一种特高压设备绝缘缺陷类型判断方法和系统

摘要

本发明公开了一种特高压设备绝缘缺陷类型判断方法，其包括步骤：(1)采集特高压设备的局部放电信号；(2)进行小波包变换，得到第n层结点的小波包系数；(3)进行时频分析，提取第n层结点的时频信号能量特征；(4)通过AP聚类将所述第n层结点的时频信号能量特征分为m组；(5)选取最优小波包系数；(6)计算所述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离；(7)基于所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离判断所述特高压设备绝缘缺陷的类型。本发明还公开了相应的系统。本发明与传统SVM分类器判断方法相比具有更高的准确率和稳定性。

权利要求

1.一种特高压设备绝缘缺陷类型判断方法，其特征在于，包括以下步骤：(1)采集特高压设备的局部放电信号；

(2)对所述局部放电信号进行小波包变换，得到第n层结点的小波包系数；

(3)对所述第n层结点的小波包系数进行时频分析，提取第n层结点的时频信号能量特征；

(4)通过AP聚类将所述第n层结点的时频信号能量特征分为m组；

(5)选取所述m组时频信号能量特征中特征数量最多的一组对应的结点的小波包系数作为最优小波包系数；

(6)计算所述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离；

(7)基于所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离判断所述特高压设备绝缘缺陷的类型。

2.如权利要求1所述的特高压设备绝缘缺陷类型判断方法，其特征在于，在所述步骤(7)中，采用AP-SVM分类器判断所述特高压设备绝缘缺陷的类型。

3.如权利要求1所述的特高压设备绝缘缺陷类型判断方法，其特征在于，在所述步骤(7)中，采用AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

4.如权利要求3所述的特高压设备绝缘缺陷类型判断方法，其特征在于，所述AP-SSVM分类器包括SSVM训练模块和SSVM测试模块。

5.如权利要求4所述的特高压设备绝缘缺陷类型判断方法，其特征在于，所述SSVM训练模块被配置为执行包括以下步骤：进行SVM训练；

构造错误分类数据集，若该错误分类数据集非空，则为该错误分类数据集的每一项计算领域长度。

6.如权利要求4所述的特高压设备绝缘缺陷类型判断方法，其特征在于，所述SSVM测试模块被配置为执行包括以下步骤：为测试集中的每个xk计算建议权重AW(xk,+1)和AW(xk,-1)；

为测试集中的每个xk计算SVM决策值的绝对值h(xk)；

对测试集中的每个xk，若max(AW(xk,±1),h(xk))＝h(xk)，则进行常规的SVM标记；否则基于max(AW(xk,+1),AW(xk,-1))进行标记。

7.一种特高压设备绝缘缺陷类型判断系统，其特征在于，包括：采集模块，其采集特高压设备的局部放电信号；

变换模块，其对所述局部放电信号进行小波包变换，得到第n层结点的小波包系数；

特征提取模块，其对所述第n层结点的小波包系数进行时频分析，提取第n层结点的时频信号能量特征；

特征参数计算模块，其通过AP聚类将所述第n层结点的时频信号能量特征分为m组；选取所述m组时频信号能量特征中特征数量最多的一组对应的结点的小波包系数作为最优小波包系数；计算所述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离；

判断模块，其基于所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离判断所述特高压设备绝缘缺陷的类型。

8.如权利要求7所述的特高压设备绝缘缺陷类型判断系统，其特征在于，所述判断模块采用AP-SVM分类器判断所述特高压设备绝缘缺陷的类型。

9.如权利要求7所述的特高压设备绝缘缺陷类型判断系统，其特征在于，所述判断模块采用AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

10.如权利要求9所述的特高压设备绝缘缺陷类型判断系统，其特征在于，所述AP-SSVM分类器包括SSVM训练模块和SSVM测试模块。

11.如权利要求10所述的特高压设备绝缘缺陷类型判断系统，其特征在于，所述SSVM训练模块被配置为执行包括以下步骤：进行SVM训练；

构造错误分类数据集，若该错误分类数据集非空，则为该错误分类数据集的每一项计算领域长度。

12.如权利要求10所述的特高压设备绝缘缺陷类型判断系统，其特征在于，所述SSVM测试模块被配置为执行包括以下步骤：为测试集中的每个xk计算建议权重AW(xk,+1)和AW(xk,-1)；

