邱鵬鋒 鄭連清, 魏成偉

?

一種GIS局部放電模式識(shí)別新方法及應(yīng)用

邱鵬鋒1鄭連清1,2魏成偉2

（1. 重慶大學(xué)電氣工程學(xué)院，重慶 400044；2. 新疆工程學(xué)院，烏魯木齊 830091）

本文通過(guò)GIS實(shí)驗(yàn)裝置平臺(tái)設(shè)置的4種缺陷類型的放電情況，用特高頻（UHF）檢測(cè)法獲取的PD信號(hào)，分別以時(shí)域、頻域等17組統(tǒng)計(jì)參數(shù)作為PD類型的特征量，通過(guò)局部線性嵌入（locally linear embedding，LLE）方法將17組特征量進(jìn)行降維處理，得到9組有效特征參數(shù)。并用多分類相關(guān)向量機(jī)（M-RVM）作為識(shí)別方法，在110kV電壓下獲取的實(shí)驗(yàn)檢測(cè)數(shù)據(jù)作為訓(xùn)練和預(yù)測(cè)樣本，結(jié)果取得86%的理想識(shí)別率，驗(yàn)證了LLE與M-RVM結(jié)合的識(shí)別系統(tǒng)的有效性。

局部放電檢測(cè)；特征提?。痪植烤€性嵌入；多分類相關(guān)向量機(jī)；模式識(shí)別

封閉式氣體絕緣組合電器（gas insulated switchgear，GIS）以其結(jié)構(gòu)緊湊、免維護(hù)和對(duì)環(huán)境影響小等突出的優(yōu)點(diǎn)，在電力系統(tǒng)中得到越來(lái)越廣泛的應(yīng)用。GIS設(shè)備在生產(chǎn)、制造、安裝和運(yùn)行過(guò)程中不可避免地會(huì)出現(xiàn)各種絕緣缺陷，這些缺陷會(huì)導(dǎo)致不同程度的局部電場(chǎng)畸變，從而誘發(fā)局部放電（partial discharge，PD）[1-2]。PD是GIS設(shè)備絕緣劣化的主要表現(xiàn)形式，是GIS設(shè)備出現(xiàn)缺陷故障的先兆。局部放電檢測(cè)能夠有效檢測(cè)GIS設(shè)備在設(shè)計(jì)、制造、運(yùn)輸和運(yùn)行中出現(xiàn)的缺陷所導(dǎo)致的局部放電現(xiàn)象，提前診斷設(shè)備潛在的絕緣問(wèn)題。

目前，檢測(cè)GIS設(shè)備局部放電（PD）的方法主要包括脈沖電流法、超高頻法、超聲波法、光學(xué)法、化學(xué)法等[3]。特高頻（ultra-high frequency，UHF）法以其抗干擾能力強(qiáng)、靈敏度高、現(xiàn)場(chǎng)使用方便等優(yōu)點(diǎn)被廣泛應(yīng)用在GIS局放檢測(cè)系統(tǒng)中。在GIS局部放電現(xiàn)象中，不同放電類型所反映的絕緣劣化機(jī)理不同，而且不同放電類型對(duì)GIS設(shè)備絕緣造成的損害程度不同，因此，研究GIS局部放電的模式識(shí)別對(duì)于評(píng)估其運(yùn)行狀態(tài)及確定檢修策略具有重要意義[4-5]。

提取特征量是模式識(shí)別系統(tǒng)中的關(guān)鍵步驟，其選取的合適與否直接關(guān)系到系統(tǒng)識(shí)別結(jié)果的準(zhǔn)確性，PD信號(hào)的特征提取方法主要分為兩類：①統(tǒng)計(jì)譜圖法；②波形分析法[6-7]。文獻(xiàn)[2]提出一種基于Hankel矩陣的復(fù)小波-奇異值分解法提取局部放電特征信息的方法，該方法提取了Hankel矩陣的最大奇異值和奇異熵作為PD辨識(shí)的特征參量，取得良好效果，但計(jì)算過(guò)程略顯繁瑣。文獻(xiàn)[6]提出一種提取特高頻PD特征信息的諧波小波包變換（HWPT）方法，該方法一定程度上解決了用實(shí)小波包分解時(shí)子帶間存在的頻譜混疊和能量泄漏的問(wèn)題。文獻(xiàn)[8]提出一種基于經(jīng)驗(yàn)?zāi)Ｊ剑‥MD）分解的超高頻信號(hào)分形特征提取方法，該方法通過(guò)經(jīng)驗(yàn)?zāi)Ｊ剑‥MD）分解得到的多個(gè)固有模態(tài)，再計(jì)算固有模態(tài)的關(guān)聯(lián)維數(shù)作為特征量進(jìn)行聚類分析，也取得不錯(cuò)效果。文獻(xiàn)[9]提出用主分量稀疏化的思想將高維數(shù)的特征空間進(jìn)行降維，以方便分類。文獻(xiàn)[10]采用等效時(shí)頻熵算法提取表征局部放電脈沖波形特征的多維特征量，并構(gòu)建了等效時(shí)頻熵分類譜圖，然后通過(guò)改進(jìn)模糊C均值聚類完成分類工作?？紤]到統(tǒng)計(jì)譜圖法，其數(shù)據(jù)量大，采樣率要求高，處理速度慢，構(gòu)造統(tǒng)計(jì)譜圖又需要PD相位信息，而現(xiàn)場(chǎng)檢測(cè)難以獲得，綜合考慮，本文采用波形分析法作為特征提取方法。

