安徽華電宿州發(fā)電有限公司 于 凱

基于隨機森林的局部放電識別分析

安徽華電宿州發(fā)電有限公司 于 凱

為了提高局部放電的識別率，針對單一分類器不能全面學習樣本特性的問題，提出采用隨機森林集成分類器對局部放電類型進行識別分析，識別結果表明：基于EEMD-SVD特征，采用隨機森林分類器取得了較好的識別效果，這對局部放電模式識別與分析具有一定的指導意義。

局部放電；EEMD-SVD；單一分類器；隨機森林

0 引言

目前對于局部放電類型分類應用比較成熟的是單一分類器[1]，該分類器都要經過訓練樣本進行訓練，然后利用測試樣本對訓練好的結構進行識別分析，然而單一分類器不能全面分析樣本的特性，即使訓練樣本足夠大，識別算法也很難會達到局部最優(yōu)，從而導致識別率較低，因此，本文采用Leo Breiman提出的隨機森林集成分類器對局部放電類型進行識別分析。隨機森林分類器是首先利用訓練樣本構建一系列基分類器，然后對每個基分類器的預測分類結果進行投票，最后根據(jù)投票結果進行分類，這樣就保證了對樣本的特性能夠全面分析，不易陷入局部最優(yōu)，從而能更好的對局部放電類型進行識別分析。

1 EEMD-SVD特征

局部放電是一種典型的非線性、非平穩(wěn)信號，其信號中包含著豐富的放電信息。基于PRPD模式構造的統(tǒng)計、分形和放電圖像灰度等特征，這些特征不是由局部放電信號直接提取，因而會丟失部分放電信息，不利于分類器對其準確分類。針對這個問題，本文對局部放電信號直接提取EEMD-SVD特征，這樣可以保證所提取的特征信息是最原始，最直接的。

2 隨機森林分類器識別分析

隨機森林是Leo Breiman在2001年提出的一種集成學習算法，它利用bootstrap重抽樣法從原始樣本中抽取多個樣本，并對bootstrap樣本進行決策樹建模，然后將這些決策樹組合在一起，通過投票得出最終分類或預測的結果。

假設原始訓練集中有M個樣本，樣本屬性特征變量的維數(shù)為K，隨機特征變量的維數(shù)為F，要形成包含N棵基分類器決策樹的隨機森林，其主要內容就是形成決策樹的過程，具體構建過程如下所示：

(1)利用Bagging抽樣技術從原始訓練集中抽樣產生N個不同的訓練子集，每個子集中包含的樣本個數(shù)仍為M。

(2)根據(jù)Forestes-RI方法為每個基分類器隨機選取F個特征變量，其中F滿足，K為全部特征變量的個數(shù)。

(3)依據(jù)CART算法Gini指標最小原則對每棵決策樹的節(jié)點進行分裂，最終形成一棵棵相互獨立的決策樹，在節(jié)點分裂過程中，決策樹不作剪枝處理。

(4)將上述構建出一系列相互獨立的的決策樹看作一個整體，從而形成了隨機森林。本文中的每種放電類型樣本各100個，總共有300個原始樣本。對于EEMD-SVD特征，其樣本屬性特征變量的維數(shù)為13。設置基分類器的數(shù)目為1000，并且重復執(zhí)行隨機森林算法的次數(shù)也置為1000。

泛化誤差是反應泛化能力的一個指標，泛化誤差越小，則該學習性能越好，反之則性能越差。在隨機森林算法中，Breiman通過實驗證明，袋外( Out Of Bag OOB)估計是隨機森林泛化誤差的一個無偏估計，OOB分類誤差越小，說明隨機森林分類能力越強，識別準確率越高。

圖1反映了基于EEMD-SVD特征，其OOB分類誤差隨決策樹個數(shù)增加而變化的情況。

圖1 基于EEMD-SVD特征的OOB分類誤差估計

由圖1可以看出，基于EEMD-SVD特征，其OOB分類誤差隨著基分類器數(shù)目的增加而顯著減小，并當基分類器數(shù)目在20左右時，OOB分類誤差趨于穩(wěn)定，表明基于EEMD-SVD特征與隨機森林集成分類器的局部放電模式識別算法學習性能較優(yōu)，分類能力較強，識別準確率高。

表1給出了基于隨機森林分類器的EEMD-SVD時域特征局部放電識別準確率，其每種放電類型的識別率是相同參數(shù)下1000次執(zhí)行隨機森林算法取均值而得。

表1 基于時域特征的局部放電分類準確率

由表1可以看出，基于EEMD-SVD特征與隨機森林集成識別算法，其對應每種放電類型的識別率均達到了95%以上，總體平均識別率為97.32%，取得良好的識別效果。

3 結論

本文針對變壓器局部放電性質，設計制作了三種典型的放電缺陷模型，提取了局部放電信號，并構造了EEMD-SVD特征，同時利用隨機森林集成分類器進行識別分析，得到的主要結論：采用隨機森林集成分類器對局部放電進行識別分析，由于該分類器能對樣本進行全面分析，因而每種放電類型的識別率均很高，尤其是基于EEMD-SVD特征，其OOB分類誤差較小，局部放電的平均識別率很高，達到了97.32%。

綜上所述，基于EEMD-SVD特征與隨機森林集成分類器的局部放電模式識別算法，由于特征量包含的放電信息豐富，分類器能夠全面分析樣本特性，從而使得其局部放電識別準確率較高，這對局部放電的分類識別分析具有一定的指導意義。

[1]凌衛(wèi)家,張浩,管敏淵.互感器振動對GIS超聲波局部放電檢測的影響[J].電工電能新技術,2016,35(5):74-79.