为测试集中的每个xk计算SVM决策值的绝对值h(xk)；

对测试集中的每个xk，若max(AW(xk,±1),h(xk))＝h(xk)，则进行常规的SVM标记；否则基于max(AW(xk,+1),AW(xk,-1))进行标记。

说明书

一种特高压设备绝缘缺陷类型判断方法和系统

技术领域

[0001] 本发明涉及一种绝缘缺陷类型判断方法和系统，具体为一种特高压设备绝缘缺陷类型判断方法和系统。

背景技术

[0002] 带电检测是对特高压设备开展绝缘情况评估的关键方法。特高压设备中有可能出现的引起绝缘缺陷的主要因素包括：特高压设备腔体内可以移动的自由金属微粒、传导部分接触不良形成的浮动电极、绝缘子制造时造成的内部空隙和气泡、实验闪络引起的表面痕迹和因电极的表面粗糙或是来自制造时嵌入的金属微粒在导体表面形成的凸起、绝缘子表面积累的金属微粒等。

[0003] 自由金属微粒在制造、装配和运行中均有可能产生，它有积累电荷的能力，在交流电场的影响下能够移动，在很大程度上其运动与放电的可能性是随机的，当靠近高压导体并未接触时，放电最可能发生。高压导体表面在制造不良和安装损坏、摩擦时会造成尖的毛刺，在稳定的工频状态下不引起击穿，但在冲击、快速暂态过电压条件下则可能发生放电。绝缘子制造时造成的内部空隙，或因环氧树脂与金属电极的收缩系数的不同，都会形成绝缘子内部气泡和空隙。传导部分的接触不良，尤其是浮动部件产生的放电也很大，放电趋向十反复。特高压设备在长期运行过程中，金属微粒或其他杂质可能在绝缘子表面聚集，在一定的电压下也有可能产生放电。这些特高压设备的绝缘缺陷类型极有可能会在特高压设备中产生局部放电现象，在绝缘体中的局部放电甚至会腐蚀绝缘材料，进一步发展成电树枝，并最后导致绝缘击穿，导致绝缘故障，严重影响使用寿命。

[0004] 特高压设备内部不同的缺陷类型对绝缘影响的差异性较大，因此在特高压设备绝缘故障诊断中，绝缘缺陷类型的判断非常关键。然而目前通常采用传统SVM分类器对绝缘缺陷类型进行判断，其判断的准确率较低，稳定性较差。

发明内容

[0005] 本发明的目的之一是为了克服上述不足以提供一种特高压设备绝缘缺陷类型判断方法，其与传统SVM分类器判断方法相比具有更高的准确率和稳定性。

[0006] 基于上述目的，本发明提供了一种特高压设备绝缘缺陷类型判断方法，其包括以下步骤：

[0007] (1)采集特高压设备的局部放电信号；

[0008] (2)对所述局部放电信号进行小波包变换，得到第n层结点的小波包系数；

[0009] (3)对所述第n层结点的小波包系数进行时频分析，提取第n层结点的时频信号能量特征；

[0010] (4)通过AP聚类将所述第n层结点的时频信号能量特征分为m组；

[0011] (5)选取所述m组时频信号能量特征中特征数量最多的一组对应的结点的小波包系数作为最优小波包系数；

[0012] (6)计算所述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离；

[0013] (7)基于所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离判断所述特高压设备绝缘缺陷的类型。

[0014] 本发明所述的特高压设备绝缘缺陷类型判断方法引入了对时频信号能量特征的AP聚类以选取最优小波包系数，从而将用于判断所述特高压设备绝缘缺陷的类型的特征参数扩展到所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离。记载在本发明具体实施方式部分的试验结果表明，本发明所述的特高压设备绝缘缺陷类型判断方法与传统SVM分类器判断方法相比具有更高的准确率和稳定性，从而为现场特高压设备绝缘故障诊断提供了效果更好的手段，有利于特高压设备的安全运行。

[0015] 本发明所述的特高压设备绝缘缺陷类型判断方法中：

[0016] 所述步骤(1)采集的特高压设备的局部放电信号可能出现的绝缘缺陷类型通常包括以下四种：高压导体突出物缺陷，悬浮电极缺陷，外壳底部自由金属微粒缺陷以及绝缘气隙缺陷。

[0017] 所述步骤(2)的小波包变换通常基于以下原理：

[0018] 由于局部放电信号的复杂多变，故采用小波包变换以对小波变换没有细分的高频部分进行进一步分解，使得低频频段和高频频段具有相同的时频分辨率。

[0019] 小波包的递推公式为

[0020]

