基于SVM算法的局部放电模式识别

合集下载

基于方向梯度直方图属性空间的局部放电模式识别改进算法

2021年5月电工技术学报Vol.36 No. 10 第36卷第10期TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY May 2021DOI: 10.19595/ki.1000-6753.tces.200327基于方向梯度直方图属性空间的局部放电模式识别改进算法宋思蒙钱勇王辉盛戈皞江秀臣（上海交通大学电气工程系上海 200240）摘要该文提出一种基于方向梯度直方图（HOG）属性空间的局部放电模式识别改进算法，旨在提高特征对样本信息的概括能力，并克服分类器对高维特征的识别局限。

首先，构造局部放电脉冲序列分布（PRPS）模式作为识别依据，利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间；然后，通过线性变换协方差矩阵的方式重构HOG属性空间，使其满足相互独立性；接着，根据属性重要性重新排列空间后，依次增加输入朴素贝叶斯分类器的属性个数，基于分类精度搜索最佳属性子集；最后，按照归约属性的相对重要性进行加权，最终设计出HOG属性选择加权朴素贝叶斯分类器。

大量样本测试结果证明，此算法能够达到很高的识别精度，对传统识别算法的优化效果明显，有较好的应用价值。

关键词：局部放电模式识别方向梯度直方图脉冲序列分布属性选择加权朴素贝叶斯中图分类号：TM85Improved Algorithm for Partial Discharge Pattern RecognitionBased on Histogram of Oriented Gradient Attribute SpaceSong Simeng Qian Yong Wang Hui Sheng Gehao Jiang Xiuchen （Department of Electrical Engineering Shanghai Jiao Tong University Shanghai 200240 China）Abstract This paper proposed an improved algorithm for partial discharge pattern recognition based on the attribute space of histogram of oriented gradient (HOG), aiming to enhance the summary ability of features and overcome the limitation of traditional classifier for the high-dimensional features.Firstly, the partial discharge phase resolved pulse sequence (PRPS) patterns were constructed as the recognition basis. And the HOG attribute space of PRPS images was formed automatically by the iterative algorithm of local cell superimposed slipped window. Secondly, in order to satisfy the mutual independence, the HOG attribute space was reconstructed by linear transformation of covariance matrix and was rearranged according to attribute importance. Thirdly, the number of attributes input to the Naïve Bayesian classifier was sequentially increased, and then the best attribute subset was obtained based on the classification accuracy. After weighting the reduced attribute according to their relative importance, the HOG attribute selective weighted naïve bayes classifier was finally designed. The test results of a large number of samples prove that the improved algorithm can achieve high recognition accuracy, and has an obvious optimization effect and good application value.Keywords：Partial discharge, pattern recognition, histogram of oriented gradient, phase resolved pluse sequence, attribute selective weighted Naïve Bayes收稿日期 2020-04-04 改稿日期 2020-05-202154 电工技术学报 2021年5月0引言随着电网规模的逐渐扩大和电压等级的逐渐升高，电气设备的安全可靠性愈发重要[1]。

基于PLS-SVM的开关柜局部放电检测方法

基于PLS-SVM的开关柜局部放电检测方法黄超;万锶锦;郭镥【摘要】超声波检测法是高压开关柜局部放电检测的一种有效方法,但目前基于超声波信号检测原理开发的局部放电检测产品主要有信号幅值检测、将信号降频至音频从而监听检测,具有检测结果不够准确、对检测人员要求较高等缺点.该研究提出了一种基于偏最小二乘(partial least squares,PLS)特征降维和支撑向量机(support vector machine,SVM)的开关柜局部放电检测方法,首先计算超声音频信号的声学特征,并采用PLS进行降维处理,然后采用SVM分类器来区分局放和非局放音频信号.实验结果表明,所提方法比传统阈值方法具有更高的识别准确率,并且降低了对检测人员的要求,具有更好的普适性.【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)009【总页数】5页(P62-66)【关键词】局部放电;开关柜;支撑向量机;偏最小二乘【作者】黄超;万锶锦;郭镥【作者单位】深圳供电局有限公司,广东深圳518000;深圳供电局有限公司,广东深圳518000;深圳供电局有限公司,广东深圳518000【正文语种】中文【中图分类】TM835.4高压开关柜是电力配电设施中的重要设备，在较长周期的运营过程中普遍存在的绝缘问题，在某些条件下可能引发事故[1]。