局部放電模式識(shí)別不僅需要提取有效的特征量，選擇合適的分類器也是至關(guān)重要的[11]。文獻(xiàn)[12]采用D-S證據(jù)理論進(jìn)行3類特征信息融合PD模式識(shí)別技術(shù)，具有較高的辨識(shí)率和可靠性。文獻(xiàn)[13]利用4種典型GIS局部放電模型，并通過(guò)降維后得到的10個(gè)新特征信息作為輸入量，采用多分類相關(guān)向量機(jī)（M-RVM）分類器進(jìn)行分類，結(jié)果取得大于85%的識(shí)別率。文獻(xiàn)[14]用BP_Adaboost分類器通過(guò)反復(fù)訓(xùn)練弱分類器最終達(dá)到滿足要求的強(qiáng)分類器，對(duì)GIS設(shè)備的3種故障類型進(jìn)行分類和識(shí)別。文獻(xiàn)[15]采用最小二乘支持向量機(jī)分類算法（LS-SVC），用4種GIS局部放電樣本數(shù)據(jù)構(gòu)造放電灰色圖像，用GK模糊聚類算法對(duì)灰度圖像的特性進(jìn)行分析處理和優(yōu)化，最終達(dá)到分類和識(shí)別的目的。

綜上所述，在GIS局部放電檢測(cè)中，還未見將局部線性嵌入（LLE）進(jìn)行降維和多分類相關(guān)向量機(jī)（M-RVM）進(jìn)行有機(jī)搭配，用于特高頻檢測(cè)的GIS局部放電模式識(shí)別中。因此，本文將LLE特征向量處理方法與M-RVM分類器結(jié)合，完成對(duì)4種典型的GIS局部放電缺陷類型的分類和識(shí)別。

1 試驗(yàn)方法

本實(shí)驗(yàn)采用杭州西湖電子研究所生產(chǎn)的型號(hào)為XD5936的GIS局部放電帶電檢測(cè)實(shí)驗(yàn)裝置作為實(shí)驗(yàn)平臺(tái)，該GIS裝置可準(zhǔn)確模擬110～500kV GIS多種性質(zhì)的放電現(xiàn)場(chǎng)。

本文設(shè)計(jì)了尖端、爬電、氣泡和懸浮4種典型的GIS局部放電類型，并通過(guò)XD5936 GIS局部放電帶電檢測(cè)實(shí)驗(yàn)裝置的試驗(yàn)平臺(tái)，在電壓110kV下采集了模擬的4種缺陷類型的局部放電特高頻（UHF）檢測(cè)數(shù)據(jù)。試驗(yàn)時(shí)特高頻傳感器采用外置方式，通過(guò)10GHz/s的高速示波器采樣并存儲(chǔ)每種缺陷類型的局部放電波形，每種放電類型采集100組波形數(shù)據(jù)，四種類型總共采集400組波形數(shù)據(jù)，每組檢測(cè)數(shù)據(jù)包含8000個(gè)數(shù)據(jù)點(diǎn)，這樣通過(guò)320萬(wàn)個(gè)實(shí)驗(yàn)數(shù)據(jù)點(diǎn)將4種缺陷類型的放電信息予以全面采集和存儲(chǔ)?，F(xiàn)場(chǎng)試驗(yàn)接線圖如圖1所示。

