呂　霞， 呂德剛， 呂　進(jìn)

(1．內(nèi)蒙古電力集團(tuán)(有限)責(zé)任公司 阿拉善電業(yè)局，阿拉善巴彥浩特　750306；

2．上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海　20000)

?

基于多尺度熵和支持向量機(jī)的局部放電模式識別

呂霞1， 呂德剛1， 呂進(jìn)2

(1．內(nèi)蒙古電力集團(tuán)(有限)責(zé)任公司 阿拉善電業(yè)局，阿拉善巴彥浩特750306；

2．上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海20000)

摘要:為了準(zhǔn)確、可靠地有效識別電力變壓器中絕緣劣化的嚴(yán)重程度和局部放電的位置，本文提出一種基于多尺度熵特征提取方法，采用支持向量機(jī)對放電類型進(jìn)行模式識別。首先，利用多尺度熵對放電信號從定性和定量兩個角度有效提取特征放電信號特征量；其次，將獲得的特征信號輸入支持向量機(jī)對放電類型進(jìn)行模式識別。實驗結(jié)果表明，該方法可以有效提取局部放電信號特征量。

關(guān)鍵詞:局部放電； 多尺度熵； 支持向量機(jī)； 特征提?。?模式識別

0引言

電力變壓器是電網(wǎng)系統(tǒng)中最重要的設(shè)備，它的運行狀態(tài)直接影響整個系統(tǒng)的安全性與經(jīng)濟(jì)性，良好的絕緣狀況是電力變壓器的安全運行所必需的，局部放電會導(dǎo)致變壓器絕緣退化[1-3]。有效區(qū)分局部放電有助于確定絕緣惡化的嚴(yán)重程度和局部放電的位置，對檢修電力變壓器具有重要的指導(dǎo)意義。

確定局部放電的關(guān)鍵步驟是提取放電特征量，即針對放電信號所包含的信息進(jìn)行深入挖掘，從中提取能夠有效區(qū)分不同放電類型的特征信息。由于局部放電信號是典型的暫態(tài)、非平穩(wěn)信號[4-6]，比較微弱，波形易受噪聲干擾影響，對采集信號要求高，目前提出的普通提取法很難準(zhǔn)確提取出表征波形特征的特征量，且物理意義不明確，在實際應(yīng)用中受到一定的限制[7]。

多尺度熵(Multiscale Entropy，MSE)方法是由Costa等人于2002年提出的一種非線性特征分析方法[8-10]，是在不同尺度因子下對時間序列的復(fù)雜性和無規(guī)則水平的度量，現(xiàn)已應(yīng)用到生理時間序列的分析、電機(jī)主軸偏心故障檢測、復(fù)合銑削過程動力學(xué)分析等領(lǐng)域[11]。該方法既可以從整體上衡量信號的復(fù)雜度，又可以從不同尺度上發(fā)掘深層次的細(xì)節(jié)特征，從定性和定量兩個角度有效辨識不同類型的信號[12]。

支持向量機(jī)(Support Vector Machine，SVM)是在1963年提出的分類技術(shù)[13]，主要應(yīng)用于模式識別統(tǒng)計學(xué)習(xí)理論。在解決小樣本、非線性及高維模式識別具有獨特的優(yōu)點，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中?，F(xiàn)在該算法主要被應(yīng)用在石油測井中利用測井資料預(yù)測地層孔隙度及粘粒含量、天氣預(yù)報工作及變壓器放電信號識別等[14]。

本文提出一種基于多尺度熵特征提取方法，對放電信號進(jìn)行特征提取，并將得到的特征量輸入支持向量機(jī)對放電類型進(jìn)行模式識別。實驗結(jié)果表明，本文所提方法可以有效提取局部放電信號特征量。

