一种基于多信息融合的避雷器诊断方法与流程

1.本发明涉及一种基于多信息融合的避雷器诊断方法，属于输电技术领域。


背景技术：

2.在对金属氧化物避雷器进行状态诊断研究时，主要分为两个阶段。第一阶段为避雷器残压信号特征向量的提取与选择；第二阶段为根据选择的特征向量对避雷器状态进行诊断识别。在对时变信号的分析处理中，较为常用的分析方法为傅里叶变换、短时傅里叶变换。对于时变非平稳信号，傅里叶变换仅能识别出信号中所具有的频率成分，而无法辨别其出现的时刻，具有时频域分离的缺点。短时傅里叶变换相对于傅里叶变换，可以通过时间窗口将信号频率与出现时间相结合，得到信号的时频特性，但是在非平稳信号中，采用特定宽度的时间窗，具有信号分辨率单一的缺点。以上两种方法会导致处理非平稳信号过程中，丢失大量有效信息。


技术实现要素：

3.本发明要解决技术问题是：克服上述技术的缺点，提供一种具有多分辨率、算法简单、时频特性好等特点的提升小波算法，将信号不同频段的细节信号的信息熵作为主要特征向量，进行避雷器的故障诊断识别。
4.为了解决上述技术问题，本发明提出的技术方案是：一种基于多信息融合的避雷器诊断方法，包括如下步骤：
5.步骤1：使用dbn系列小波对避雷器的残压信号进行分解处理，得到不同层数下的细节信号；
6.步骤2：设对避雷器残压信号进行提升小波m层分解变换，每层信号点数量为n，第m层小波能量熵为：式中，e
mn
为第m层中各节点小波能量熵值(m＝1,2,3,
…
,m；n＝1,2,3,
…
,n)；设sm为信号第m层能量熵值占总能量熵值的比值，其表达式为：那么，对第m层小波能量熵做出定义：其中，当sm＝0时，hm＝0；
7.步骤3：将步骤2中所得到的第m层小波能量熵若大于避雷器正常状态的第m层小波能量熵，则判定发生故障；
8.步骤4：计算残压信号中的波形相似度、波形平均值、最大变化率和、均方根误差；波形相似度的公式为：波形平均值的公式为：最大变化率和的公式为：(k＝1，2，
…
,n-1)；均方根误差的公式为：以上公式中，vk、表示归一化后残压波形数据；n
表示归一化后残压波形数据点数；表示归一化后残压波形平均值；ncc表示波形相似度；rmse表示均方根误差；表示最大变化率和；
9.步骤5：将步骤4中的波形相似度、波形平均值、最大变化率和、均方根误差这个四个特征，对比预先收集的避雷器故障发生时的波形相似度、波形平均值、最大变化率和、均方根误差这个四个特征进行对比，识别故障类型。
10.上述方案进一步的改进在于：所述步骤1中，使用db5系列小波对避雷器的残压信号进行9层分解处理，得到逼近信号a9，以及细节信号d1到d9。
11.上述方案进一步的改进在于：所述步骤2中，计算逼近信号a9，以及细节信号d1到d9的能量熵。
12.上述方案进一步的改进在于：将逼近信号a9，细节信号d1到d9，波形相似度、波形平均值、最大变化率和、均方根误差中选取任意一种特征量作为避雷器故障诊断特征，以单一特征量诊断准确度为依据，对不同特征量进行有效性加权计算；加权系数w表达式为：其中，x表示准确率；x
min
表示最低准确率；x
max
表示最大准确率。
13.上述方案进一步的改进在于：通过设置加权系数阈值，用以筛选出敏感特征，组成有效特征向量；通过将单一特征量输入elm算法中进行故障诊断学习，得到对应特征的诊断准确率，并计算加权系数。
14.本发明提供的基于多信息融合的避雷器诊断方法，采用提升小波算法对避雷器残压信号进行信号提取，通过计算小波信息熵得到小波特征向量，并结合四维特征形成14维残压特征向量；结合单特征准确率以及lle算法，对特征向量进行降维处理，且对信号进行了三维可视化处理，避雷器5种状态信号可以较为清晰的进行区分。利用极限学习机elm算法对避雷器状态进行故障诊断学习，分别计算了诊断准确度、样本训练时间以及实验诊断时间，在保证诊断准确率维持97.65％几乎不变的情况下，算法效率提高大约136％。
具体实施方式
15.实施例
