高強，劉齊，張軍陽，許永鵬(. 上海交通大學 電氣工程系，上?！?040；.國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽　0006)

0　引　言

局部放電(Partial Discharge，PD)檢測是對氣體絕緣組合開關(Gas Insulated Switchgear, GIS)開展絕緣情況評估的關鍵方法。PD將引起絕緣老化，導致絕緣故障，嚴重影響使用壽命。但是GIS內部不同的缺陷類型對絕緣影響的差異性較大，因此在GIS絕緣故障診斷中，缺陷類型的識別非常關鍵[1-4]。

支持向量機(SVM)已在缺陷識別中得到了一定的應用。如文獻[5]采用FCM聚類算法提取特征參數(shù)，再將這些特征參數(shù)輸入SVM進行識別。文獻[6]提出了過程功率譜信息熵SVM的故障診斷方法。文獻[7]提出了小波包變換和SVM相結合的識別方法。通過小波包分解及重構進行特征提取，再帶入SVM中進行準確分類。文獻[8]提出了一種基于熵特征和SVM的識別新方法。首先提取局放信號的多維熵特征參數(shù)，再通過基于二叉樹的SVM進行模式識別。

本文提出一種基于AP-SSVM算法的GIS缺陷類型識別方法，首先利用小波包變換對GIS局放信號進行分解，并提取時頻信息熵特征；然后采用AP聚類算法對各子頻帶的時頻信息熵特征進行聚類，實現(xiàn)特征參數(shù)的優(yōu)化，最后將這些特征參數(shù)輸入訓練好的自建議支持向量機(SSVM)分類器以識別GIS的缺陷類型。

1　特征提取

1.1　小波包變換

小波變換是一種靈活的，擴展性好的時頻分析方法，但是當信號在高頻區(qū)分布緊密時，小波變換的分辨率難以提高。而小波包變換在每個尺度上頻率帶寬相同，可以保證變換不會增減原始信號的信息，還能根據被檢測信號的特征，自適應地選擇恰當?shù)念l帶分析，所以小波包變換在中高頻的處理上比小波變換的分解更精確，效果更好，非常適合處理非穩(wěn)態(tài)信號[9]。以針尖缺陷的局放信號為例，小波包分解獲取的各子帶系數(shù)如圖1所示。

圖1　小波包分解各子帶系數(shù)圖

1.2　AP聚類

對小波包分解后的GIS局放信號進行傅立葉變換，得到對應的頻率系數(shù)，提取時域和頻域信號的信息熵，并進行AP聚類[10]。AP聚類與FCM聚類等算法相比，初始約束條件較少，無需定義類的數(shù)目，在迭代的過程中會自動選擇合適的聚類中心并識別出類中心的個數(shù)。

首先提取某類缺陷的50組小波包分解后子帶系數(shù)的時頻信息熵[11]，并進行歸一化處理，再進行AP聚類，然后對分類后的子帶系數(shù)進行排序，提取排名在前的若干子帶系數(shù)，以及各聚類集合的minkowski距離[12]。

2　自建議支持向量機

2.1　基于先驗知識的SVM

在以先驗知識為基礎的SVM中，測試數(shù)據的標記可根據?x,D1x≤d1約束，其中x屬于{+1}類；如果D2x≤d2那么x屬于{-1}類[13]。根據經典SVM，不滿足這些約束的測試數(shù)據會被標記。此外，建議可以以一種更普遍的方式表達，例如任何屬于建議區(qū)域i的x，class(x)=-1；任何屬于建議區(qū)域j的x，class(x)=+1，這些建議區(qū)域通常是數(shù)據輸入空間中的凸多面體區(qū)域?？紤]一般的建議，如Dx≤d?z(wx-b)≥1，其中z=+1表明x屬于+1類而z=-1同樣表明類別。

2.2　自建議SVM

使用專家的先驗知識，有一個逐步增加的使用建議集。然而，也有一些在實際應用中的困難，比如這些知識如何以約束條件的形式表述。此外，這些方法包括新的參數(shù)，從而提高了SVM的計算成本。另一方面，集合算法是迭代的程序，增加了計算成本，卻并不是總能提高SVM的性能，有時甚至會使性能下降。

本文提出了一個非迭代的方法，從訓練階段提取后續(xù)的知識。在傳統(tǒng)的SVM方法中，測試階段從訓練階段獲取的唯一信息是第一類支持向量或超平面位置。后續(xù)的知識可以是關于第一類支持向量的深層信息，即從第二類支持向量中提取的知識。而且傳統(tǒng)的SVM忽略了訓練階段中沒有被內核線性地分開的訓練數(shù)據。它會通過引入公差參數(shù)的目標函數(shù)和約束條件發(fā)生。但是，如果數(shù)據與測試集中的錯誤分類數(shù)據類似或相同，它將再次被錯誤分類，因為與錯誤分類數(shù)據接近的數(shù)據是不確定的。這種錯誤分類是不合理的，因為它是由于訓練階段可用的數(shù)據和信息被SVM算法忽略造成的。

我們首先定義錯誤分類的數(shù)據集MD，在訓練階段按如下形式：

(1)

