本发明涉及局部放电模式识别，特别涉及一种基于时频融合特征的特高频局放信号模式识别方法。
背景技术：
1、快速、准确地识别局部放电模式对于防止工业设备出现与绝缘故障相关的中断至关重要。特高频（uhf）方法由于其良好的多功能性和非接触能力，已被广泛应用于各种工业信号的诊断。深度学习技术自动学习数据特征的方法相比传统手工构建数据特征的方法具有更高效的模式识别效率和更小的工作量；与传统绝缘油化学分析的方法相比具有更强的实时数据分析能力，该技术具有明显的优势。
2、在利用深度学习技术自动提取数据特征之前需要对数据进行有效的处理才能充分利用深度学习模型的特征提取能力，达到较好的识别效果。目前应用比较广泛的用于深度学习模型模式识别的特征变换方法主要有：一维信号波形、相位幅度图（prpd）、时频图、傅里叶变换、emd分解、对称点模式图等技术。这些特征变换方法都存在一定的问题，需要大量的故障数据才能构建prpd图并体现不同类型放电信号的模式特征；其他的特征变换方法都只使用了故障信号时域或者频域单一信息域内的特征信息。经过实验证明，时频域内都包含局放信号有效的特征信息，丰富的特征表达对于深度学习模型的模式识别有积极的作用。
3、上述问题导致特高频局部放电信号模式识别的准确性受限，增加了局部放电信号类型误判的可能，从而影响监测数据不同类型的局放放电量、绝缘缺陷损毁程度分析的正确性。针对上述问题本文提出一种基于时频融合特征的特高频局放信号模式识别方法。
技术实现思路
1、本发明目的就在于为了解决上述的问题，而提供一种基于时频融合特征的特高频局放信号模式识别方法。
2、为实现上述目的，本发明采取的技术方案为：
3、使用动态时间规整算法对脉冲训练数据进行相似性对齐，减少信号因波形畸变导致的影响，通过时频融合特征丰富局放信号的特征表达，最后训练分类器对时频融合特征数据进行训练学习实现局放信号模式的准确识别，从而减小信号类型误判概率，实现变压器等电器设备工况的准确分析。包括以下步骤：
4、s1、搭建不同类型的缺陷模型并对缺陷模型施加不同等级区间的高电压，找到合适的加压区间，使局放信号的采集达到阈值要求，通过高频电流互感器采集不同类型的局部放电特高频信号；
5、s2、数据预处理，对局部放电信号进行完整周期截取，数据归一化、数据去噪、局部放电脉冲信号数据提取，数据集构建。
6、s3、对于训练集中的局部放电数据使用动态时间规整算法进行相似性对齐，增加同类型局放数据的类内相似性，减少因信号扩展和变形带来的影响，以便于提取有效的局放信号时域特征。
7、s4、对于经过动态时间规整算法增强后的局放数据集使用小波散射特征提取网络对局放脉冲信号进行特征提取，得到局放的频域特征信息；
8、s5、将时域信息和频域信息进行融合得到局放数据的时频融合特征向量，将融合后的特征数据传入分类模型中进行训练，经过参数优化后得到可用于局放模式识别的分类器模型，输入局放信号即可完成模式识别任务。
9、进一步的，所述步骤s3包括以下子步骤：
10、s31、对训练集中不同类型的局放数据进行可视化遍历，在每一个类别文件中，选择放电波形较为标准的数据作为标准脉冲波形standard_paulse，使用标准脉冲波形对文件中其余波形数据循环进行动态时间规整算法计算得到累计距离矩阵，通过累计距离矩阵可得到每条脉冲波形数据与标准波形standard_paulse进行相似性对齐后的最小相似度并可以通过回溯累计距离矩阵得到最小相似度下对应的扩展路径。
11、其中累计距离矩阵中每个元素的计算公式为：
12、<mstyle displaystyle="true" mathcolor="#000000"><mi>d</mi><mrow><mo>[</mo><mi>i</mi><mo>]</mo></mrow><mrow><mo>[</mo><mi>j</mi><mo>]</mo></mrow><mi>=</mi><mi>d</mi><mrow><mo>(</mo><mrow><msub><mi>x</mi><mi>i</mi></msub><mi>,</mi><msub><mi>y</mi><mi>j</mi></msub></mrow><mo>)</mo></mrow><mo>+</mo><mi>min</mi><mrow><mo>(</mo><mrow><mi>d</mi><mrow><mo>[</mo><mrow><mi>i</mi><mi>−</mi><mn>1</mn></mrow><mo>]</mo></mrow><mrow><mo>[</mo><mi>j</mi><mo>]</mo></mrow><mi>,</mi><mi>d</mi><mrow><mo>[</mo><mi>i</mi><mo>]</mo></mrow><mrow><mo>[</mo><mrow><mi>j</mi><mi>−</mi><mn>1</mn></mrow><mo>]</mo></mrow><mi>,</mi><mi>d</mi><mrow><mo>[</mo><mrow><mi>i</mi><mi>−</mi><mn>1</mn></mrow><mo>]</mo></mrow><mrow><mo>[</mo><mrow><mi>j</mi><mi>−</mi><mn>1</mn></mrow><mo>]</mo></mrow></mrow><mo>)</mo></mrow></mstyle>
13、分别代表两条对比信号序列中元素的索引值，<mstyle displaystyle="true" mathcolor="#000000"><mi>d</mi><mrow><mo>[</mo><mi>i</mi><mo>]</mo></mrow><mrow><mo>[</mo><mi>j</mi><mo>]</mo></mrow></mstyle>表示索引对应元素的最小距离值，表示对应元素的实际距离。
14、s32、对于每条脉冲波形数据按计算出的最小相似度扩展路径进行数据扩展，扩展后的训练集中的脉冲波形数据具有更接近的相似度，该处理方法能够消除因部分波形畸变带来的影响，增强了脉冲数据的类间相似性。
15、进一步的，所述步骤s4包括以下子步骤：
16、s41、搭建小波散射特征提取网络，优选为三层，通过小波卷积，模数非线性、池化操作得到增强后局放波形数据的高频散射特征，该高频散射特征包含了局放波形的频域特征信息。
17、s42、对得到的高频散射特征进行维度变换，得到一维的频域特征向量，该一维数据的不同区间段代表了不同的高频信息特征。
18、其中s5的具体时频域特征融合过程为：
19、将高频散射特征维度变换后得到了包含不同频率成分的频域特征向量，将该向量与经过动态时间规整算法增强后的时域波形数据进行拼接得到融合了时频域特征信息的特征数据，并使用该特征数据构建数据集。
20、与现有技术相比，本发明具有如下有益效果：
21、1、本发明在构建的局放脉冲训练集中通过使用动态时间规整算法对同类别的数据进行相似性对齐，能够有效减少数据集中波形发生伸缩畸变导致的影响；
22、2、通过融合增强后的时域数据和小波散射提取的频域特征丰富了局放脉冲特征表达，为分类器的特征学习提供了数据基础，能更大地发挥网络的作用；
23、3、该方法避免了在时频变换过程中需要人工甄选合适的小波基才能得到效果较好的频域数据的问题，减小了工作量。
1.一种基于时频融合特征的特高频局放信号模式识别方法；包括以下步骤：