1基于多尺度熵理論的放電信號特征提取

輸變電設(shè)備中產(chǎn)生的局部放電信號是快速變化的非平穩(wěn)信號，其有差異的放電類型或放電強(qiáng)度在不同時間尺度上表現(xiàn)為不同的復(fù)雜性。當(dāng)輸變電設(shè)備沒有發(fā)生局部放電時，伴隨著設(shè)備本體周期性的振動，加之外界干擾因素的影響，使得采集到的信號隨機(jī)性強(qiáng)，在不同時間尺度上具有較高的復(fù)雜性；當(dāng)輸變電設(shè)備發(fā)生局部放電時，會產(chǎn)生脈沖，且不同類型的放電所產(chǎn)生脈沖規(guī)律不同，此時局部放電信號的復(fù)雜度降低[15]。

鑒于多尺度熵既可以從整體上表征信號的復(fù)雜性，又能從不同的時空尺度來揭示信號的細(xì)節(jié)特性。因此，可用來分析局部放電信號的復(fù)雜性特征，并以此為依據(jù)來判斷不同的放電類型。假設(shè)原始數(shù)據(jù)為X={x1,x2,…,xN}，則MSE的具體計算過程如下。

步驟1：粗?；?coarsegraining)處理。將原始數(shù)據(jù)轉(zhuǎn)換成互不交疊的長為τ的窗，對窗內(nèi)的序列取平均值得到τ尺度上的粗?；有蛄衶y(τ)}。每個元素yj(τ)可通過式(1)得到

(1)

每個粗?；蟮男蛄虚L度為原序列的長度除以τ。尺度τ=1對應(yīng)的時間序列{y(1) }是原時間序列。

步驟2：計算樣本熵值。對于粗?；有蛄衶y(1)，y (2)，…，y (M)}，M為序列長度，其樣本熵計算如下：

1)給定模式維數(shù)m，由原始序列構(gòu)成m維數(shù)矢量

Y(i)=[yi(τ),yi+1(τ),…,yi+m-1(τ)],1≤i≤M-m

(2)

2)定義Y(i)和Y(j)之間的距離

(3)

其中,1≤i≤N-m，j≠i。

(4)

(5)

4)m←m+1，重復(fù)(1)～(3)，得到Bm+1(r)。

5)理論上，此序列的樣本熵為

(6)

當(dāng)N取有限值時，取SampEn預(yù)計值為

(7)

根據(jù)(2)～(7)式計算每一個尺度序列的樣本熵，即建立了以尺度τ為自變量，以樣本熵為因變量的函數(shù)，如式(8)所示，可用于分析該信號時間序列的復(fù)雜度。

MSE(X)=SampEn(y(τ),m,r)

(8)

顯然，多尺度熵與尺度因子τ，嵌入維數(shù)m和相似容限r(nóng)這三個參數(shù)有關(guān)，本文選取m=2，r=0.1σ，其中σ為原始序列的標(biāo)準(zhǔn)差。

2支持向量機(jī)

2.1支持向量機(jī)介紹

支持向量機(jī)(SVM)具有解決小樣本、非線性和高維模式識別分類方法的優(yōu)點，它是基于有限的樣本數(shù)據(jù)在模型中找到推廣能力和學(xué)習(xí)誤差模型之間的最佳平衡，以獲得良好的泛化能力[16]。

支持向量機(jī)基本思想是找到一個超平面(hyperplane)，使其分離兩類數(shù)據(jù)點，并使分離后兩類數(shù)據(jù)點距離超平面最遠(yuǎn)。支持向量機(jī)就是在訓(xùn)練樣本集的條件下T={(xi,yi),i=1,…,l}∈(Rn×Y)l，其中xi∈Rn,yi∈Y={1,-1}，i=1,…,l的情況下，構(gòu)造超平面將兩類樣本采樣點分開的過程。其中，樣本中離超平面(w·x)+b=0最近的點到超平面的距離稱為間隔(margin)，如圖1所示。