圖1 110kV GIS局部放電檢測(cè)接線圖

如圖2（a）所示，由于GIS金屬腔體對(duì)特高頻電磁波有屏蔽作用，所以XD5936 GIS實(shí)驗(yàn)平臺(tái)設(shè)置了用于特高頻檢測(cè)的盆式絕緣子內(nèi)嵌檢測(cè)點(diǎn)。同時(shí)充分考慮現(xiàn)場(chǎng)的干擾因素，GIS設(shè)備接地端通過(guò)專業(yè)接地線連到設(shè)置好的接地排線端。

（a） （b）

2 特征提取與處理

2.1 特征提取

局部放電（PD）模式識(shí)別的效果主要取決于選取的特征參數(shù)，為了盡可能全面獲取UHF傳感器所檢測(cè)的不同缺陷類型的PD信號(hào)，分別以時(shí)域信息、頻域信息和統(tǒng)計(jì)信息3類特征信息為主導(dǎo)，以檢測(cè)的放電波形數(shù)據(jù)相關(guān)性分析為輔助，將PD信號(hào)的特征信息進(jìn)行最大程度的提取和分析。

考慮到時(shí)域波形的隨機(jī)性干擾較大，本文采用了時(shí)域波形的一次及二次包絡(luò)線如圖3所示。多重包絡(luò)線的采用不僅成功避開隨機(jī)干擾的影響，同時(shí)也取得更多關(guān)于時(shí)域的宏觀指標(biāo)，并使得時(shí)間指標(biāo)的提取變得直觀和具體。圖4為頻域特征參數(shù)的提取依據(jù)。

圖3 放電波形的時(shí)域及其包絡(luò)線

圖4 放電波形頻域圖及其包絡(luò)線

根據(jù)時(shí)域和頻域以及對(duì)其多重包絡(luò)線特征的分析，提取了均值、方差、峰峰值、平均幅值、偏度、峰度、波形指標(biāo)、峰值指標(biāo)、頻域方差等總共17組特征參數(shù)，具體參數(shù)見表1。

表1 特征量統(tǒng)計(jì)參數(shù)表

為了取消不同特征參數(shù)間數(shù)量級(jí)差別和有無(wú)量綱區(qū)別，需要對(duì)所有的特征參數(shù)數(shù)據(jù)進(jìn)行歸一化處理。本文選擇離差標(biāo)準(zhǔn)化，其原理是將原始數(shù)據(jù)進(jìn)行線性變換，使結(jié)果值映射到[0-1]之間。其標(biāo)準(zhǔn)公式為

式中，max為樣本數(shù)據(jù)的最大值；min為樣本數(shù)據(jù)的最小值。

2.2 LLE數(shù)據(jù)降維

局部線性嵌入（locally linear embedding，LLE）算法是針對(duì)非線性數(shù)據(jù)的一種降維技術(shù)，可以克服一般非線性算法需調(diào)整參數(shù)過(guò)多、收斂太慢和容易陷入局部極小的缺點(diǎn)，能夠?qū)崿F(xiàn)高維輸入數(shù)據(jù)點(diǎn)映射到一個(gè)全局低維坐標(biāo)系，并且能夠使降維后的數(shù)據(jù)保持原有的拓?fù)浣Y(jié)構(gòu)[16]。目前LLE也是流行學(xué)習(xí)方法最經(jīng)典的工作之一。LLE算法可以被歸結(jié)為以下3步。

1）計(jì)算出每個(gè)樣本點(diǎn)的個(gè)近鄰點(diǎn)。實(shí)際算法中一般采用歐氏距離求取樣本距離最近的個(gè)樣本點(diǎn)，并且規(guī)定為所求樣本點(diǎn)的個(gè)近鄰點(diǎn)，是設(shè)定值。

2）求取樣本數(shù)據(jù)點(diǎn)的局部重建矩陣。需要先定義重構(gòu)誤差：

（3）

求取矩陣需要構(gòu)造局部協(xié)方差矩陣。局部協(xié)方差矩陣為

將式（4）與式（3）結(jié)合，并采用拉格朗日法，可求出局部最優(yōu)化重建權(quán)值矩陣，即

（5）

3）將全部的樣本點(diǎn)通過(guò)式（6）映射到低維空間中，即

通過(guò)LLE降維后，原來(lái)的17組特征變量降到9組，提供了更加有效、可靠的特征參數(shù)，同時(shí)計(jì)算速度得到提高，計(jì)算時(shí)間幾乎為原來(lái)的一半。

