的平方根所给出的势阱间距在残差信号幅值的1-3倍范围内。

5、所述双稳随机共振系统采用四阶龙格-库塔法对朗之万方程进行数值求解，求解步长不大于采样周期的1/10。

6、在本技术的一些实施例中，所述外循环元学习率由所述信噪比增益通过s型映射函数动态确定包括：以基础学习率乘以s型映射函数值作为外循环元学习率，所述s型映射函数的自变量为映射斜率参数与信噪比增益减去增益阈值之差的乘积。当信噪比增益低于所述增益阈值时，s型映射函数输出值趋近于零，外循环元学习率趋近于零，分类网络参数保持稳定；当信噪比增益显著高于所述增益阈值时，外循环元学习率趋近于所述基础学习率，分类网络快速适应新放电模式。

7、在本技术的一些实施例中，将每个信号窗口经形态成分分析分解后获得的周期成分稀疏系数向量和暂态成分稀疏系数向量拼接为该时段的干扰指纹向量。以干扰指纹向量之间的余弦距离作为相似性度量，采用基于密度的聚类方法将历史累积的干扰指纹向量划分为若干干扰模式类别。当新时段的干扰指纹向量与现有任何类别的距离均超过邻域半径时，创建新的干扰模式类别并对应新建一个元学习任务，使任务分布随环境变化持续扩展。

8、在本技术的一些实施例中，所述预设阈值的确定方式为：在电缆分支箱停电检修期间采集纯背景噪声信号，对多个纯噪声信号窗口分别执行相同的形态成分分析分解并计算各窗口的残差能量比，以所得残差能量比序列的均值加二倍标准差作为所述预设阈值。

9、在本技术的一些实施例中，每个任务的支持样本数量为三至五个，内循环梯度更新步数为1-3步，内循环学习率为固定值。所述分类网络为轻量化卷积网络，包含三个卷积层和一个全连接输出层，网络总参数量控制在五万个以内，输入为脉冲成分的相位分辨统计图谱（36个相位区间×20个幅值区间的二维图谱），输出为各放电类型的概率分布。分类结果经人工确认后作为新标注样本补充至对应任务的支持样本集中，实现在线增量式任务更新。

10、根据本技术的另一方面，提供了一种电缆分支箱局部放电信号分离系统，包括：信号采集模块，被配置为通过安装于电缆分支箱接地线上的高频电流传感器和箱体外壳上的暂态地电压传感器同步采集局部放电信号，并进行模数转换和分段加窗处理形成信号窗口；形态成分分析模块，被配置为对所述信号窗口执行基于脉冲字典、周期字典和暂态字典的多字典稀疏分解，获得各形态成分及分解残差，并计算残差能量比；自适应随机共振模块，被配置为在所述残差能量比超过预设阈值时激活，接收残差信号并通过双稳非线性系统进行微弱信号增强，其势阱深度参数由所述残差能量比超限幅度经幂函数映射确定，势阱间距参数由残差信号标准差标定确定；迭代重分解模块，被配置为将所述自适应随机共振模块的输出信号回馈至脉冲成分通道执行二次形态成分分析分解，并计算信噪比增益；任务构建模块，被配置为将历史各时段干扰成分的稀疏系数向量组合作为干扰指纹经密度聚类划分为多个干扰模式类别，每个类别构建为一个元学习任务；元学习分类模块，被配置为执行模型无关元学习的双循环优化，外循环元学习率由所述信噪比增益通过s型映射函数动态确定，并将二次分解获得的脉冲成分输入优化后的分类网络输出放电类型及预警信息。

11、在本技术的一些实施例中，所述形态成分分析模块与所述自适应随机共振模块之间通过残差能量比参数实现单向驱动耦合，所述自适应随机共振模块与所述迭代重分解模块之间通过增强信号回馈实现闭环迭代耦合，所述迭代重分解模块与所述元学习分类模块之间通过信噪比增益参数实现学习率动态调控耦合，所述任务构建模块与所述元学习分类模块之间通过干扰指纹聚类结果实现任务分布动态更新耦合。

12、在本技术的一些实施例中，所述系统部署于边缘计算终端上，所述形态成分分析模块和自适应随机共振模块的运算以信号窗口为单位执行窗口化短时处理，所述元学习分类模块在推理阶段仅执行1-3步梯度更新，所述信号窗口的长度覆盖至少20个工频周期。

13、综上所述，本技术的有益效果如下：

14、本技术通过形态成分分析残差能量比实时驱动随机共振势阱参数的自适应调节机制，使随机共振系统的工作参数自动匹配当前信号环境中微弱局放脉冲的幅值特征，无需人工调参即可在不同干扰强度下获得最优增强效果，将数pc级微弱局放信号的检测灵敏度提升一个数量级以上，显著降低早期缺陷漏报率。

