一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法

摘要

本发明涉及一种基于CEEMD‑MFE与t‑SNE的局部放电模式识别方法。针对局部放电信号非线性、非平稳的特点，采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解，根据相关系数原则对各模态分量进行筛选，选取最优模态分量，利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取，并利用t‑分布随机邻域嵌入算法(t‑SNE)对特征向量进行维数约简，剔除冗余不相关特征，最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。本发明为局部放电提供一种模式识别的优化方法，该方法不仅计算简单、抗噪性好，识别率高，还具有在非线性提取高维特征进行降维方面有显著优势。

说明书

技术领域

本发明涉及局部放电技术领域，尤其是涉及一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法。

背景技术

局部放电(Partial Discharge，PD)是高压电气设备绝缘劣化的早期迹象，因此PD检测可以作为设备绝缘状态评估的有效手段。

现有是局部放电模式识别方式采用传统的学习方式和卷积神经网络等一些经典结构进行特征提取，这些方法对于传统特征提取具有依赖专家经验、盲目性高和识别率低以及存在高维特征数据集的缺点，对于经验模态分解(Empirical ModeDecomposition，EMD)算法在处理非线性、非平稳信号时会存在端点效应和模态混叠现象，集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)算法在一定程度上存在白噪声残留带来的重构误差以及计算时间长等问题。

因此，本发明提供一种CEEMD-MFE与t-SNE的局部放电模式识别方法，用于解决传统的局部放电模式识别方式存在的技术问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法，用于减少计算时间和降低高维数据集，并提高识别率。

本发明的目的可以通过以下技术方案来实现：

一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法，该方法包括以下步骤：

步骤1：采用互补集合经验模态分解CEEMD对局部放电信号进行分解，得到各IMF分量；

步骤2：根据相关系数原则对各IMF分量进行筛选，选取出最优模态分量；

步骤3：利用多尺度模糊熵对筛选出的模态分量进行特征提取；

步骤4：利用t-分布随机邻域嵌入算法t-SNE对提取的特征向量进行维数约简；

步骤5：将经维数约简处理后的局部放电信号对应的特征向量数据输入至自编码网络当中进行分类识别。

进一步地，所述的步骤1包括以下分步骤：

步骤101：在局部放电原始信号中添加N组正负对形式的白噪声，得到两组模态分量；

步骤102：对信号采用EMD方法进行分解，得到各IMF分量。

进一步地，所述的步骤102中各IMF分量组合后所对应的分解结果，其对应数学描述公式为：

式中，C

进一步地，所述的步骤2具体包括：对各IMF分量进行相关性分析并进行排序，按要求选取出对应的最优模态分量。

进一步地，所述的步骤3中的多尺度模糊熵包括将原始局部放电信号时间序列进行粗粒处理并计算得到的模糊熵值以及原始信号的模糊熵值，其中，所述将原始局部放电信号时间序列进行粗粒处理并计算得到的模糊熵值，其对应的数学描述公式为：

式中，h

进一步地，所述的原始信号的模糊熵值，其对应的数学描述公式为：

D

d

式中，FuzzyEn(m,n,r,N)为原始信号的模糊熵值，

进一步地，所述的步骤4包括以下分步骤：

步骤401：构建高低维度空间中的概率分布；

步骤402：基于高低维度空间中的概率分布，通过计算低维嵌入对提取的特征向量进行维数约简。

进一步地，所述的步骤401中的高维度空间中的概率分布，其对应的数学计算公式为：

式中，P

进一步地，所述的步骤401中的低维度空间中的概率分布，其对应的数学计算公式为：

式中，y

进一步地，所述的步骤402具体包括：使用KL散度来度量低维空间概率分布Q和高维空间概率分布P之间的相似度，然后使用梯度下降来最小化KL散度，获得低维嵌入，其中，所述低维空间概率分布Q和高维空间概率分布P之间的相似度，其对应的数学计算公式为：

式中，C为低维空间概率分布Q和高维空间概率分布P之间的相似度，q

与现有技术相比，本发明具有以下优点：

(1)本申请中提供了一种局部放电模式识别方法，包括：对采集到的局部放电信号进行CEEMD分解，得到多个IMF分量；对多个IMF分量进行相关性分析，筛选出最优模态分量，去除无关分量；计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量；利用t-SNE对特征向量进行降维；将降维后的特征向量作为栈式降噪自编码器的输入，对其进行分类识别。

