基于奇异值分解算法的变压器局部放电模式识别方法

1.一种基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，包括以下步骤：
步骤（1）搭建多种放电类型的人工缺陷实验环境并采集局部放电相关测量参量样本数据；
所述人工缺陷实验环境包括表面放电、内部放电和气泡放电在内的多种典型放电模型，以及空气尖端放电和电晕放电在内的多种干扰模型；每种类型的测量参量样本数据包括：脉冲放电量、脉冲相位、采样频率、幅值范围、触发电平、脉冲个数、测量时长、偏移相位、测量时间、时间间隔、等效频率、等效时长;
步骤（2）计算由第（1）步采集到的局部放电参量样本数据的统计特征参量；
所述的统计特征参量包括下述的部分或全部：放电重复频率、总放电次数、放电持续时间、正极性和负极性的最大放电量、正极性和负极性放电次数分布的加权平均放电相位、正极性和负极性放电次数分布的方差、正极性和负极性放电次数分布的偏斜度、正极性和负极性放电次数分布的陡峭度、放电次数分布图的正负半周不对称度、放电次数分布图的正负半分布相关系数、正极性和负极性平均放电量分布的方差、正极性和负极性平均放电量分布的偏斜度、正极性和负极性平均放电量分布的陡峭度、平均放电量分布图的正负半周不对称度、平均放电量分布图的正负半分布相关系数、脉冲幅度威布尔分布的阿尔法参数、脉冲幅度威布尔分布的贝塔参数;
步骤（3）构成训练样本矩阵和测试样本矩阵，两种样本矩阵的组成结构相同，矩阵的每一行是一种所述的统计特征参量，每一列是一个样本；
构成所述训练样本矩阵的具体方法为，计算局放样本信号的统计特征参量，并构成列向量作为矩阵的列向量，每一种所述放电类型的样本数据连续放置在矩阵的列中，矩阵每一行代表一种统计特征参量，并做数据归一化计算；
步骤（4）对所述训练样本矩阵进行奇异值分解，确定保留矩阵的最佳阶数；
所述保留矩阵的最佳阶数的判断方法具体为，奇异值分解后得到特征空间描述矩阵、奇异值矩阵和样本空间描述矩阵；对样本空间描述矩阵计算其类内散射矩阵、类间散射矩阵、全部样本的总散射矩阵，计算得到判断聚类程度的表征值；比较表征值和阈值大小，当表征值小于阈值时，判定为最佳阶数；
步骤（5）根据经奇异值分解得到的样本矩阵生成分类模型，所述分类模型由类型特征空间描述矩阵和类中心描述向量组构成；
步骤（6）对测试样本矩阵或者现场采集到的待分类的样本进行预处理得到待分类样本向量，进行分类识别；
分类识别方法具体为，对测试样本矩阵或者现场采集到的待分类的样本进行预处理，得到待分类样本向量，然后用步骤（5）得到的类型特征空间描述矩阵做线性变换，得到降维后的样本描述空间的向量，再计算该向量与步骤（5）得到的类中心描述向量组中的每个向量的相似度大小，将最相似的一组作为分类判定结果。
2.根据权利要求1所述的基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，每种放电类型的训练样本和测试样本数量取2:1的比例。
3.根据权利要求1所述的基于奇异值分解算法的变压器局部放电模式识别方法，其特征在于，所述预处理过程包括：计算统计特征参量、样本向量归一化。

暂无