[0021] 小波包的重建公式为

[0022]

[0023] 其中，公式(1)和公式(2)中的 为原始采集信号x(n1)经j1层小波包分解后得到的第k1个分解序列；h0(n1),h1(n1),g0(n1),g1(n1)为多分辨率分析低通及高通滤波器系数；n1表示频带的序号，l1表示小波系数的序号。

[0024] 所述步骤(3)的时频分析通常基于以下原理：

[0025] 小波变换中，原始信号在时域的能量与信号的2范数的平方等价。在小波包能量谱中，可以选择各个子空间内信号的平方和作为能量的标志，为消除每次实验时能量相对值大小的影响，对能量进行归一化处理。对于子空间的小波包变换结果用序列表示，则各频段的能量定义为

[0026]

[0027] 其中， 表示第i2层第j2个结点的能量，节点号从低频至高频依次增加，且从0开始；N2表示原始信号长度。

[0028] 所有 构成能量特征向量T

[0029]

[0030] 信号的总能量E为各能量的代数和

[0031]

[0032] 各频段所占的能量百分比为T/E，即归一化后的能量特征向量为Ep，则[0033]

[0034] 所述步骤(4)的AP聚类通常基于以下原理：

[0035] 采用相似度矩阵S作为AP聚类算法的输入，记局部放电信号的总数为N，则相似度矩阵S为N×N的方阵，即表示时频信号能量特征i3和时频信号能量特征j3的相似度值S(i3,j3)。

[0036] 通常以常用的欧式距离方法来计算相似度，其结果作为相似度的测度指标。于是，[0037]

[0038] 其中， 和 表示i3和j3的欧氏距离值。相似度越大，两者属性越相近，为同一类的可能性越大。通常AP聚类算法的输入还包括偏好参数p，其计算值为各相似度值的平均值。然后再计算信号间的相似度值，最后整理得到相似度矩阵S。

[0039] 通常还需要进行参数配置，可以包括以下参数的配置：阻尼系数lam，加入噪声标志即noise，最大迭代次数maxits，迭代稳定数convits。

[0040] 在AP聚类算法中，代表参数(Responsibility)和适选参数(Availability)用来描述数据点之间的类属关系。R(i3,j3)指从时频信号能量特征i3指向时频信号能量特征j3，它反映了候选类中心信号 合适作为信号 的类中心所积累的证据，数值越大，代表 越适合做 的类中心。A(i3,j3)指信号 指向信号 它反映了信号 选择候选类中心信号作为其类中心的合适程度所积累起来的证据，数值越大，说明合适程度越高。代表矩阵R和适选矩阵A的计算式分别如下：

[0041]

[0042]

[0043] 基于式(7)和式(8)计算代表矩阵R和适选矩阵A，当迭代达到最大迭代次数maxits或者数据稳定次数达到迭代稳定数convits，并且聚类中心不发生改变时，即可输出AP聚类的结果，即确定类中心和各个样本点。

[0044] 所述步骤(6)采用如式(13)和式(14)的minkowski距离公式计算所述minkowski距离：

[0045]

[0046]

[0047] 其中，式(9)为minkowski核函数，式(10)为minkowski距离，x和y为n维样本点，p和为距离调整参数。

[0048] 所述步骤(7)通常采用AP-SVM分类器或AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

[0049] 进一步地，本发明所述的特高压设备绝缘缺陷类型判断方法中，在所述步骤(7)中，采用AP-SVM分类器判断所述特高压设备绝缘缺陷的类型。

[0050] 上述方案中，所述AP-SVM分类器是指以基于AP聚类获取的特征参数为输入的SVM分类器。由于SVM分类器为现有技术，在此不做详细介绍。

[0051] 进一步地，本发明所述的特高压设备绝缘缺陷类型判断方法中，在所述步骤(7)中，采用AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