(2)本申请提供的局部放电模式识别方法，针对局部放电信号非线性、非平稳的特点，采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解，根据相关系数原则对各模态分量进行筛选，选取最优模态分量，利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取，并利用t-分布随机邻域嵌入算法(t-SNE)对特征向量进行维数约简，剔除冗余不相关特征，最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。

(3)本发明为局部放电提供一种模式识别的优化方法，该方法不仅计算简单、抗噪性好，识别率高，还具有在非线性提取高维特征进行降维方面有显著优势。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中提供的一种CEEMD-MFE与t-SNE的局部放电模式识别方法的流程示意图；

图2为GIS典型内部缺陷模拟图；

图3为局部放电信号图，其中，图3(a)为气隙放电信号图，图3(b)为电晕放电信号图，图3(c)为悬浮放电信号图，图3(d)为沿面放电信号图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

为了便于理解，请参阅图1，本申请提供了一种局部放电模式识别方法的一个实施例，包括：

步骤101、对采集到的局部放电信号进行CEEMD分解，得到多个IMF分量。

需要说明的是，在气体绝缘金属封闭开关设备(GIS)下，GIS设备可能出现的缺陷类型包括尖端、悬浮、自由金属颗粒、气隙和沿面等，如图2所示，通过GIS实验平台获得大量的局部放电原始信号。

步骤102、对多个IMF分量进行相关性分析，筛选出最优模态分量，去除无关分量。

需要说明的是，对图3(a)～3(d)各自信号进行分解，得到若干模态分量，筛选最优模态分量，去除冗余分量，减少计算复杂度。

步骤103、计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量。

步骤104、利用t-SNE对特征向量进行降维。

步骤105、将降维后的特征向量作为栈式降噪自编码器的输入，对其进行分类识别。

可选地，对采集到的局部放电信号进行CEEMD分解，得到多个IMF分量，包括：

在局部放电原始信号x(t)中添加N组正负对形式的白噪声n(t)，得到两组模态分量；

对信号采用EMD方法进行分解，每个信号都可分解为一系列IMF分量；

通过多组分量组合得到分解结果

式中，C

可选地，对多个IMF分量进行相关性分析，筛选出最优模态分量，去除无关分量，包括：

CEEMD分解后的各模态分量IMF是由高到低进行排序，且主要信息都主要保留在前几个IMF中，因此可选取前四个IMF分量计算多尺度模糊熵值。

可选地，计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量，包括：

首先将长度为N的原始局部放电信号时间序列M＝{x

式中，h

对时间序列x＝{y

x(i)＝{y

其中，i＝1，2，…，N-m+1。k为连续m个y

计算序列中任意两个不同样本y(i)和y(j)之间的距离d

d

其中，i＝1，2，…，N-m，i≠j；

通过模糊函数，定义向量y(i)和y(j)的相似度D

D

其中，n和r分别代表了指数函数边界的梯度和相似容限；

定义样本的平均相似度函数为：

设定维数m+1，重复步骤以上步骤，即可求得

原始信号的模糊熵定义如下：

可选地，利用t-SNE对特征向量进行降维，包括：

(1)构建高维空间中的概率分布

定义一个包含e个数据点的集合X＝{x

式中：δ

数据点x

(2)构建低维空间中的概率分布

假设Y＝[y

(3)计算低维嵌入

使用KL散度来度量低维空间概率分布Q和高维空间概率分布P之间的相似度：

之后，使用梯度下降来最小化KL散度，获得低维嵌入y

可选地，将降维后的特征向量作为栈式降噪自编码器的输入，对其进行分类识别。

本申请提供的局部放电模式识别方法，针对局部放电信号非线性、非平稳的特点，采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解，根据相关系数原则对各模态分量进行筛选，选取最优模态分量，利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取，并利用t-分布随机邻域嵌入算法(t-SNE)对特征向量进行维数约简，剔除冗余不相关特征，最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。本发明为局部放电提供一种模式识别的优化方法，该方法不仅计算简单、抗噪性好，识别率高，还具有在非线性提取高维特征进行降维方面有显著优势。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。