利用AP-SSVM算法識(shí)別GIS的局放缺陷類型

高強(qiáng)，劉齊，張軍陽，許永鵬(. 上海交通大學(xué) 電氣工程系，上?！?040；.國網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽　0006)

0　引　言

局部放電(Partial Discharge，PD)檢測是對氣體絕緣組合開關(guān)(Gas Insulated Switchgear, GIS)開展絕緣情況評(píng)估的關(guān)鍵方法。PD將引起絕緣老化，導(dǎo)致絕緣故障，嚴(yán)重影響使用壽命。但是GIS內(nèi)部不同的缺陷類型對絕緣影響的差異性較大，因此在GIS絕緣故障診斷中，缺陷類型的識(shí)別非常關(guān)鍵[1-4]。

支持向量機(jī)(SVM)已在缺陷識(shí)別中得到了一定的應(yīng)用。如文獻(xiàn)[5]采用FCM聚類算法提取特征參數(shù)，再將這些特征參數(shù)輸入SVM進(jìn)行識(shí)別。文獻(xiàn)[6]提出了過程功率譜信息熵SVM的故障診斷方法。文獻(xiàn)[7]提出了小波包變換和SVM相結(jié)合的識(shí)別方法。通過小波包分解及重構(gòu)進(jìn)行特征提取，再帶入SVM中進(jìn)行準(zhǔn)確分類。文獻(xiàn)[8]提出了一種基于熵特征和SVM的識(shí)別新方法。首先提取局放信號(hào)的多維熵特征參數(shù)，再通過基于二叉樹的SVM進(jìn)行模式識(shí)別。

本文提出一種基于AP-SSVM算法的GIS缺陷類型識(shí)別方法，首先利用小波包變換對GIS局放信號(hào)進(jìn)行分解，并提取時(shí)頻信息熵特征；然后采用AP聚類算法對各子頻帶的時(shí)頻信息熵特征進(jìn)行聚類，實(shí)現(xiàn)特征參數(shù)的優(yōu)化，最后將這些特征參數(shù)輸入訓(xùn)練好的自建議支持向量機(jī)(SSVM)分類器以識(shí)別GIS的缺陷類型。

1　特征提取

1.1　小波包變換

小波變換是一種靈活的，擴(kuò)展性好的時(shí)頻分析方法，但是當(dāng)信號(hào)在高頻區(qū)分布緊密時(shí)，小波變換的分辨率難以提高。而小波包變換在每個(gè)尺度上頻率帶寬相同，可以保證變換不會(huì)增減原始信號(hào)的信息，還能根據(jù)被檢測信號(hào)的特征，自適應(yīng)地選擇恰當(dāng)?shù)念l帶分析，所以小波包變換在中高頻的處理上比小波變換的分解更精確，效果更好，非常適合處理非穩(wěn)態(tài)信號(hào)[9]。以針尖缺陷的局放信號(hào)為例，小波包分解獲取的各子帶系數(shù)如圖1所示。

圖1　小波包分解各子帶系數(shù)圖

1.2　AP聚類

對小波包分解后的GIS局放信號(hào)進(jìn)行傅立葉變換，得到對應(yīng)的頻率系數(shù)，提取時(shí)域和頻域信號(hào)的信息熵，并進(jìn)行AP聚類[10]。AP聚類與FCM聚類等算法相比，初始約束條件較少，無需定義類的數(shù)目，在迭代的過程中會(huì)自動(dòng)選擇合適的聚類中心并識(shí)別出類中心的個(gè)數(shù)。

首先提取某類缺陷的50組小波包分解后子帶系數(shù)的時(shí)頻信息熵[11]，并進(jìn)行歸一化處理，再進(jìn)行AP聚類，然后對分類后的子帶系數(shù)進(jìn)行排序，提取排名在前的若干子帶系數(shù)，以及各聚類集合的minkowski距離[12]。

2　自建議支持向量機(jī)

2.1　基于先驗(yàn)知識(shí)的SVM

在以先驗(yàn)知識(shí)為基礎(chǔ)的SVM中，測試數(shù)據(jù)的標(biāo)記可根據(jù)?x,D1x≤d1約束，其中x屬于{+1}類；如果D2x≤d2那么x屬于{-1}類[13]。根據(jù)經(jīng)典SVM，不滿足這些約束的測試數(shù)據(jù)會(huì)被標(biāo)記。此外，建議可以以一種更普遍的方式表達(dá)，例如任何屬于建議區(qū)域i的x，class(x)=-1；任何屬于建議區(qū)域j的x，class(x)=+1，這些建議區(qū)域通常是數(shù)據(jù)輸入空間中的凸多面體區(qū)域?？紤]一般的建議，如Dx≤d?z(wx-b)≥1，其中z=+1表明x屬于+1類而z=-1同樣表明類別。

