【摘要】變壓器是電力系統(tǒng)中重要的電氣設(shè)備,針對(duì)其局部放電,作者模擬了典型的放電模型,然后根據(jù)信號(hào)特點(diǎn)提取了原始特征量,所構(gòu)成的特征空間是非線性的,采用KPCA可以有效提取非線性特征并且實(shí)現(xiàn)特征空間的降維,其識(shí)別率和計(jì)算速度均得到較大提高。
【關(guān)鍵詞】變壓器;局部放電;模式分類;核主成分分析
引言
變壓器是電力系統(tǒng)中重要的電氣設(shè)備,而局部放電是變壓器絕緣劣化的主要表現(xiàn)形式,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)變壓器絕緣造成的損害程度不同,因此,對(duì)變壓器局部放電進(jìn)行模式識(shí)別已經(jīng)成為變壓器狀態(tài)評(píng)估方面的重要部分。
在局部放電模式識(shí)別方面,目前使用較多的方法是利用主元分析法[1]、Fisher判別分析法[2]、獨(dú)立成分分析法[3]等。然而,上述方法是建立在特征空間變量之間存在線性關(guān)系的基礎(chǔ)上,但局部放電特征數(shù)據(jù)構(gòu)成的空間往往是非線性的, SCHOLKOPF B等人提出核主元分析法(Kernel Principal Component Analysis,KPCA)能有效地提取非線性特征[4],但是在模式識(shí)別方面,KPCA并不能夠直接進(jìn)行放電模式分類,從而可以提高局部放電模式識(shí)別的效率。
1.KPCA算法
由于得到的變壓器局部放電特征空間維數(shù)較高,會(huì)給分類器帶來(lái)較大負(fù)擔(dān),同時(shí)可能導(dǎo)致識(shí)別率下降,所以需要對(duì)原始數(shù)據(jù)進(jìn)行降維處理。KPCA可以有效實(shí)現(xiàn)放電數(shù)據(jù)樣本的非線性特征處理,另外,本文采用高斯函數(shù)作為KPCA的核函數(shù),因?yàn)槠溆?jì)算過(guò)程簡(jiǎn)單、只有一個(gè)調(diào)整參數(shù),同時(shí)具有平滑特性。圖1為KPCA 映射原理示意圖,它通過(guò)非線性映射,將原始數(shù)據(jù)由二維映射到了高維,并且使原來(lái)呈非線性的數(shù)據(jù)線性化,然后再尋找主元。
圖1 KPCA映射原理示意圖
如果有:
那么,高維特征空間中的樣本協(xié)方差矩陣為[5]:
(3)
相應(yīng)的特征值計(jì)算:
(4)
為C的特征值;v為特征向量。式(4)和作內(nèi)積:
(5)
根據(jù)核理論,存在使得:
(6)
綜合式(3)~式(6),得到:
(7)
根據(jù)核函數(shù)特性,得到:
(8)
有:
(9)
即:
(10)
式(10)中,。第個(gè)主元為:
(11)
式中,;表示矩陣C第k個(gè)特征矢量,表示矩陣K的第k個(gè)特征矢量的第i個(gè)元素,之后根據(jù)相應(yīng)的累積貢獻(xiàn)率來(lái)決定主元個(gè)數(shù),本文選擇貢獻(xiàn)率閾值為85%。
2.基于KPCA的變壓器局部放電研究
變壓器局部放電模式識(shí)別提取的特征空間數(shù)據(jù)量較大,同時(shí)各個(gè)數(shù)據(jù)之間具有非線性特征, KPCA可以較好的處理這些數(shù)據(jù)。KPCA可以消除變量之間的非線性,其主要步驟如下:
(1)劃分變壓器的局部放電模式狀態(tài),并確定各種狀態(tài)相應(yīng)的表示方法;
(2)采用KPCA對(duì)各個(gè)模式下的特征矢量進(jìn)行維數(shù)壓縮及歸一化處理;
(3)依據(jù)獲取的變壓器局部放電參數(shù),設(shè)定輸出模式;
(4)根據(jù)實(shí)驗(yàn)獲取樣本;
(5)將樣本數(shù)據(jù)分為訓(xùn)練集和測(cè)試集,進(jìn)行MRVM模型學(xué)習(xí)和測(cè)試。
表1 MRVM和KPCA-MRVM模式識(shí)別結(jié)果對(duì)比
每種放電模型各取50組作為訓(xùn)練樣本,100組作為測(cè)試樣本,為了驗(yàn)證文章所采用方法的科學(xué)性,分別采用MRVM和KPCA-MRVM進(jìn)行模式識(shí)別,最終得到的兩種算法的識(shí)別結(jié)果如表1所示,另外相應(yīng)的運(yùn)算速度如圖2所示。
從表1可知,KPCA-MRVM算法對(duì)變壓器局部放電的模式識(shí)別率要高于傳統(tǒng)的MRVM法,識(shí)別率在89%以上,而根據(jù)圖8可知,KPCA-MRVM算法的運(yùn)算速度要快于MRVM法,其運(yùn)算時(shí)間在7.43s左右,而后者要達(dá)到11.5s。
圖2 兩種算法的運(yùn)算速度比較
3.結(jié)論
文章模擬了典型的變壓器局部放電模型,采用KPCA算法對(duì)變壓器局部放電進(jìn)行了模式識(shí)別,結(jié)果表明, KPCA-MRVM算法對(duì)變壓器局部放電的模式識(shí)別率要高于單純的MRVM法,其識(shí)別率在89%以上,其運(yùn)算時(shí)間在7.43s左右,而后者要達(dá)到11.5s,模式識(shí)別運(yùn)算速度也得到了提高。
參考文獻(xiàn)
[1]韋潔,張和生,賈利民.面向狀態(tài)監(jiān)測(cè)的改進(jìn)主元分析方法[J].電子測(cè)量與儀器學(xué)報(bào),2009,23(7):51-55.
[2]張偉,周維佳,李斌.基于分維 LLE和Fisher 判別的故障診斷方法[J].儀器儀表學(xué)報(bào),2010,31(2):325-331.
[3]Aapo Hyvarinen,Erkki Oja.Independent component analysis:algorithms and applications[J].Neural Networks(S0893-6080).2000,13(4-5):411-430.
[4]SCHOLKOPF B,SMOLA A J,MULLER K.Nonlinearcomponent analysis as a kernel eigenvalue problem[J].NeuralComputation,1998(10):1299-1319.
[5]Gholami B,HaddadW M,Tannenbaum A R.Relevance Vector Machine Learning for Neonate Pain Intensity Assessment Using Digital Imaging[J].IEEE Transactions on Biomedical Engineering,2010,57(6):1457-1466.
作者簡(jiǎn)介:齊濤(1978—),男,河北保定人,中級(jí)工程師,主要從事高壓無(wú)功補(bǔ)償研究。