16.金属氧化锌避雷器在出现故障时，避雷器两端残压信号将会由具有良好非线性的电压信号转变为具有非线性程度降低、幅值下降、电压最大变化率增大等特征的电压畸变信号。为更好的提取电压信号中的特征向量，本实施例采用提升小波方案，对非平稳电压信号提取特征向量。
17.目前常用的小波函数：ψ
a，b
(t)＝2
a/2
ψ(2at-b)，其中，a为伸缩因子，b为平移因子；属于l2(r)空间下的母小波函数。而经过提升方案构造的第二代小波函数不仅具有第一代小波函数的所有特点，还可以不必进行伸缩与平移，通过更新与预测即可实现该方案。
18.任何离散形式的小波变换，都可以利用多相矩阵p(z)对其进行表示：任何离散形式的小波变换，都可以利用多相矩阵p(z)对其进行表示：其中，矩阵表示预测矩阵，矩阵表示更新矩阵，k表示常数。如果p(z)的性能良好，则研究人员可以有效地通过
奇数列去预测偶数列，并对该信号集合进行提升。
19.将避雷器残压信号进行小波分解后，可以得到各种不同的高低频细节信号，而能量熵可以表征被分析信号中各频率分量出现的概率，当避雷器出现故障时，其残压信号发生畸变，信号中不同频率分量占比将会发生改变。提升小波变换结合能量熵理论可以有效的表征残压信号中不同频率成分能量的分布。因此，对金属氧化物避雷器进行故障诊断研究可通过小波细节信号的熵值进行定量的判定。
20.本实施例的基于多信息融合的避雷器诊断方法，包括如下步骤：
21.步骤1：使用dbn系列小波对避雷器的残压信号进行分解处理，得到不同层数下的细节信号；
22.步骤2：设对避雷器残压信号进行提升小波m层分解变换，每层信号点数量为n，第m层小波能量熵为：式中，e
mn
为第m层中各节点小波能量熵值(m＝1,2,3,
…
,m；n＝1,2,3,
…
,n)；设sm为信号第m层能量熵值占总能量熵值的比值，其表达式为：那么，对第m层小波能量熵做出定义：其中，当sm＝0时，hm＝0；
23.小波基函数与分解层数的选取对于提升小波算法在信号特征的提取方面具有至关重要的作用。提升小波算法对非平稳信号具有信号“显微镜”的作用，分解层数既需要满足可以得到分解清晰的细节信号，还需要使算法可以得到较多的信号特征。因此，本实施例首先选取dbn系列小波对残压信号进行分解处理。
24.由于对非线性信号进行分解分析时，需要使最高层分解信号尽可能的清晰简单，以达到最佳的信号分解效果。因此，本实施例选取9层为小波分解层数。
25.对避雷器残压信号进行9层小波分解后，可以对原始波形特征变化进行较为清晰的提取。本实施例主要对避雷器正常运行、短路运行、界面放电、界面击穿以芯柱受潮等状态进行诊断研究，为使小波熵尽可能突出避雷器不同运行状态下的特征区别，因此需要对小波基函数进行一定的筛选。
26.本实施例以正常运行状态下的小波熵为基准值，计算避雷器不同状态下的小波熵与正常状态下小波熵的比值，选取在不同状态下，熵比均表现较大的小波基函数为最终函数。通过计算可以发现，db5小波基除短路状态外，在其余状态下熵比均为最大，而短路状态下熵比也表现为较大值，分析得到db5小波基函数可以将避雷器不同状态下的电压特征进行较好的提取。
27.因此基于提升小波能量熵理论，采用db5小波基函数对归一化后的避雷器残压信号进行9层分解，得到其逼近信号a9和细节信号d1到d9，并通过计算得到各细节信号所对应的能量熵。
28.步骤3：将步骤2中所得到的第m层小波能量熵若大于避雷器正常状态的第m层小波能量熵，则判定发生故障；
29.根据信息熵的定义可知，熵值体现了一个系统的稳定程度，随着熵值的减小，系统亦愈加稳定。不同状态下的避雷器信息熵具有明显的区别，故障状态下的信息熵与正常状态下相比，整体呈现出不同程度的增大趋势，说明避雷器残压信号整个频带内能量无序性增大，避雷器系统变得不稳定。通过对信息熵数据进行算法学习处理，可以用于对避雷器工
作状态的诊断识别。而以上特征为残压的时频域特征，为了增加不同运行状态之间可用于故障诊断的特征，通过对残压数据进行波形相似度、波形平均值、最大变化率以及均方根误差等时域特征进行计算。