圖1　最優(yōu)分類超平面

2.2支持向量機(jī)算法

定義分類平面d(x)=ωTx+b=0,ω∈Rn,b∈R，該分類平面能夠?qū)⒕€性可分訓(xùn)練樣本集(x1,y1)，…，(xn,yn)，x∈Rn，y∈{+1,-1}精確分開，并通過平面獲得的正負(fù)邊緣最大化樣品之間的隔離，則得到超平面為：

yi(ωTxi+b)≥1,i=1,2,…,N

正反樣本距分類超平面的距離，即分類間隔為:

(9)

因此，如何構(gòu)造最佳分類超平面就轉(zhuǎn)化成求解最大分類間隔問題，即為最小時:

(1)政府方面。農(nóng)村健康教育是不容忽視的,是中國健康教育最基本的特色,是符合中國國情的,積極發(fā)揮政府職能,探索將健康教育納入公共衛(wèi)生、醫(yī)療保險統(tǒng)籌報銷范圍;完善相關(guān)制度,增強(qiáng)農(nóng)村留守老人關(guān)愛工作。

(10)

利用不等式約束條件極值方法求解，有:

(11)

式中，αi≥0是拉格朗日(Lagrange)算子。

分別對式(11)中的w，b求偏導(dǎo)數(shù)，并求最小值，然后將其轉(zhuǎn)化成對偶問題:

(12)

約束下對αi求解下列函數(shù)最大值:

(13)

(14)

綜上，最優(yōu)分類函數(shù)為:

(15)

(16)

核分類函數(shù)表示為:

(17)

3實驗分析與結(jié)果

3.1基于多尺度熵的放電信號特征提取

本文對電暈、尖對板、板對板和懸浮四種局部放電模型進(jìn)行局部放電信號的檢測，并用本文所提方法對放電信號進(jìn)行特征提取和模式識別。其中，每種類型樣本均取50個。四種類型放電信號時域波形分別如圖2所示。

(a)電暈放電 (b)多尖對板放電

(c)板對板放電 (d)懸浮放電圖2　4種類型放電信號的時域波形

分別對所測不同類型的放電信號采用多尺度熵的方法進(jìn)行特征提取，時間尺度為τ=20，四種類型放電信號的多尺度熵如圖3所示。由圖3可得，不同類型的放電類型在時間相同尺度下會表現(xiàn)出不同的復(fù)雜度，可以根據(jù)這個特點對不同類型的放電信號進(jìn)行模式識別。

(a)電暈放電(b)多尖對板放電

(c)板對板放電 (d)懸浮放電圖3　4種類型的放電信號多尺度熵

3.2基于支持向量機(jī)的放電類型模式識別

選取電暈放電、多尖對板放電、板對板放電和懸浮放電4種放電類型共200個樣本，從所有樣本隨機(jī)抽取150組數(shù)據(jù)用于SVM網(wǎng)絡(luò)訓(xùn)練，剩余50組數(shù)據(jù)作為測試向量組，識別結(jié)果如表1所示。由表1可以看出，放電類型識別正確率均達(dá)到了85%以上，平均識別達(dá)到88.2%，說明本文所提方法可以有效識別局部放電類型。

表1　以多尺度熵為特征量的識別結(jié)果

4結(jié)論

局部放電信號模式識別中，本文提出的以MSE-SVM作為特征量識別正確率放電類型識別正確率均達(dá)到了85%以上，平均識別達(dá)到88.2%，說明本文所提方法可以有效識別局部放電類型，具有較高的診斷準(zhǔn)確性和更好的實用性。

參考文獻(xiàn)：

[1]王國利,郝艷捧.電力變壓器局部放電檢測技術(shù)的現(xiàn)狀和發(fā)展[J].電工電能新技術(shù), 2001, 20(2)：52-57.

[2]李燕青,陳志業(yè).超聲波法進(jìn)行變壓器局部放電模式識別的研究[J].中國電機(jī)工程學(xué)報, 2003, 23(2)：108-111.

[3]郭俊,吳廣寧,張血琴,等.局部放電檢測技術(shù)的現(xiàn)狀和發(fā)展[J].電工技術(shù)學(xué)報, 2005, 20(2)：29-35.

