孟穩(wěn)
(鎮(zhèn)江高等專科學(xué)校,江蘇鎮(zhèn)江212000)
基于最小二乘支持向量機(jī)的局部放電信號(hào)的識(shí)別
孟穩(wěn)
(鎮(zhèn)江高等??茖W(xué)校,江蘇鎮(zhèn)江212000)
為提高小樣本情況下識(shí)別局部放電信號(hào)的正確率,采用最小二乘支持向量機(jī)(LSSVM)對局部放電信號(hào)進(jìn)行識(shí)別,利用網(wǎng)格搜索法先進(jìn)行粗略搜索,再精細(xì)搜索參數(shù),進(jìn)行參數(shù)尋優(yōu)。采用M-ary方法進(jìn)行多分類。并采用LSSVM和BP神經(jīng)網(wǎng)絡(luò)兩種分類器對局部放電信號(hào)進(jìn)行識(shí)別,識(shí)別結(jié)果表明,LSSVM識(shí)別率比BP要高。該方法在小樣本情況下具有更高的識(shí)別率。
局部放電信號(hào);最小二乘支持向量機(jī);識(shí)別
變壓器是電力系統(tǒng)的樞紐性設(shè)備,其可靠安全的運(yùn)行決定了電力系統(tǒng)的可靠性。絕緣老化是變壓器發(fā)生故障的主要原因,而局部放電是變壓器絕緣劣化的先兆及表現(xiàn)形式,所以對變壓器局部放電信號(hào)的研究有著重要意義。
近年來,人工智能算法已經(jīng)廣泛地應(yīng)用于局部放電信號(hào)的識(shí)別中,可以有效地識(shí)別局部放電的類型。BP神經(jīng)網(wǎng)絡(luò)雖然因其自學(xué)能力強(qiáng)和較強(qiáng)非線性映射能力在局部放電模式識(shí)別中應(yīng)用廣泛,但對初始權(quán)值和閾值的選取敏感、需要大量訓(xùn)練樣本、容易陷入局部極小點(diǎn)、訓(xùn)練周期長、算法收斂速度慢、效率低等缺點(diǎn),尤其是當(dāng)局部放電信號(hào)的樣本數(shù)目不足夠多時(shí),很難獲得較為理想的學(xué)習(xí)效果。針對這些問題,本文采用最小二乘支持向量機(jī)識(shí)別局部放電類型。
1.1 最小二乘支持向量機(jī)
LSSVM把SVM中的不等式約束條件轉(zhuǎn)化成等式約束形式,采用最小二乘線性組合作為經(jīng)驗(yàn)損失函數(shù),使求解速度相對加快。
設(shè)有l(wèi)個(gè)數(shù)據(jù)樣本的訓(xùn)練集合(xi,yi)(i=1,2,…,l),其中,輸入xi∈Rn,輸出數(shù)據(jù)yi屬于R.可以通過高維特征空間中的線性函數(shù)對樣本集進(jìn)行擬合,樣本集從輸入空間通過非線性映射到高維空間,在高維特征空間中構(gòu)造的線性決策函數(shù)為:y(x)=sgn(f(x)),函數(shù)f(x)表示為:
式中:φ(·)表示輸入空間到特征空間的映射,w為權(quán)重,b為偏差項(xiàng)。
求解LSSVM分類問題的最優(yōu)化問題的目標(biāo)函數(shù):
式中:ξi為松弛變量,C為正規(guī)劃參數(shù)。
為了解決上述最優(yōu)化問題,把約束優(yōu)化的問題轉(zhuǎn)換成無約束的優(yōu)化問題,建立Lagrange函數(shù):
式中:ai為Lagrange乘子,根據(jù)KKT條件,然后消去w和ξi,結(jié)合Mercer條件后,可以得到下面矩陣方程:
LSSVM的分類決策函數(shù)為:
式中:ai和b是線性矩陣方程組的解,K(x,xi)為核函數(shù),因?yàn)楦咚购撕瘮?shù)可以使LSSVM有較好的性能和推廣能力。因此,本文采用該核函數(shù):
LSSVM的正則化參數(shù)和核函數(shù)中的參數(shù)決定了LSSVM學(xué)習(xí)和泛化能力。
1.2 LSSVM參數(shù)尋優(yōu)
最優(yōu)參數(shù)尋優(yōu)通常采取網(wǎng)格搜索算法,針對傳統(tǒng)的網(wǎng)格搜索算法得到的多數(shù)參數(shù)組所對應(yīng)的分類準(zhǔn)確率非常低,只有在一個(gè)相對比較小的區(qū)間內(nèi)其分類準(zhǔn)確率高,很浪費(fèi)時(shí)間。本文采取先粗略搜索,選取最佳參數(shù)(C,g),即得到局部最優(yōu)參數(shù)。然后,在該(C,g)附近選取個(gè)區(qū)間較小的,采用小步長進(jìn)行第二次精細(xì)搜索,從而得到最優(yōu)參數(shù)。
文按照CMII標(biāo)準(zhǔn)制備了三種典型的人工絕緣缺陷模型[1]:氣隙放電模型、沿面放電模型和電暈放電模型。通過局部放電實(shí)驗(yàn)[2]采集該三種人工絕緣缺陷模型的放電信號(hào),每種放電模型的采集的信號(hào)樣本數(shù)為90個(gè)。
局部放電信號(hào)通過經(jīng)驗(yàn)?zāi)L胤纸饪梢缘玫饺舾蓚€(gè)頻率由高到低的本征模態(tài)分量(IMF),其過程是自適應(yīng)。通過分析可知,不同種類的局部放電信號(hào)其模態(tài)分量差異較大,可以提取本征模態(tài)的特征參數(shù)作為特征量。利用模態(tài)分量的分形特征,提取局部放電信號(hào)的特征信息。除此之外,提取分形特征可以大大地減少特征提取量。所以可以通過計(jì)算含有主要信息的本征模態(tài)函數(shù)的分形維數(shù),從而提取不同局部放電信號(hào)的分形特征。