[0052] 上述方案中，所述AP-SSVM分类器是指以基于AP聚类获取的特征参数为输入的SSVM分类器。

[0053] 更进一步地，上述特高压设备绝缘缺陷类型判断方法中，所述AP-SSVM分类器包括SSVM训练模块和SSVM测试模块。

[0054] 更进一步地，上述特高压设备绝缘缺陷类型判断方法中，所述SSVM训练模块被配置为执行包括以下步骤：

[0055] 进行SVM训练；

[0056] 构造错误分类数据集，若该错误分类数据集非空，则为该错误分类数据集的每一项计算领域长度。

[0057] 上述方案通常基于以下原理实现：

[0058] 定义输入参数x是特征向量集合，包含时频信号能量特征和所述minkowski距离。

[0059] 首先进行普通的SVM训练，即在普通的SVM中，训练样本的标记可根据 D1x≤d1约束，其中x属于{+1}类；如果D2x≤d2那么x属于{-1}类。根据经典SVM，不满足这些约束的训练样本会被标记。此外，建议可以以一种更普遍的方式表达，例如任何属于建议区域i4的x，class(x)＝-1；任何属于建议区域j4的x，class(x)＝+1，这些建议区域通常是数据输入空间中的凸多面体区域。考虑一般的建议，如 其中z＝+1表明x属于+1类，z＝-1表明x属于-1类。上述D表示约束条件，d为约束值，z为分类值，w为SVM函数权值，b为SVM函数系数。

[0060] 其中，如何通过+1和-1的分类判别多个类别例如四类属于传统SVM的范畴。

[0061] 再通过式(11)发现错误分类的数据集MD。如果MD是空的，调用SSVM测试模块；如果MD不是空的，通过式(12)为MD的每一项计算邻域长度NL。

[0062] 上述错误分类的数据集MD的定义如下：

[0063]

[0064] 其中，k()为SVM内核函数， b均为错误分类的数据集MD的系数。

[0065] MD集合可以是空的，但实验结果表明，出现错误分类的数据，在训练阶段是一种普遍现象。

[0066] 对于MD中的每个 邻域长度NL定义为：

[0067]

[0068] 其中 是不属于MD集中的训练数据。

[0069] 更进一步地，上述特高压设备绝缘缺陷类型判断方法中，所述SSVM测试模块被配置为执行包括以下步骤：

[0070] 为测试集中的每个xk计算建议权重AW(xk,+1)和AW(xk,-1)；

[0071] 为测试集中的每个xk计算SVM决策值的绝对值h(xk)；

[0072] 对测试集中的每个xk，若max(AW(xk,±1),h(xk))＝h(xk)，则进行常规的SVM标记；否则基于max(AW(xk,+1),AW(xk,-1))进行标记。

[0073] 上述方案通常基于以下原理实现：

[0074] 首先为测试集中的每个xk计算AW(xk,+1)和AW(xk,-1)，再为测试集中的每个xk计算 作为SVM决策值的绝对值，扩展为[0,1]。最后，对于测试集中的每个xk，如果max(AW(xk,±1),h(xk))＝h(xk)，那么
这意味着常规的SVM标记；否则yk＝+1或-1取决于max(AW(xk,+1),AW(xk,-1))。上述k()为SVM内核函数， b均为错误分类的数据集MD的系数。

[0075] 如果测试和训练数据映射到一个更高的维度，那么测试阶段的 应通过式(13)计算。

[0076] 如果训练数据通过使用映射函数被映射到一个更高的维度，那么 和 之间的距离可以参考相关内核k并根据下面的方程计算：

[0077]

[0078] 上述k()为SVM内核函数。

[0079] 以邻域长度NL的结果为基础，对测试集中的每个xk，建议权重AW(xk,j4)，按照式(14)计算：

[0080]

[0081] 其中，J＝+1或-1，这些AW代表测试数据有多么接近错误分类数据。

[0082] 本发明的另一目的是为了克服上述不足以提供一种特高压设备绝缘缺陷类型判断系统，其与传统SVM分类器判断系统相比具有更高的准确率和稳定性。

[0083] 基于上述目的，本发明提供了一种特高压设备绝缘缺陷类型判断系统，其包括：

[0084] 采集模块，其采集特高压设备的局部放电信号；

[0085] 变换模块，其对所述局部放电信号进行小波包变换，得到第n层结点的小波包系数；

[0086] 特征提取模块，其对所述第n层结点的小波包系数进行时频分析，提取第n层结点的时频信号能量特征；

[0087] 特征参数计算模块，其通过AP聚类将所述第n层结点的时频信号能量特征分为m组；选取所述m组时频信号能量特征中特征数量最多的一组对应的结点的小波包系数作为最优小波包系数；计算所述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离；