[4]蕭寶瑾,安永東,龔澤云,等.變壓器局部放電在線監(jiān)測技術(shù)的改進(jìn)[J].電子測量技術(shù),2012,35(3):132-135.

[5]肖燕,黃成軍,郁惟鏞,等.基于小波和分形分析的GIS局部放電信號特征提取[J].電力系統(tǒng)自動化,2006,30(6):66-69.

[6]X Yan,H Cheng-jun,Y U Wei-yong,et al.Signal Characteristic Extraction of Partial Discharge in GIS Based on Wavelet and Fractal Analysis[J].AUTOMATION OF ELECTRIC POWER SYSTEMS,2006,30(6)：66-69(in Chinese).

[7]陳慧,張磊,熊國良,等.滾動軸承的MSE和PNN故障診斷方法[J].噪聲與振動控制,2014,(6)：169-173.

[8]C Hui,Z Lei,X Guo-liang,et al.Fault Diagnosis of Rolling Bearings Using MSE and PNN[J].Noise and Vibration Control,2014,6：169-173(in Chinese).

[9]尚海昆,徐揚,苑津莎,等.基于主動學(xué)習(xí)SVM的變壓器局部放電模式識別[J].華北電力大學(xué)學(xué)報,2013,40(4)：27-31.

[10]鄭近德,程軍圣,楊宇.基于多尺度熵的滾動軸承故障診斷方法[J].湖南大學(xué)學(xué)報：自然科學(xué)版,2012,39(5)：38-41.

[11]李莉,朱永利,宋亞奇.多尺度熵在變壓器振動信號特征提取中的應(yīng)用[J].振動、測試與診斷,2015,35(4)：757-762.

[12]張坤,郝偉,郝旺身,等.基于小波去噪和MSE的滾動軸承故障診斷[J].煤礦機(jī)械,2015,9：126.

[13]楊松山,周灝,趙海洋,等.基于LMD多尺度熵與SVM的往復(fù)壓縮機(jī)軸承故障診斷方法[J].機(jī)械傳動,2015,2：042.

[14]Haghiri S,Moharramzadeh S,Nahvi A,et al.Modeling the Jar Test Experiments Using Artificial Neural Networks to Predict the Optimum Coagulant[J].

[15]Zhi Y,Min D.基于可能性理論的模糊支持向量分類機(jī)[J].模式識別與人工智能,2007，20(1)：7-14.

[16]何濤,谷朝臣,胡潔.基于支持向量機(jī)的肌電信號小波特征分類解碼[J].華中科技大學(xué)學(xué)報(自然科學(xué)版)，2005，43：207-210.

Partial discharge pattern recognition based on multiscale entropy and support vector machine

LV Xia1，LV De-gang1,LV Jin2

(1.InnerMongoliaElectricPowerGroup(LimitedLiability)CompanyofLaShanPower,LaShanBayanHaot750306,China;2.UniversityofShanghaiforScienceandTechnologySchoolofOptical-ElectricalandComputerEngineering,Shanghai20000,China)

Abstract:In order to identify power transformers insulation deterioration severity and location of partial discharge accurately and reliably, this paper proposes a method based on Multiscale Entropy (ME) extraction characteristics, using Support Vector Machine (SVM ) pattern recognition discharge. First, using multi-scale entropy extract effectively discharge signal feature from qualitative and quantitative point of view; secondly, and the resulting characteristics of the signal input discharge type SVM pattern recognition. Experimental result shows that this method can effectively extract the partial discharge signal feature.

Keywords:Partial discharge; Multiscale entropy; Support vector machine; Feature extraction; Pattern recognition

中圖分類號：TM411

文獻(xiàn)標(biāo)識碼：A

文章編號：1001-9383(2016)01-0007-07

作者簡介:呂霞(1987-)，女，寧夏石嘴山人，碩士.研究方向為輸變電設(shè)備故障診斷.E-mail：839983153@qq.com

收稿日期：2015-10-31