2.2　自建議SVM

使用專家的先驗(yàn)知識(shí)，有一個(gè)逐步增加的使用建議集。然而，也有一些在實(shí)際應(yīng)用中的困難，比如這些知識(shí)如何以約束條件的形式表述。此外，這些方法包括新的參數(shù)，從而提高了SVM的計(jì)算成本。另一方面，集合算法是迭代的程序，增加了計(jì)算成本，卻并不是總能提高SVM的性能，有時(shí)甚至?xí)剐阅芟陆怠?/p>

本文提出了一個(gè)非迭代的方法，從訓(xùn)練階段提取后續(xù)的知識(shí)。在傳統(tǒng)的SVM方法中，測試階段從訓(xùn)練階段獲取的唯一信息是第一類支持向量或超平面位置。后續(xù)的知識(shí)可以是關(guān)于第一類支持向量的深層信息，即從第二類支持向量中提取的知識(shí)。而且傳統(tǒng)的SVM忽略了訓(xùn)練階段中沒有被內(nèi)核線性地分開的訓(xùn)練數(shù)據(jù)。它會(huì)通過引入公差參數(shù)的目標(biāo)函數(shù)和約束條件發(fā)生。但是，如果數(shù)據(jù)與測試集中的錯(cuò)誤分類數(shù)據(jù)類似或相同，它將再次被錯(cuò)誤分類，因?yàn)榕c錯(cuò)誤分類數(shù)據(jù)接近的數(shù)據(jù)是不確定的。這種錯(cuò)誤分類是不合理的，因?yàn)樗怯捎谟?xùn)練階段可用的數(shù)據(jù)和信息被SVM算法忽略造成的。

我們首先定義錯(cuò)誤分類的數(shù)據(jù)集MD，在訓(xùn)練階段按如下形式：

(1)

在式(1)的右邊，我們可以使用任何SVM決策函數(shù)和內(nèi)核。MD集合可以是空的，但實(shí)驗(yàn)結(jié)果表明，出現(xiàn)錯(cuò)誤分類的數(shù)據(jù)，在訓(xùn)練階段是一種普遍現(xiàn)象。

對于MD中的每個(gè)xi，鄰域長度(NL)定義為：

(2)

式中：xj,j=1,…,N,是不屬于MD集中的訓(xùn)練數(shù)據(jù)。

如果訓(xùn)練數(shù)據(jù)通過使用映射函數(shù)被映射到一個(gè)更高的維度，那么xi和xj之間的距離可以參考相關(guān)內(nèi)核k并根據(jù)下面的方程計(jì)算，

(3)

以NL的結(jié)果為基礎(chǔ)，對測試集中的每個(gè)xk，建議權(quán)重AW(xk,j)(其中J=+1或-1)按照如下方法計(jì)算：

(4)

這些AW代表測試數(shù)據(jù)有多么接近錯(cuò)誤分類數(shù)據(jù)?？傊越ㄗhSVM(SSVM)步驟概括為：

(1)訓(xùn)練階段

首先進(jìn)行普通的SVM訓(xùn)練，再通過式(1)發(fā)現(xiàn)MD集。如果MD是空的，進(jìn)入測試階段或通過式(2)為MD的每一項(xiàng)計(jì)算NL。

(2)測試階段

3　局放試驗(yàn)?zāi)Ｐ?/h2>

GIS的PD試驗(yàn)平臺(tái)示意圖如圖2所示。主要包括380 V/50 Hz無局放高壓電源、126 kV GIS和最高采樣率為20 GHz、有效帶寬為2.5 GHz的示波器。

圖2　GIS的PD試驗(yàn)平臺(tái)示意圖

(1)高壓導(dǎo)體突出物模型

GIS高壓導(dǎo)體表面上的金屬突出物會(huì)導(dǎo)致突出物附近的局部電場畸變，引發(fā)典型的尖-板電暈放電。在正常工作電壓下，該缺陷可放電穩(wěn)定，可一旦有暫態(tài)過電壓(雷電過電壓或操作過電壓)發(fā)生，則可能會(huì)引發(fā)擊穿故障。模型制作示意圖如圖3(a)所示。

(2)懸浮電極模型

本模型通過在一圓柱形環(huán)氧樹脂內(nèi)放置一金屬而制成。環(huán)氧樹脂上表面加高壓，下表面接地，模擬GIS中的懸浮電極放電。模型制作示意圖如圖3(b)所示。