[0088] 判断模块，其基于所述最优小波包系数对应结点的时频信号能量特征和所述minkowski距离判断所述特高压设备绝缘缺陷的类型。

[0089] 本发明所述的特高压设备绝缘缺陷类型判断系统与本发明所述特高压设备绝缘缺陷类型判断方法的原理基本相同，在此不再赘述。

[0090] 进一步地，本发明所述的特高压设备绝缘缺陷类型判断系统中，所述判断模块采用AP-SVM分类器判断所述特高压设备绝缘缺陷的类型。

[0091] 进一步地，本发明所述的特高压设备绝缘缺陷类型判断系统中，所述判断模块采用AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

[0092] 更进一步地，上述特高压设备绝缘缺陷类型判断系统中，所述AP-SSVM分类器包括SSVM训练模块和SSVM测试模块。

[0093] 更进一步地，上述特高压设备绝缘缺陷类型判断系统中，所述SSVM训练模块被配置为执行包括以下步骤：

[0094] 进行SVM训练；

[0095] 构造错误分类数据集，若该错误分类数据集非空，则为该错误分类数据集的每一项计算领域长度。

[0096] 更进一步地，上述特高压设备绝缘缺陷类型判断系统中，所述SSVM测试模块被配置为执行包括以下步骤：

[0097] 为测试集中的每个xk计算建议权重AW(xk,+1)和AW(xk,-1)；

[0098] 为测试集中的每个xk计算SVM决策值的绝对值h(xk)；

[0099] 对测试集中的每个xk，若max(AW(xk,±1),h(xk))＝h(xk)，则进行常规的SVM标记；否则基于max(AW(xk,+1),AW(xk,-1))进行标记。

[0100] 本发明所述的特高压设备绝缘缺陷类型判断方法具有以下优点和有益效果：

[0101] 1)与传统SVM分类器判断系统相比具有更高的准确率。

[0102] 2)与传统SVM分类器判断系统相比具有更高的稳定性。

[0103] 本发明所述的特高压设备绝缘缺陷类型判断系统同样具有上述优点和有益效果。

附图说明

[0104] 图1为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的流程示意图。

[0105] 图2为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的局部放电信号的小波包变换结果示意图。

[0106] 图3为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的AP聚类流程示意图。

[0107] 图4为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的沿面放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果示意图。

[0108] 图5为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的针尖放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果示意图。

[0109] 图6为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的气隙放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果示意图。

[0110] 图7为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的悬浮放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果示意图。

[0111] 图8为传统SVM通过投票过程实现四分类的流程图。

[0112] 图9为三种特高压设备绝缘缺陷类型判断方法分别对四种绝缘缺陷的判断准确率示意图。

[0113] 图10为本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下不同训练样本数下的误差均值、误差方差以及最小误差值示意图。

具体实施方式

[0114] 下面结合说明书附图及实施例进一步说明本发明所述的技术方案。

[0115] 图1示意了本发明所述的特高压设备绝缘缺陷类型判断方法在一种实施方式下的流程。如图1所示，该实施方式下的流程包括以下步骤：

[0116] 步骤110：采集特高压设备的局部放电信号。

[0117] 该步骤采集的特高压设备的局部放电信号可能出现的绝缘缺陷类型包括以下四种：高压导体突出物缺陷，悬浮电极缺陷，外壳底部自由金属微粒缺陷以及绝缘气隙缺陷。

[0118] 步骤120：对上述局部放电信号进行小波包变换，得到第n层结点的小波包系数。

[0119] 该步骤的小波包变换基于以下原理：

[0120] 由于局部放电信号的复杂多变，故采用小波包变换以对小波变换没有细分的高频部分进行进一步分解，使得低频频段和高频频段具有相同的时频分辨率。

[0121] 小波包的递推公式为

[0122]

[0123] 小波包的重建公式为

[0124]

[0125] 其中，公式(1)和公式(2)中的 为原始采集信号x(n1)经j1层小波包分解后得到的第k1个分解序列；h0(n1),h1(n1),g0(n1),g1(n1)为多分辨率分析低通及高通滤波器系数；n1表示频带的序号，l1表示小波系数的序号。

[0126] 图2示意了本实施方式下该步骤的局部放电信号的小波包变换结果实例，其显示了第3层结点的小波包系数，其中信号A～H分别对应结点(3,0)系数～结点(3,7)系数。