电力管理部门解决这些问题常用的方法是，对这些电力设备定期或者不定期的进行电气属性检测，包括设备绝缘性能、故障诊断等，以保障配电网络的正常运行[2]。

局部放电是导致产生绝缘问题的主要原因[3]，因此局部放电检测是高压设备绝缘性能检测和故障诊断的重要项目。

由于局部放电发生时通常会伴随产生电荷转移、电能损耗、高频电磁波等电气现象以及超声波、光、热或者其他的新生成物等物理化学现象，现有的局部放电检测方法可以大致分为电测法与非电检测法2种[4-6]。

电测法主要根据设备电气特性的变化来检测是否有局部放电发送，包括脉冲电流法、介质损耗分析法、超高频检测法等；非电测法则是根据局部放电时产生的声、光、热等物理现象进行检测，包括声测法、光测法、红外热测法等。

基于等效时频图谱和 SVM 的局放识别方法研究

基于等效时频图谱和 SVM 的局放识别方法研究李富贵;李春锋;孔海洋;王璇【摘要】为区分电力电缆不同绝缘故障下的局部放电类型，本文研究了一种基于等效时频图谱和支持向量机（ SVM）的局放识别方法。

采用双指数衰减模型与单指数衰减模型两种局放类型进行实验，模拟产生两类局放信号并通过信号采集系统进行采集。

对采集来的局放信号提取等效时频特征，进而将局放信号映射到等效时频图谱中。

根据等效时频特征，用SVM对不同局放信号分类判别，结果表明SVM能实现准确分类。

该方法不仅能够实现单一放电源识别，还能识别混合放电源，能够为电力电缆及其他电气设备的局放模式识别提供参考。

【期刊名称】《机电元件》【年(卷),期】2015(000)005【总页数】4页(P8-10,20)【关键词】局部放电;等效时频;支持向量机;故障诊断【作者】李富贵;李春锋;孔海洋;王璇【作者单位】中国平煤集团公司电务厂，山西平顶山，467000;中国平煤集团公司电务厂，山西平顶山，467000;武汉大学电气工程学院，湖北武汉，430072;武汉大学电气工程学院，湖北武汉，430072【正文语种】中文【中图分类】TN7841 引言电力电缆故障严重影响着电网的安全运行，而电力电缆的可靠性很大程度上取决于其绝缘特性。

电缆由于生产、运输、安装和运行过程中容易产生气隙、杂质、凸起、毛刺等缺陷，这些缺陷引发局部区域电场集中而导致局部放电。

因此，局部放电能够最直接地反映电力电缆的各种绝缘状态。

局部放电的发展最终会导致整个绝缘的击穿，造成设备损坏事故［1，2］。

电缆局放的在线监测现已成为判定电缆绝缘状况的有效途径。

不同的绝缘缺陷有不同的局部放电模式，目前国内外学者在局放识别方面已展开了大量的研究工作。

文献［2］研究了基于盲源分离的局部放电信号提取算法，并通过基于负熵的时频图谱进行了局放的模式识别。

文献［3］采用等效时频的方法对局放信号进行判别并去噪。

文献［4］采用K－means聚类算法识别不同的三相电缆局部放电故障。

基于相位谱图的开关柜局部放电模式识别方法

智能状态评估分析系统；柯艳国（１９７８一），高级工程师，从事变电设备运维专业管理和新技术应用工作；田￣（１９７６一），高级工程师，从事
变电设备状态检修和专业管理工作。
２０１７Ｊ４（Ａ）期ｊ３
发展出统计方法［１］、分形维数法［４］等。然而，上述方法由
（ａ】尖端放电
（。）（ｂ）内部空穴放电
于在训练样本的数量方面要求较多等，因此在实际应用中
Hale Waihona Puke 图１典型开关柜局部放电缺陷的相位谱图
存在一些困难。文献Ｅ５］表明可采用灰度图提取出各种放电信号的正负半周形态谱图作为特征量进行放电类型的识别。本文提出一种基于ＰＲＰＤ灰度图采用最大二维准则法
（ＴＥＶ）法进行局部放电测试并随机抽取的一组相位谱图
机理互不相同，在工频电压下也将表现出不同的放电特征。单个放电具有随机性特征，重复放电具有统计特征，因此基于统计学原理的相位谱图（ＰＲＰＤ）是判断开关柜内部是否存在局部放电以及何种局部放电类型的重要依
据［。
（ＰＲＰＤ）。由此可见，几种放电在工频电压激励下均呈现
出明显的相位分布特征，故可将其作为局部放电类型特征
提取的数据基础。
针对相位图谱进行模式识别，需要利用ＢＰ神经网络［引、支持向量机（ＳＶＭ）＿３］、仿生模式识别器（ＢＰＲ）等算法提取出表征局部放电特性的参数，以达到区分局放类型