(3)外殼底部自由金屬微粒模型

自由金屬微粒是導(dǎo)致GIS故障的最主要原因。本模型采用金屬小球，放置于上下兩電極之間。模型制作示意圖如圖3(c)所示。

(4)絕緣氣隙模型

氣隙放電也稱為氣泡放電，是絕緣子在澆注過程中受熱不均而造成的一種絕緣子內(nèi)常見的絕緣缺陷。本模型通過在一圓柱形環(huán)氧樹脂內(nèi)密封一段柱狀氣隙而制成。模型示意圖如圖3(d)所示。

圖3　四種GIS典型缺陷模型示意圖

圖4為高壓導(dǎo)體突出物、懸浮電極、自由金屬微粒和氣隙等4種典型缺陷模型的局放UHF時(shí)域信號(hào)和頻譜分析。

圖4　典型缺陷模型的局放UHF信號(hào)

對上述4種缺陷模型局放UHF信號(hào)進(jìn)行時(shí)域和頻域分析，可以發(fā)現(xiàn)，對電暈放電UHF信號(hào)頻譜分析可見，UHF信號(hào)頻譜主要分布在350 MHz～450 MHz之間以及700 MHz～1.1 GHz之間；對懸浮放電UHF信號(hào)頻譜分析可見，UHF信號(hào)頻譜主要分布在350 MHz～500 MHz之間；對金屬微粒放電UHF信號(hào)頻譜分析可見，外置UHF信號(hào)頻譜主要分布在300 MHz～500 MHz之間，與懸浮放電類似，500 MHz以下低頻段分量增強(qiáng)，而高頻段分量有所衰減；對氣隙放電UHF信號(hào)頻譜分析可見，外置UHF信號(hào)頻譜主要分布在300 MHz～500 MHz之間。

4　信號(hào)研究

對4種缺陷類型產(chǎn)生的GIS局放信號(hào)進(jìn)行小波包分解，并提取時(shí)頻信息熵特征；然后采用AP聚類算法對各子頻帶的時(shí)頻信息熵特征進(jìn)行聚類，以AP聚類數(shù)為3為例，GIS各缺陷的局放信號(hào)的時(shí)頻域聚類情況如圖5所示。并計(jì)算各缺陷類型的minkowski距離，結(jié)果如表1所示。

圖5　GIS缺陷典型信號(hào)的AP聚類圖

將不同缺陷的GIS局放信號(hào)進(jìn)行小波包分解，對各小波包系數(shù)進(jìn)行時(shí)頻分析，提取信號(hào)時(shí)域和頻域的信息熵，經(jīng)過AP聚類后，確定最優(yōu)小波包系數(shù)，并將對應(yīng)的信息熵分別帶入SVM，AP-SVM和AP-SSVM分類器模型，進(jìn)行20次獨(dú)立測試，不同缺陷類型下各模型的平均識(shí)別準(zhǔn)確率如圖6所示。

表1　不同缺陷類型的minkowski距離及時(shí)頻坐標(biāo)

圖6　不同缺陷類型下各模型的平均識(shí)別準(zhǔn)確率

從圖6中，我們可以發(fā)現(xiàn)，針對各種缺陷類型，AP-SSVM的平均識(shí)別率分別為85.58%，89.65%，88.17%，93.96%，在故障類型2，3，4方面，平均識(shí)別率比SVM，AP-SVM提高10.93%以上，尤其是在故障類型2方面，平均識(shí)別率提高20.41%，在故障類型1方面，雖然比AP-SVM的平均識(shí)別率低2.56%，基本屬于持平狀態(tài)。

圖7　不同訓(xùn)練樣本數(shù)對應(yīng)的識(shí)別準(zhǔn)確率誤差圖

不同訓(xùn)練樣本數(shù)對應(yīng)的識(shí)別準(zhǔn)確率誤差均值，誤差均方差，最小誤差值如圖7所示。可以發(fā)現(xiàn)，伴隨訓(xùn)練樣本數(shù)增加，最小誤差值也在逐漸變大，當(dāng)訓(xùn)練樣本數(shù)為25時(shí)，最小誤差值為0.000 1，而當(dāng)訓(xùn)練樣本數(shù)為100時(shí)，最小誤差值為0.011 2。在誤差均方差方面，當(dāng)訓(xùn)練樣本為50時(shí)，誤差均方差最小為0.013 5，當(dāng)訓(xùn)練樣本為75時(shí)誤差均方差最大為0.020 3，說明本文提出的AP-SSVM穩(wěn)定性較好。誤差均值方面，在訓(xùn)練樣本為50時(shí)，誤差均值最小為0.029 9，在訓(xùn)練樣本為100時(shí)，誤差均值最大為0.040 8。