2.3 多分類相關(guān)向量機(jī)（M-RVM）模式識(shí)別

相關(guān)向量機(jī)（relevance vector machine，RVM），又稱“關(guān)聯(lián)向量機(jī)”，是Tipping在2001年提出的一種機(jī)器學(xué)習(xí)算法[17]。Tipping指出RVM是一種用于回歸和分類的貝葉斯稀疏核算法，雖與SVM相似，但具有更稀疏的解、更自由的核函數(shù)選擇、更強(qiáng)的泛化能力、更好的魯棒性等優(yōu)點(diǎn)。但RVM本質(zhì)上是一個(gè)二分類器，故多分類問(wèn)題需要對(duì)RVM進(jìn)行多分類擴(kuò)展，通常采用多個(gè)RVM分類器通過(guò)組合學(xué)習(xí)的方法實(shí)現(xiàn)二分類器的多分類擴(kuò)展，這就是多分類相關(guān)向量機(jī)（multiclass relevance vector machine，M-RVM）。

RVM回歸和分類具有相同的基本模型，其思想為嘗試通過(guò)最大化后驗(yàn)概率（MAP）求解相關(guān)向量的權(quán)重。對(duì)于給定的訓(xùn)練樣本集，（，，類別標(biāo)量），其模型有如下：

（8）

為避免過(guò)學(xué)習(xí)，RVM定義了高斯先驗(yàn)概率分布來(lái)約束每個(gè)權(quán)值：

對(duì)于分類問(wèn)題，RVM無(wú)法直接計(jì)算出權(quán)值的后驗(yàn)概率，故需要再通過(guò)拉普拉斯理論進(jìn)一步進(jìn)行近似等效，最終達(dá)到理想收斂效果，得出最優(yōu)權(quán)重分布。以下是M-RVM在LLE降維前后聚類圖。

通過(guò)LLE降維后，M-RVM分類器的模型訓(xùn)練和分類預(yù)測(cè)的時(shí)間都縮短為原來(lái)的1/2，如圖5所示，通過(guò)LLE降維前后聚類圖對(duì)比顯示，局部線性嵌入LLE的流形學(xué)習(xí)方法確實(shí)可以在眾多特征量中針對(duì)性選擇有效，可靠的少數(shù)特征量，幫助識(shí)別系統(tǒng)快速完成聚類前的準(zhǔn)備工作。

（a）LLE降維后聚類圖

（b）LLE降維后聚類圖

圖5 LLE降維處理前后聚類圖

多分類相關(guān)向量機(jī)M-RVM在進(jìn)行分類之前，需要進(jìn)行模型訓(xùn)練，原則上，訓(xùn)練數(shù)據(jù)越多，分類和預(yù)測(cè)效果越好，但基于現(xiàn)場(chǎng)檢測(cè)數(shù)據(jù)有限的客觀條件下，分別都選取70組4種類型檢測(cè)數(shù)據(jù)進(jìn)行分類器模型的訓(xùn)練工作，再取余下的各30組數(shù)據(jù)樣本測(cè)試分類器模型的識(shí)別率。表2顯示了分類器識(shí)別的準(zhǔn)確率，以及LLE降維前后識(shí)別度的對(duì)比。

表2 LLE降維前后M-RVM識(shí)別率對(duì)比

通過(guò)表2，可得M-RVM分類器在未做降維前的識(shí)別率平均在75%，通過(guò)LLE降維后，4種類型的識(shí)別率保持在86%以上，取得理想效果。

3 結(jié)論

本文通過(guò)GIS實(shí)驗(yàn)裝置內(nèi)設(shè)置的氣泡、尖端、懸浮和爬電4種缺陷類型，在110kV電壓等級(jí)下分別獲取了4種缺陷類型的局部放電檢測(cè)信號(hào)。

1）盡可能利用特高頻（UHF）傳感器獲取的GIS內(nèi)絕緣狀態(tài)信息，對(duì)檢測(cè)信號(hào)波形進(jìn)行時(shí)域，頻域等17組特征量的信息提取。

2）運(yùn)用流形學(xué)習(xí)LLE降維技術(shù)對(duì)17組特征量進(jìn)行降維處理，得到9組有效特征參數(shù)，提高了運(yùn)算速度和識(shí)別率。

3）采用多分類相關(guān)向量機(jī)M-RVM進(jìn)行4種缺陷類型的分類和預(yù)測(cè)，取得了不低于86%的PD模式識(shí)別率，達(dá)到了理想效果。

[1] 鄭聞文, 李功新, 舒勝文. GIS局部放電UHF檢測(cè)系統(tǒng)性能檢驗(yàn)方法研究進(jìn)展[J]. 電氣技術(shù), 2016, 17(10): 1-7.