[0127] 步骤130：对上述第n层结点的小波包系数进行时频分析，提取第n层结点的时频信号能量特征。

[0128] 该步骤的时频分析基于以下原理：

[0129] 小波变换中，原始信号在时域的能量与信号的2范数的平方等价。在小波包能量谱中，选择各个子空间内信号的平方和作为能量的标志，为消除每次实验时能量相对值大小的影响，对能量进行归一化处理。对于子空间的小波包变换结果用序列表示，则各频段的能量定义为

[0130]

[0131] 其中， 表示第i2层第j2个结点的能量，节点号从低频至高频依次增加，且从0开始；N2表示原始信号长度。

[0132] 所有 构成能量特征向量T

[0133]

[0134] 信号的总能量E为各能量的代数和

[0135]

[0136] 各频段所占的能量百分比为T/E，即归一化后的能量特征向量为Ep，则[0137]

[0138] 步骤140：通过AP聚类将上述第n层结点的时频信号能量特征分为m组。

[0139] 该步骤的AP聚类基于以下原理：

[0140] 采用相似度矩阵S作为AP聚类算法的输入，记局部放电信号的总数为N，则相似度矩阵S为N×N的方阵，即表示时频信号能量特征i3和时频信号能量特征j3的相似度值S(i3,j3)。

[0141] 以常用的欧式距离方法来计算相似度，其结果作为相似度的测度指标。于是，[0142]

[0143] 其中， 和 表示i3和j3的欧氏距离值。相似度越大，两者属性越相近，为同一类的可能性越大。通常AP聚类算法的输入还包括偏好参数p，其计算值为各相似度值的平均值。然后再计算信号间的相似度值，最后整理得到相似度矩阵S。

[0144] 此外还进行参数配置，包括以下参数的配置：设定阻尼系数lam为0.6，加入噪声即noise＝1，最大迭代次数maxits为1000，迭代稳定数convits为100。

[0145] 在AP聚类算法中，代表参数(Responsibility)和适选参数(Availability)用来描述数据点之间的类属关系。R(i3,j3)指从时频信号能量特征i3指向时频信号能量特征j3，它反映了候选类中心信号 合适作为信号 的类中心所积累的证据，数值越大，代表 越适合做 的类中心。A(i3,j3)指信号 指向信号 它反映了信号 选择候选类中心信号作为其类中心的合适程度所积累起来的证据，数值越大，说明合适程度越高。代表矩阵R和适选矩阵A的计算式分别如下：

[0146]

[0147]

[0148] 基于式(7)和式(8)计算代表矩阵R和适选矩阵A，当迭代达到最大迭代次数maxits或者数据稳定次数达到迭代稳定数convits，并且聚类中心不发生改变时，即可输出AP聚类的结果，即确定类中心和各个样本点。

[0149] 图3示意了本实施方式下的该步骤的AP聚类流程。图4示意了本实施方式下的该步骤中沿面放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果实例。图5示意了本实施方式下的该步骤中针尖放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果实例。图6示意了本实施方式下的该步骤中气隙放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果实例。图7示意了本实施方式下的该步骤中悬浮放电绝缘缺陷的特高压设备局部放电信号的时频信号能量特征AP聚类结果实例。从图4-图7中可以看出，这些实例的聚类数为3。

[0150] 步骤150：选取上述m组时频信号能量特征中特征数量最多的一组对应的结点的小波包系数作为最优小波包系数。

[0151] 步骤160：计算上述最优小波包系数对应的时频信号能量特征到其聚类中心的minkowski距离。

[0152] 该步骤采用如式(13)和式(14)的minkowski距离公式计算上述minkowski距离：

[0153]

[0154]

[0155] 其中，式(9)为minkowski核函数，式(10)为minkowski距离，x和y为n维样本点，p和为距离调整参数。该实施方式中取p为2，为0.5。

[0156] 步骤170：基于上述最优小波包系数对应结点的时频信号能量特征和上述minkowski距离判断上述特高压设备绝缘缺陷的类型。

[0157] 本实施方式中，步骤170采用AP-SSVM分类器判断所述特高压设备绝缘缺陷的类型。

[0158] 该步骤中，AP-SSVM分类器是指以基于AP聚类获取的特征参数为输入的SSVM分类器。其中，AP-SSVM分类器包括SSVM训练模块和SSVM测试模块。