基于PLS—SVM的开关柜局部放电检测方法

ｃｈａｒｇｅ．Ａｔｔｈｅｐｒｅｓｅｎｔ，ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｄｅｔｅｃｔｉｏｎｐｒｏｄｕｃｔｓ
研究提出了一种基于偏最小二乘（ｐａｔｒｉｌａｌｅａｓｔｓｑｕａｒｅｓ，ＰＬＳ）特征降维和支撑向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）的开关柜局部放电检测方法，首先计算超声音频信号的声学特征，并采用ＰＬＳ进行降维处理，然后采用ＳＶＭ分类器来区分局放
Ｖｏ１．３２Ｎｏ．９Ｓｅｐｔ．２０１６
中图分类号：ＴＭ８３５．４
文献标志码：Ａ
基于ＰＬＳ — ＳＶＭ的开关柜局部放电检测方法
黄超，万锶锦，郭镥
（深圳供电局有限公司，广东深圳５１８０００）ＳｗｉｔｃｈｇｅａｒＰａｒｔｉａｌＤｉｓｃｈａｒｇｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＰＬＳ — ＳＶＭ
ｄｅｍａｎｄｓｏｒｆｔｈｅｔｅｓｔｉｎｇｐｅｒｓｏｎｎｅ１．Ｔｈｉｓｐａｐｅｒｐｕｔｓｆｏｒｗａｒｄａｎｅｗｓｗｉｔｃｈｇｅａｒｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｗｈｉｃｈｉｓ

基于LS-SVM和数学形态谱的局部放电模式识别

ＳｐｏｔＶｅｔｒＭａｈｎｓａｄａｌｉｇｉｓｍｕｌｕｐｒｃｏｃｉｅｎｐｐｙｎｔｔｉ—ｃａｓｆａｉｎａｇｒｔｍ．Ｒｅｏｎｔｏｅｕｌｐｏｅｈｅｓｂｉｔｌｓｉｃｔｌｏｉｈｉｏｃｇｉｉｎｒｓｔｒｖｓｔｅｆａｉｌｙｉａｄｈｌｈｒｃｇｔｏａｅｏｈｓｍｅｈｄ．ｎｉｅｏｎｉｎｒｔｆｔｉｔｏｇｉＫｅｒｓ：ａｔａｉｃｒｅ；ＬａｔＳｕｅｕｐｏｃｏｃｎｅｙｗｏｄｐｒｉｌｄｓｈａｇｅｓｑａｓＳｐｒＶｅｔｒＭａｈｉｓ；ｍａｈｍａｉａｒｈｌｇｒｔｔｅｔｃｌｍｏｏｏｙ；ｐｔｅｐｅｔｍ；ｐａｔｒｓｃｒｕ
ｐｔｅｅｏｎｔｏａｔｒｒｃｇｉｎｉ
０引言
局部放电模式识别是判断电力设备绝缘状况的有效手段。所以，局部放电信号特征提取和模式识别在判断电力设备绝缘问题上具有重要意义。目前，提取局部放电的特征参数主要有三维６０
算法，中由Ｓｙｅｓ和Ｖｎｅａｌ人提出的最其ｕｋｎａｄｗｌｅ等小二乘支持向量机ＬＳ—ＳＭ（ａｔｑａｅｕｐｒＶｅｒＬｓＳｕｓＳｐｏｔＶｃｒｃｉｅ在模式识别和非线性函数估计应ｅｔｈｎ）ｏＭａ
一
小化原则提出的一种新型的学习机器，持向量机支
ห้องสมุดไป่ตู้

EMD-SVD及粒子群优化的SVM变压器局部放电模式识别

EMD-SVD及粒子群优化的SVM变压器局部放电模式识别董朋;张建文;贾立敬【摘要】为了对变压器的局部放电信号进行特征量提取以及模式识别,在分析EMD和SVD理论的基础上,提出了EMD-SVD和PSO-SVM相结合的方法.将选取的四种去噪后的局部放电信号(空气中电晕、沿面、气隙,油中气隙)经EMD分解为由高到低的固有模态函数,再利用SVD对其进行数据压缩,提取出14个反应PD信号本质的特征量,并将其输入到经粒子群优化的支持向量机进行模式识别.仿真结果表明,此方法能够较好地识别出四种局部放电信号,与未经优化的SVM、GA-SVM、GRID-SVM相比,经粒子群优化的支持向量机分类准确率较高、速度较快.【期刊名称】《电气开关》【年(卷),期】2016(054)004【总页数】6页(P16-21)【关键词】EMD;SVD;PD;粒子群【作者】董朋;张建文;贾立敬【作者单位】国华徐州发电有限公司,江苏徐州 221000;中国矿业大学,江苏徐州221166;中国矿业大学,江苏徐州 221166【正文语种】中文【中图分类】TM411随着现代社会工业化程度的不断提高，电力系统朝着超高压、大电网、大容量、自动化方向发展。