本文采用改進(jìn)差盒計(jì)數(shù)方法[3]計(jì)算包含局部放電信號(hào)的主要信息的本征分量的分維數(shù),可以獲得特征向量。為了后面更好地處理信號(hào),所以對局部放電信號(hào)的IMF分量的分形維數(shù)進(jìn)行歸一化處理。三種局部放電信號(hào)主要IMF分量的分維數(shù)計(jì)算結(jié)果如圖1所示。
圖1 三種放電信號(hào)本征模態(tài)分量的分維數(shù)
本文采用M-ary[4]分類方法進(jìn)行多類別分類,識(shí)別3種局部放電類型,需要構(gòu)造2個(gè)分類器。記S1為氣隙放電,S2為油中沿面放電,S3為油中電暈放電,則樣本標(biāo)記如表1所示。
表1 兩個(gè)分類器的類別標(biāo)識(shí)
由表1可知,測試時(shí),若某一放電樣本數(shù)據(jù)在分類器1中標(biāo)記為正,在分類器2標(biāo)記為負(fù),則分類結(jié)果為S2.三種測試樣本分類結(jié)果如表2所示。
表2 兩個(gè)分類器的識(shí)別結(jié)果
本文針對三種局部放電類型分別采集了90組放電信號(hào),提取信號(hào)本征模態(tài)分量的奇異值特征量作為樣本,50組樣本用于訓(xùn)練每個(gè)LSSVM子分類器,其余用來測試,并根據(jù)上述方法對其標(biāo)記。同時(shí)采用相同的樣本,用BP神經(jīng)網(wǎng)絡(luò)對變壓器局部放電信號(hào)進(jìn)行識(shí)別,其識(shí)別結(jié)果如表3所示。
表3 局部放電信號(hào)識(shí)別結(jié)果
從表3中的結(jié)果可以看出:小樣本情況下,LSSVM的識(shí)別率高于BP神經(jīng)網(wǎng)絡(luò),LSSVM更能夠有效地識(shí)別局部放電信號(hào)。
局部放電信號(hào)通過經(jīng)驗(yàn)?zāi)B(tài)分解,提取主要IMF分量的SVD作為特征量,采用BP和LSSVM兩種模型進(jìn)行識(shí)別,LSSVM的識(shí)別率較高,并能克服BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難確定、收斂速度慢以及需要大量樣本數(shù)據(jù)等問題,可以較好地解決樣本數(shù)據(jù)少、非線性分類識(shí)別等問題,有很好的推廣性。
[1]孫博.電力變壓器局部放電信號(hào)去噪及特征量提取方法研究[D].徐州:中國礦業(yè)大學(xué),2014.
[2]李劍,王小維,金卓睿,等.變壓器局部放電超高頻信號(hào)多尺度網(wǎng)格維數(shù)的提取與識(shí)別[J].電網(wǎng)技術(shù),2010,34(2):159-163.
[3]金卓睿.變壓器局部放電超高頻監(jiān)測分形天線與最優(yōu)小波去噪及信號(hào)識(shí)別研究[D].重慶:重慶大學(xué),2008.
[4]Sebald D J,Bucklew JA.Support vectormachines and the multiple hypothesis test problem[J].IEEE Transactions on Signal Processing,2001,49(11):2865-2872.
Recognition of PartialDischarge Signals Based on LSSVM
MENGWen
(Zhenjiang College,Zhenjiang Jiangsu 212000,China)
In order to improve the correct rate of partial discharge pattern recognition under condition of small samples,the least square support vector machine(LSSVM)was used to recognize the partial discharge in this thesis.Grid search algorithm was adopted to realize parameter optimization by the way from roughly search to fine search.M-ary classification was used asmulti-classification.Partial discharge signals were classified by LSSVM and BP.The recognition rate by LSSVM is higher than that by BP.The method enables to detect a high recognition rate under condition of small samples.
partial discharge signals;LSSVM;pattern recognition
TM406
A
1672-545X(2016)12-0194-02
2016-09-18
孟穩(wěn)(1990-),女,江蘇徐州人,碩士,助教,研究方向?yàn)榭刂瓶茖W(xué)與工程。