[0159] 如果AP-SSVM分类器已经经过训练，则可以不必调用SSVM训练模块而直接进入SSVM测试模块，否则需要先调用SSVM训练模块。

[0160] 为了为SSVM训练模块提供训练样本，基于以下原理制作相应的缺陷模型：

[0161] (a)高压导体突出物缺陷模型：

[0162] 高压导体表面上的金属突出物会导致突出物附近的局部电场畸变，引发典型的尖-板电晕放电。在正常工作电压下，该缺陷可导致稳定的局部放电发生，而一旦有暂态过电压(雷电过电压或操作过电压)发生，则可能会引发击穿故障。本模型中突出物由铝制金属材料制成，针-板电极间距离为20mm。

[0163] (b)悬浮电极缺陷模型：

[0164] 本模型通过在一圆柱形环氧树脂内放置一金属而制成。环氧树脂上表面加高压，下表面接地，模拟悬浮电极放电。

[0165] (c)外壳底部自由金属微粒缺陷模型：

[0166] 自由金属微粒是导致故障的最主要原因。本模型采用一金属小球，放置于上下两电极之间，在加高压时，金属小球会随机跳动，产生局部放电并激发出高频电磁波。

[0167] (d)绝缘气隙缺陷模型：

[0168] 气隙放电也称为气泡放电，是绝缘子在浇注过程中受热不均而造成的一种绝缘子内常见的绝缘缺陷。本模型通过在一圆柱形环氧树脂内密封一段柱状气隙而制成。在环氧树脂上表面加高压，下表面接地，模拟绝缘内部气隙导致的局部放电。

[0169] 基于上述各缺陷模型的局部放电信号按照步骤120-步骤160得到相应的训练样本，即各缺陷模型的局部放电信号对应的最优小波包系数对应结点的时频信号能量特征和上述minkowski距离。

[0170] 该步骤中，SSVM训练模块被配置为执行包括以下步骤：

[0171] 进行SVM训练；

[0172] 构造错误分类数据集，若该错误分类数据集非空，则为该错误分类数据集的每一项计算领域长度。

[0173] 上述方案基于以下原理实现：

[0174] 定义输入参数x是特征向量集合，包含时频信号能量特征和所述minkowski距离。

[0175] 第一步，进行普通的SVM训练，即在普通的SVM中，训练样本的标记可根据 D1x≤d1约束，其中x属于{+1}类；如果D2x≤d2那么x属于{-1}类。根据经典SVM，不满足这些约束的训练样本会被标记。此外，建议可以以一种更普遍的方式表达，例如任何属于建议区域i4的x，class(x)＝-1；任何属于建议区域j4的x，class(x)＝+1，这些建议区域通常是数据输入空间中的凸多面体区域。考虑一般的建议，如 其中z＝+1表明x属于+1类，z＝-1表明x属于-1类。上述D表示约束条件，d为约束值，z为分类值，w为SVM函数权值，b为SVM函数系数。

[0176] 其中，如何通过+1和-1的分类判别多个类别例如四类属于传统SVM的范畴。

[0177] 图8显示了传统SVM通过投票过程实现四分类的流程。

[0178] 如图8所示，SVM通过投票过程实现四分类，首先构造A类和C类、A类和D类、B类和C类、B类和D类、C类和D类训练样本数据作为原始数据，得到6个1v1分类器模型，投票具体过程包括：

[0179] 1)初始化，A＝B＝C＝D＝0；

[0180] 2)将训练样本的统计特征参数输入A-B分类器模型，如果识别结果为A，则A＝A+1；否则B＝B+1；

[0181] 将训练样本的统计特征参数输入A-C分类器模型，如果识别结果为A，则A＝A+1；否则C＝C+1；

[0182] 将训练样本的统计特征参数输入C-D分类器模型，如果识别结果为C，则C＝C+1；否则D＝D+1；

[0183] 3)选择A、B、C、D中最大者作为四分类模型的识别结果。

[0184] 第二步，通过式(11)发现错误分类的数据集MD。如果MD是空的，调用SSVM测试模块；如果MD不是空的，通过式(12)为MD的每一项计算邻域长度NL。

[0185] 上述错误分类的数据集MD的定义如下：

[0186]

[0187] 其中，k()为SVM内核函数， b均为错误分类的数据集MD的系数。

[0188] MD集合可以是空的，但实验结果表明，出现错误分类的数据，在训练阶段是一种普遍现象。

[0189] 对于MD中的每个 邻域长度NL定义为：

[0190]