[2] 唐炬, 董玉林, 樊雷, 等. 基于Hankel矩陣的復(fù)小 波-奇異值分解法提取局部放電特征信息[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(7): 1808-1817.

[3] 錢勇, 黃成軍, 江秀臣, 等. 基于超高頻法的GIS局部放電在線監(jiān)測(cè)研究現(xiàn)狀及展望[J]. 電網(wǎng)技術(shù), 2005, 29(1): 40-43, 55.

[4] 李信, 李成榕, 丁立健, 等. 基于特高頻信號(hào)檢測(cè)GIS局放模式識(shí)別[J]. 高電壓技術(shù), 2003, 14(3): 16-20.

[5] 張凱, 孫亞明, 胡春江, 等. GIS設(shè)備局部放電檢測(cè)技術(shù)研究[J]. 電氣技術(shù), 2014, 15(9): 66-69.

[6] 唐炬, 樊雷, 張曉星, 等. 用諧波小波包變換法提取GIS局部放電信號(hào)多尺度特征參數(shù)[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(3): 250-257.

[7] 王彩雄. 基于特高頻法的GIS局部放電故障診斷研究[D]. 華北電力大學(xué), 2013.

[8] 李化, 程昌奎, 陳嬌, 等. 基于EMD的GIS典型局部放電超高頻信號(hào)的分形特征提取方法[J]. 高壓電器, 2014(6): 104-110.

[9] 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.

[10] 鮑永勝, 郝峰杰, 徐建忠, 等. GIS局部放電脈沖分類特征提取算法[J]. 電工技術(shù)學(xué)報(bào), 2016(9): 181-188.

[11] 律方成, 張波. 基于S_Kohonen網(wǎng)絡(luò)的GIS局部放電類型識(shí)別[J]. 電測(cè)與儀表, 2014, 51(20): 21-24.

[12] 黃亮, 唐炬, 凌超, 等. 基于多特征信息融合技術(shù)的局部放電模式識(shí)別研究[J]. 高電壓技術(shù), 2015(3): 947-955.

[13] 律方成, 金虎, 王子建. 等. 基于主成分分析和多分類相關(guān)向量機(jī)的GIS局部放電模式識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2015(6): 225-231.

[14] 律方成, 張波. 基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別[J]. 電測(cè)與儀表, 2014(15): 37-41.

[15] 楊志超, 范立新, 楊成順, 等. 基于GK模糊聚類和LS-SVC的GIS局部放電類型識(shí)別[J]. 電力系統(tǒng)保護(hù)與控制, 2014(20): 38-45.

[16] 閻少宏, 彭亞綿, 楊愛民, 等. LLE算法及其在手寫文字識(shí)別中應(yīng)用[J]. 河北聯(lián)合大學(xué)學(xué)報(bào): 自然科學(xué)版, 2012, 34(2): 52-55.

[17] Tipping M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1(3): 211-244.

The New Method of GIS Partial Discharge Pattern Recognition and Application

Qiu Pengfeng1Zheng Lianqing1,2Wei Chengwei2

(1. College of Electrical Engineering, Chongqing University, Chongqing 400044; 2. Xinjiang Institute of Engineering, Urumqi 830091)

In this paper, the PD signal obtained by UHF detection method is used as the characteristic quantity of PD defect types, through the four kinds of defect types arranged by the GIS experiment platform, 17 groups of feature quantities are selected by time domain and frequency domain, etc. Then, useingLocally linear embedding (LLE) method to reduce the dimensionality of 17 sets of feature groups, and nine effective characteristic parameters are obtained. (M-RVM) was used as the recognition method. The experimental data obtained at 110kV voltage were used as training and prediction samples, The results show that above 86% recognition rate is achieved, the validity of the identification system combined with LLE and M-RVM was verified.

partial discharge (PD) detection; feature extraction; locally linear embedding (LLE); multiclass relevance vector machine (M-RVM); pattern recognition

邱鵬鋒（1990-），男，云南迪慶人，碩士研究生，從事帶電檢測(cè)技術(shù)研究工作。

國(guó)家自然科學(xué)基金（51577019）和國(guó)家“111計(jì)劃”（B08036）資助的課題

高校集中供熱智能控制系統(tǒng)開發(fā)（201512109）資助課題