30.步骤4：计算残压信号中的波形相似度、波形平均值、最大变化率和、均方根误差；波形相似度的公式为：波形平均值的公式为：最大变化率和的公式为：(k＝1，2，
…
,n-1)；均方根误差的公式为：以上公式中，vk、表示归一化后残压波形数据；n表示归一化后残压波形数据点数；表示归一化后残压波形平均值；ncc表示波形相似度；rmse表示均方根误差；表示最大变化率和；
31.步骤5：将步骤4中的波形相似度、波形平均值、最大变化率和、均方根误差这个四个特征，对比预先收集的避雷器故障发生时的波形相似度、波形平均值、最大变化率和、均方根误差这个四个特征进行对比，识别故障类型。
32.从典型数据可以看出，避雷器不同状态下的四种特征量在数值上呈现出明显不同，这四种统计特征，均在一定程度上可以对不同信号进行加以区分识别，具有可以较好的对避雷器五种工作状态进行区分与诊断识别的作用，因此对氧化锌避雷器进行状态诊断识别可利用所展示的14种特征量(a9、d9、d8、d7、d6、d5、d4、d3、d2、d1、波形相似度、波形平均值、最大变化率和、均方根误差)来进行工作。
33.在金属氧化物避雷器故障诊断过程中，存在特征向量不敏感、维数高，导致算法计算量过大、诊断精度降低等问题。因此，在进行故障诊断前，需要对避雷器特征量进行筛选，排除非有效特征，降低计算量，提高故障诊断精度。
34.本实施例选取一种新型简易的单隐含层前馈型神经网络——extreme learning machine(elm)算法，该算法充分克服了bp神经网络算法容易陷入局部最优解而不能得到全局最优解以及svm算法中核函数不易确定，并且多分类问题效果差等问题。通过将筛选后得到的有效特征与elm算法相结合，可以有效提高算法效率和诊断准确度。
35.将逼近信号a9，细节信号d1到d9，波形相似度、波形平均值、最大变化率和、均方根误差中选取任意一种特征量作为避雷器故障诊断特征，以单一特征量诊断准确度为依据，对不同特征量进行有效性加权计算；加权系数w表达式为：其中，x表示准确率；x
min
表示最低准确率；x
max
表示最大准确率。
36.通过设置加权系数阈值，用以筛选出敏感特征，组成有效特征向量；通过将单一特征量输入elm算法中进行故障诊断学习，得到对应特征的诊断准确率，并计算加权系数。
37.举例来说，例如，选取加权阈值w＝50％，可以初步得到有效特征为d9、d8、d6、mean、change rate、rmse以及ncc，得到7维特征向量。
38.由于每一个样本数据均需要以该7维向量进行表示，则当样本数据量增大时，将会造成数据量庞大、计算实时性差等问题。为解决上述问题，本实施例采用saul与roweis所提出的非线性降维方法——局部线性嵌入(lle)。该方法可以最大程度上保持数据的原始特
性，在对高维非线性数据的降维以及数据可视化方面具有优异的表现。
39.经采用lle方法对7维向量进行降维至3维向量进行可视化处理后，可以发现该3维特征可以将5种避雷器运行状态进行较为清晰的区分，其中短路状态与界面放电状态有小部分重叠，因此仍需要对特征向量进行算法学习，在未知状态下对避雷器运行状态进行故障诊断。
40.分别将原始的14维特征向量、初步得到的7维特征向量以及降维后得到的3维特征向量分别输入至elm诊断算法中，得到不同情况下的诊断准确度、样本训练时间以及实验诊断时间。如表：
41.通过对表中的数据进行分析可知，当特征向量为7维向量时，相比于14维特征向量诊断准确度以及训练时间略微提高，但诊断时间并未表现出较为明显的提高。而3维特征向量与前者相比，由于特征数量有所降低，导致有效信息有所损失，但是诊断准确度仍然达到97.65％，且诊断时间约提高了136％，在保证诊断准确度的情况下，极大地提高了算法的运行效率。
42.本发明不局限于上述实施例。凡采用等同替换形成的技术方案，均落在本发明要求的保护范围。