大型电力变压器作为电力系统的主要设备，其造价昂贵、结构复杂，承担着联系不同电压等级电网的重任，其运行状态直接影响系统的安全水平和可靠性［1］。

局部放电(PD)是电力变压器绝缘劣化的主要原因和早期表现形式，PD信号模式识别对大型电力变压器故障诊断和实时状态评估具有重要意义。

局部放电模式识别过程由特征量提取和分类识别组成。

目前，国内外研究局部放电特征量提取的方法主要包括统计特征参数、威布尔参数［2］、分型特征参数［3］、矩特征参数［4－5］等。

目前常用的分类识别方法有模糊聚类法［6］、人工神经网络法［7］、隐马尔科夫分类法［8］、支持向量机法［9］等。

上述方法大多数针对大样本数据，鉴于经EMD－SVD提取出的局部放电信号特征量较少，因此选用专门解决具有非线性、样本少及维数高等特性的支持向量机方法(SVM)。

电气设备局部放电模式识别研究综述

电气设备局部放电模式识别研究综述一、本文概述电气设备局部放电（Partial Discharge, PD）是设备绝缘老化和失效的重要前兆，其早期检测和准确识别对于保障设备的安全运行和延长使用寿命具有重要意义。

随着科技的不断进步，对电气设备局部放电的模式识别研究已成为当前电气工程领域的热点之一。

本文旨在综述近年来电气设备局部放电模式识别的研究进展，分析不同方法的优缺点，并展望未来的研究方向。

通过对国内外相关文献的梳理和评价，本文期望为电气设备局部放电模式识别的研究和应用提供有益的参考和借鉴。

在本文中，首先将对电气设备局部放电的基本概念、产生机理和危害进行简要介绍，为后续的模式识别研究奠定基础。

接着，将重点回顾和总结电气设备局部放电模式识别的传统方法，如脉冲电流法、超声波法、化学法等，并分析它们的适用范围和局限性。

随后，将详细介绍近年来新兴的电气设备局部放电模式识别技术，如基于机器学习的方法、基于深度学习的方法以及基于的方法等，并探讨它们在提高识别准确率和效率方面的优势。

将对电气设备局部放电模式识别的未来研究方向进行展望，包括多源信息融合、智能化识别系统、在线监测与预警等方面。

通过本文的综述，期望能够为电气设备局部放电模式识别的研究和实践提供全面的视角和深入的理解，为推动该领域的发展做出一定的贡献。

二、局部放电检测技术与原理局部放电是指在电气设备绝缘结构中，部分区域发生的非贯穿性放电现象。

这种放电虽然不会立即导致设备绝缘击穿，但长期累积会对绝缘材料造成损伤，最终导致设备故障。

因此，对局部放电的有效检测与模式识别对于电气设备的预防性维护和安全运行至关重要。

电气测量法：这是最常用的方法，包括脉冲电流法、介质损耗法、局部放电超声波检测法等。

其中，脉冲电流法通过测量局部放电产生的脉冲电流来检测放电的存在和强度；介质损耗法则通过分析绝缘材料介质损耗的变化来间接判断放电情况。

化学检测法：通过检测局部放电过程中产生的气体成分和浓度变化来判断放电的强度和频率。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于SVM算法的局部放电模式识别
气体绝缘组合电器（Gas Insulated Switchgear）局部放电检测对于保证其安全可靠运行具有重要的意义。

为了对变压器故障进行有效诊断，试验设计了4种典型缺陷模型。

用超声波法提取局部放电信号，得到局放分布图谱，获得了局放特征参数。

根据所提取的特征参数的特点，通过支持向量机（SVM）分类算法对典型缺陷信号进行了模式识别。

标签：超声波法；特征参数；SVM算法；模式识别
引言
变压器作为电力系统中重要的电力设备，是输电网中重要的组成部分，及时的发现其内部故障，对于电网的安全供电，减少经济损失是至关重要的。