通過各缺陷類型的平均識(shí)別準(zhǔn)確率和不同訓(xùn)練樣本情況下的誤差情況可以發(fā)現(xiàn)，本文提出的AP-SSVM算法能夠有效的識(shí)別GIS的缺陷類型，且識(shí)別效果穩(wěn)定性強(qiáng)。

5　結(jié)束語

本文利用AP-SSVM算法識(shí)別GIS的缺陷類型，得到如下結(jié)論：

(1)采用小波包變換對GIS局放信號(hào)進(jìn)行分解，并提取時(shí)頻信息熵特征；然后采用AP聚類算法對各子頻帶的時(shí)頻信息熵特征進(jìn)行聚類，實(shí)現(xiàn)特征參數(shù)的優(yōu)化，實(shí)驗(yàn)數(shù)據(jù)表明，提取的特征參數(shù)能夠有效的描述GIS局放信號(hào)。

(2)通過自建議支持向量機(jī)(SSVM)分類器以識(shí)別GIS的缺陷類型，實(shí)驗(yàn)數(shù)據(jù)表明，識(shí)別精確度優(yōu)于SVM和AP-SVM，能夠達(dá)到85%以上，識(shí)別誤差均值也保持在0.04以下，具有較好的實(shí)用性和推廣性。

參考文獻(xiàn)：

[ 1 ] 丁登偉, 唐誠, 高文勝, 等. GIS 中典型局部放電的頻譜特征及傳播特性[J]. 高電壓技術(shù), 2014, 40(10): 3243-3251.

[ 2 ] 唐炬, 曾福平, 范慶濤, 等. 基于熒光光纖檢測 GIS 局部放電的多重分形譜識(shí)別[J]. 高電壓技術(shù), 2014, 40(2): 465-473.

[ 3 ] 張曉星, 舒娜, 徐曉剛, 等. 基于三維譜圖混沌特征的 GIS 局部放電識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(1): 249-254.

[ 4 ] 律方成, 金虎, 王子建, 等. 主分量稀疏化在 GIS 局部放電特征提取中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(8): 282-288.

[ 5 ] 李慶輝, 李艾華, 蘇延召, 等. 結(jié)合 FCM 聚類與 SVM 的火焰檢測算法[J]. 紅外與激光工程, 2014, 43(5): 1660-1666.

[ 6 ] 費(fèi)成巍, 白廣忱, 李曉穎. 基于過程功率譜熵 SVM 的轉(zhuǎn)子振動(dòng)故障診斷方法 [J]. 推進(jìn)技術(shù), 2012, 33(2): 293-298.

[ 7 ] 朱艷偉, 但揚(yáng)清, 陳東海, 等. 小波包變換和支持向量機(jī)在孤島與擾動(dòng)識(shí)別中的應(yīng)用[J]. 高電壓技術(shù), 2014, 40(8):2343-2347.

[ 8 ] 李一兵, 葛娟, 林云. 基于熵特征和支持向量機(jī)的調(diào)制識(shí)別方法[J]. 系統(tǒng)工程與電子技術(shù), 2012, 34(8): 1691-1695.

[ 9 ] 陳偉根, 謝波, 龍震澤, 等. 基于小波包能量熵的油紙絕緣氣隙放電階段識(shí)別[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(2): 563-569.

[10] 周瓊, 贠志皓, 豐穎, 等. 風(fēng)電接入下基于 AP 聚類的無功功率—電壓控制分區(qū)方法[J]. 電力系統(tǒng)自動(dòng)化, 2016,40 (13): 19-27.

[11] 陳偉根, 謝波, 龍震澤, 等. 基于小波包能量熵的油紙絕緣氣隙放電階段識(shí)別[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(2): 563-569.

[12] 徐德剛, 徐戲陽, 陳曉, 等. 基于 Minkowski 距離的一致聚類改進(jìn)算法及應(yīng)用研究[J]. 湖南大學(xué)學(xué)報(bào) (自然科學(xué)版), 2016, 43(4): 133-140.

[13] 賈嶸, 張欣偉, 徐其惠, 等. 基于 LS-SVM 回歸的頻域分析法及其在局放窄帶干擾抑制中應(yīng)用[J]. 電力自動(dòng)化設(shè)備, 2009 (9): 50-53.