15、本技术通过多字典形态分解框架，利用脉冲状局放信号与周期性干扰、暂态干扰在稀疏表示上的本质差异实现信号成分的物理机理分离，不依赖信号在单一域的特征差异，克服了有用信号与干扰在时域、频域和相位域三维耦合的技术障碍，将在线监测系统的误报率降低至可接受水平。

16、本技术通过随机共振信噪比增益对元学习外循环学习率的s型映射控制，建立了信号增强可信度与模型学习激进程度之间的直接反馈关联，避免了模型对噪声的过拟合，同时确保对真实新放电模式的快速响应，使系统在仅需三至五个现场标注样本的条件下即可适应新的干扰环境。

17、本技术通过历史干扰指纹聚类动态构建元学习任务分布的机制，使元学习模型的训练任务集持续反映现场实际干扰模式的多样性和动态变化，实现分类能力对非平稳环境的自动跟踪适应，无需周期性人工重训练。本技术所述方法的形态成分分析分解和随机共振数值求解均为窗口化短时运算，元学习推理阶段仅需少步梯度更新，整体计算复杂度控制在边缘计算硬件的算力范围内，满足电缆分支箱在线监测系统对实时性和低功耗的工程约束。

18、术语解释

19、形态成分分析（morphological component analysis,mca）：一种源自图像处理和稀疏表示理论的信号分解方法，通过为具有不同形态学特征的信号成分设计各自稀疏表示的冗余字典，利用l1范数最小化求解实现各形态成分的分离。

20、随机共振（stochastic resonance,sr）：一种非线性物理现象，指在非线性双稳系统中适量噪声能量通过系统的势阱结构被转移至弱信号，从而增强弱信号输出信噪比的效应。

21、模型无关元学习（model-agnostic-meta-learning,maml）：一种元学习框架，通过双循环优化学习对新任务具有最佳初始化参数的模型，使其仅需极少量新任务样本即可通过少步梯度更新快速适应新任务。

22、朗之万方程（langevin equation）：描述粒子在势场中受随机力驱动的动力学方程，在随机共振系统中用于描述系统状态变量在双稳势阱中的运动行为。

23、狄拉克字典（dirac dictionary）：由单位脉冲基函数（即各位置处的狄拉克δ函数离散对应物）组成的稀疏表示字典，对孤立尖峰形态的信号具有最佳稀疏表示能力。

24、离散余弦变换字典（discrete cosine transform dictionary,dctdictionary）：由不同频率的余弦基函数组成的正交变换字典，对周期性和准周期性信号具有稀疏表示能力。

25、伽柏原子字典（gabor atom dictionary）：由高斯窗调制正弦信号构成的时频原子集合，对衰减振荡暂态信号具有良好的稀疏表示能力。

26、块坐标松弛算法（block coordinate relaxation,bcr）：一种求解多变量优化问题的迭代算法，通过交替固定部分变量、优化其余变量的方式逐步逼近全局最优解。

27、高频电流传感器（high frequency current transformer,hfct）：一种安装于电缆接地线上的环形电流互感器，通过检测局部放电产生的高频电流脉冲来获取放电信号。

28、暂态地电压传感器（transient earth voltage,tev）：一种安装于金属外壳表面的电容耦合式传感器，通过检测局部放电在金属外壳上感应的暂态电压信号来获取放电信息。

29、龙格-库塔法（runge-kuttamethod）：一种高精度的常微分方程数值求解方法，四阶龙格-库塔法通过四次斜率估计的加权组合实现每步计算的四阶精度。

30、s型映射函数（sigmoid function）：一种将实数域映射至零到一区间的单调递增平滑函数，具有在阈值附近快速切换而在远离阈值处饱和的特性。

31、信噪比增益（signal-to-noise ratiogain）：信号经过处理后输出信噪比与输入信噪比的比值，用于量化信号增强效果。

32、势阱深度（potential welldepth）：双稳系统势函数中势垒顶部与势阱底部的能量差值，决定了系统状态在两个稳态之间跃迁所需克服的能量门槛。

33、势阱间距（potential wellspacing）：双稳系统两个稳定平衡点之间的距离，决定了系统输出信号的幅值范围。

34、残差能量比：形态成分分析分解后残余信号的能量与原始信号总能量的比值，用于评估分解的完备程度及检测残差中可能存在的异常成分。

35、干扰指纹（interference fingerprint）：由形态成分分析分解所得各类干扰成分的稀疏系数向量拼接形成的特征向量，用于表征某一时段信号环境中干扰模式的组成特征。

36、相位分辨统计图谱（phase resolved partial discharge,prpd）：将局部放电脉冲按其发生时对应的工频相位角进行统计绘制的二维图谱，是局放类型识别的重要特征表示。

37、基于密度的聚类（density-based clustering）：一种不预设簇数目、基于数据点密度连通性划分簇的聚类方法，能够发现任意形状的簇并识别噪声点。

38、边缘计算终端（edge computing terminal）：部署于数据采集现场的嵌入式计算设备，具有低功耗、实时处理能力，用于在数据源端完成信号分析任务。