以前，主要是通过检测绝缘电阻、局部放电等来进行变压器内部的故障诊断情况，这种方法具有局限性，会受到周围环境的影响。

超声波法是一种较好的故障检测方法，能够及时准确的对变压器内部的故障进行监测。

用超声波法对变压器缺陷故障引起的局部放电进行检测，得到的信号图谱中含有丰富的局放信息，可以从中提取能充分反映局放信号特征的偏斜度Sk、陡峭度Ku、局部峰点数Pe、互相关系数Cc和放电量Q等特征参数。

对统计特征参数进行分析，能够较好的进行典型绝缘缺陷故障的诊断。

基于此，本文通过对变压器内部设置典型绝缘缺陷模型，对其故障进行局放试验，提取出能反映典型缺陷局放信号的特征参数。

用SVM算法对典型绝缘缺陷局放信号进行分类，结果表明：SVM分类算法对于GIS内典型缺陷类型具有较高的识别率。

1 SVM算法的原理
1.1 分类器设计
SVM是Vapnik提出的一种建立在统计学习基础上的非线性数据处理方法，其基于“结构风险最小化原理”的独特决策规则能较好的克服传统分类算法“维数灾”和“过拟合”等问题，并且具有很强的泛化能力，在处理二分类和多分类模式识别问题上有着优异表现，因而备受研究人员青睐，目前已开发出LIBSVM、LS-SVMLAB、OSU SVM等诸多软件包。

然而，SVM模型参数的选取没有既定的标准，需要很强的经验与技巧。

1.2 SVM算法原理
SVM算法是一种基于数据挖掘技巧的机器学习技术。

将SVM应用到分类中去的核心思想陈述如下：
给出训练样本集{xi，yi}，其中，i=1，2，…，n，x∈p，y∈{+1，-1}能够被超平面？棕Tx+b=0分离，其中？棕是权重矢量，b是偏移量。

如果超平面使得边距最大化，那么下列不等式对所有输入变量成立：
对于所有的xi，当我们固定硬边距为1时，超平面的几何间隔为。

那么，问题变成了t通过在式（1）的约束下最小化来求得最大化的边距。

这是一个凸次编程问题。

使用拉格朗日乘子（LM）（？琢i>0，i=1，…，n）以解决下式：
最大化边距是一个很重要的概念，但是它不能用于解决现实中的很多问题，原因是，如果数据有很多噪点，除非我们准备使用非常复杂的核，否则，通常在特征空间内不能进行线性分类。

主要的原因在于，最大化边距分类器总是完美而没有误差的将训练样本分类。

为了解决这一问题，SVM使用接下来要介绍的软边距，并引入非负的松弛变量
对于一个线性的不可分类问题，SVM利用核函数k（x，y）将在输入空间内的样本映射到高维的特征空间中去，其中径向基核函数
其中C和？滓需要基于全部的训练样本迭代选出最优的值。

参数的选取对于SVM的表示起到了至关重要的作用。

1.3 算法流程
1.3.1 设已知样本集合P={x1，x2，…xn}，其中n为已知分类的样本数，c 代表分类数；
1.3.2 为了建立分类函数，对训练样本集进行从0到1的线性缩放并且计算各种参数；
1.3.3 利用k折交叉验证估计和网格寻找算法结合估计最优模型参数（C，g）；
1.3.4 利用最优的参数建立SVM模型；
1.3.5 估计SVM模型的可靠性。

2 变压器缺陷类型
变压器的内部主要采用的是油纸绝缘结构，内部发生的局部放电常常造成绝缘故障。

在变压器安装、制造、运行中常常会由于缺陷的存在造成局部放电。

而其局放常常位于油间隙、空气隙、金属导体毛刺以及固体表面。

所以，可以将变压器局放归为：空气间隙造成的放电；油中的气泡造成的放电；杂质导致的放电；沿面放电。

本文将根据放电类型，进行试验研究。

3 识别结果
通过局放检测装置连续采集多周期的局放数据，对于统计特征指纹，每种缺陷选取50组作为训练组，测试组共选取100组特征数据来研究缺陷类型的识别正确率。

运用SVM分类算法对典型变压器缺陷局放类型识别，采用独立样本作为测试样本检验该算法的正确率。

识别结果如表1所示。

从表1可以看出，针板放电缺陷和内部放电缺陷通过SVM算法进行分类正确率为91%和93%，沿面放电达到78%，沿面放电缺陷由于局放信息复杂，使得此缺陷的识别率较低。

总体而言，支持向量分类算法对变压器各种模拟缺陷识别率较高，效果较好。

4 结束语
对变压器设计了3种典型绝缘缺陷模型，通过超声波法对故障引起的局放信号采集了大量样本，提取了局部放电信号特征参数。

用SVM算法识别变压器局部放电类型，结果显示出较高的识别正确率。