[0191] 其中 是不属于MD集中的训练数据。

[0192] 该步骤中，SSVM测试模块被配置为执行包括以下步骤：

[0193] 为测试集中的每个xk计算建议权重AW(xk,+1)和AW(xk,-1)；

[0194] 为测试集中的每个xk计算SVM决策值的绝对值h(xk)；

[0195] 对测试集中的每个xk，若max(AW(xk,±1),h(xk))＝h(xk)，则进行常规的SVM标记；否则基于max(AW(xk,+1),AW(xk,-1))进行标记。

[0196] 上述方案基于以下原理实现：

[0197] 首先为测试集中的每个xk计算AW(xk,+1)和AW(xk,-1)，再为测试集中的每个xk计算 作为SVM决策值的绝对值，扩展为[0,1]。最后，对于测试集中的每个xk，如果max(AW(xk,±1),h(xk))＝h(xk)，那么
这意味着常规的SVM标记；否则yk＝+1或-1取决于max(AW(xk,+1),AW(xk,-1))，即当max(AW(xk,+1),AW(xk,-1))＝AW(xk,+1)时yk＝+1，当max(AW(xk,+1),AW(xk,-1))＝AW(xk,-1)时yk＝-1。上述k()为SVM内核函数， b均为错误分类的数据集MD的系数。

[0198] 如果测试和训练数据映射到一个更高的维度，那么测试阶段的 应通过式(13)计算。

[0199] 如果训练数据通过使用映射函数被映射到一个更高的维度，那么 和 之间的距离可以参考相关内核k并根据下面的方程计算：

[0200]

[0201] 上述k()为SVM内核函数。

[0202] 以邻域长度NL的结果为基础，对测试集中的每个xk，建议权重AW(xk,j4)，按照式(14)计算：

[0203]

[0204] 其中，J＝+1或-1，这些AW代表测试数据有多么接近错误分类数据。

[0205] 在其它实施方式中，步骤170还可以采用AP-SVM分类器判断上述特高压设备绝缘缺陷的类型。其中，AP-SVM分类器是指以基于AP聚类获取的特征参数为输入的SVM分类器。由于SVM分类器为现有技术，在此不做详细介绍。

[0206] 下面对各分类方法进行独立测试，比较效果。

[0207] 将上述四个缺陷模型对应的测试样本分别输入SVM分类器、AP-SVM分类器以及AP-SSVM分类器(其中AP-SVM分类器和AP-SSVM分类器的输入采用由步骤110-步骤160得到的最优小波包系数对应结点的时频信号能量特征和minkowski距离)，进行20次独立测试。

[0208] 图9示意了上述三种特高压设备绝缘缺陷类型判断方法分别对四种绝缘缺陷的判断准确率。从图9可以看出，采用AP-SSVM分类器的方法平均判别率分别为类型(a)85.58％，类型(b)89.65％，类型(c)88.17％，类型(d)93.96％。在类型(b)、类型(c)以及类型(d)方面，平均判别率比采用SVM分类器的方法和采用AP-SVM分类器的方法提高10.93％以上，尤其是在类型(b)方面，平均判别率提高20.41％，在类型(a)方面，虽然比采用AP-SVM分类器的方法平均判别率低2.56％，基本属于持平状态。

[0209] 图10示意了本实施方式下采用AP-SSVM分类器的方法在25、50、75以及100四种不同训练样本数下的误差均值Average MSE、误差方差Std MSE以及最小误差值Best MSE。可以发现，伴随训练样本数增加，最小误差值Best MSE也在逐渐变大，当训练样本数为25时，最小误差值Best MSE为0.0001，而当训练样本数为100时，最小误差值Best MSE为0.0014。在误差方差Std MSE方面，当训练样本为75时，误差方差Std MSE最小为0.0057，当训练样本数为100时误差方差Std MSE最大为0.0111，说明本实施方式下采用AP-SSVM分类器的方法稳定性较好。误差均值Average MSE方面，在训练样本数为50时，误差均值Average MSE最小为0.0299，在训练样本数为100时，误差均值Average MSE最大为0.0408。

[0210] 通过分析各缺陷类型的平均判别准确率和不同训练样本情况下的误差情况可以发现，本实施方式下采用AP-SSVM分类器的方法能够有效地判断特高压设备绝缘缺陷的类型，且判别效果稳定性强。

[0211] 本发明所述的特高压设备绝缘缺陷类型判断系统可以是本发明所述的特高压设备绝缘缺陷类型判断方法对应的硬件实现载体或者软件模块系统。

[0212] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。