在式(1)的右邊，我們可以使用任何SVM決策函數(shù)和內核。MD集合可以是空的，但實驗結果表明，出現(xiàn)錯誤分類的數(shù)據，在訓練階段是一種普遍現(xiàn)象。

對于MD中的每個xi，鄰域長度(NL)定義為：

(2)

式中：xj,j=1,…,N,是不屬于MD集中的訓練數(shù)據。

如果訓練數(shù)據通過使用映射函數(shù)被映射到一個更高的維度，那么xi和xj之間的距離可以參考相關內核k并根據下面的方程計算，

(3)

以NL的結果為基礎，對測試集中的每個xk，建議權重AW(xk,j)(其中J=+1或-1)按照如下方法計算：

(4)

這些AW代表測試數(shù)據有多么接近錯誤分類數(shù)據。總之，自建議SVM(SSVM)步驟概括為：

(1)訓練階段

首先進行普通的SVM訓練，再通過式(1)發(fā)現(xiàn)MD集。如果MD是空的，進入測試階段或通過式(2)為MD的每一項計算NL。

(2)測試階段

3　局放試驗模型

GIS的PD試驗平臺示意圖如圖2所示。主要包括380 V/50 Hz無局放高壓電源、126 kV GIS和最高采樣率為20 GHz、有效帶寬為2.5 GHz的示波器。

圖2　GIS的PD試驗平臺示意圖

(1)高壓導體突出物模型

GIS高壓導體表面上的金屬突出物會導致突出物附近的局部電場畸變，引發(fā)典型的尖-板電暈放電。在正常工作電壓下，該缺陷可放電穩(wěn)定，可一旦有暫態(tài)過電壓(雷電過電壓或操作過電壓)發(fā)生，則可能會引發(fā)擊穿故障。模型制作示意圖如圖3(a)所示。

(2)懸浮電極模型

本模型通過在一圓柱形環(huán)氧樹脂內放置一金屬而制成。環(huán)氧樹脂上表面加高壓，下表面接地，模擬GIS中的懸浮電極放電。模型制作示意圖如圖3(b)所示。

(3)外殼底部自由金屬微粒模型

自由金屬微粒是導致GIS故障的最主要原因。本模型采用金屬小球，放置于上下兩電極之間。模型制作示意圖如圖3(c)所示。

(4)絕緣氣隙模型

氣隙放電也稱為氣泡放電，是絕緣子在澆注過程中受熱不均而造成的一種絕緣子內常見的絕緣缺陷。本模型通過在一圓柱形環(huán)氧樹脂內密封一段柱狀氣隙而制成。模型示意圖如圖3(d)所示。

圖3　四種GIS典型缺陷模型示意圖

圖4為高壓導體突出物、懸浮電極、自由金屬微粒和氣隙等4種典型缺陷模型的局放UHF時域信號和頻譜分析。

圖4　典型缺陷模型的局放UHF信號

對上述4種缺陷模型局放UHF信號進行時域和頻域分析，可以發(fā)現(xiàn)，對電暈放電UHF信號頻譜分析可見，UHF信號頻譜主要分布在350 MHz～450 MHz之間以及700 MHz～1.1 GHz之間；對懸浮放電UHF信號頻譜分析可見，UHF信號頻譜主要分布在350 MHz～500 MHz之間；對金屬微粒放電UHF信號頻譜分析可見，外置UHF信號頻譜主要分布在300 MHz～500 MHz之間，與懸浮放電類似，500 MHz以下低頻段分量增強，而高頻段分量有所衰減；對氣隙放電UHF信號頻譜分析可見，外置UHF信號頻譜主要分布在300 MHz～500 MHz之間。

4　信號研究

對4種缺陷類型產生的GIS局放信號進行小波包分解，并提取時頻信息熵特征；然后采用AP聚類算法對各子頻帶的時頻信息熵特征進行聚類，以AP聚類數(shù)為3為例，GIS各缺陷的局放信號的時頻域聚類情況如圖5所示。并計算各缺陷類型的minkowski距離，結果如表1所示。

圖5　GIS缺陷典型信號的AP聚類圖

將不同缺陷的GIS局放信號進行小波包分解，對各小波包系數(shù)進行時頻分析，提取信號時域和頻域的信息熵，經過AP聚類后，確定最優(yōu)小波包系數(shù)，并將對應的信息熵分別帶入SVM，AP-SVM和AP-SSVM分類器模型，進行20次獨立測試，不同缺陷類型下各模型的平均識別準確率如圖6所示。

表1　不同缺陷類型的minkowski距離及時頻坐標

圖6　不同缺陷類型下各模型的平均識別準確率

從圖6中，我們可以發(fā)現(xiàn)，針對各種缺陷類型，AP-SSVM的平均識別率分別為85.58%，89.65%，88.17%，93.96%，在故障類型2，3，4方面，平均識別率比SVM，AP-SVM提高10.93%以上，尤其是在故障類型2方面，平均識別率提高20.41%，在故障類型1方面，雖然比AP-SVM的平均識別率低2.56%，基本屬于持平狀態(tài)。

圖7　不同訓練樣本數(shù)對應的識別準確率誤差圖

不同訓練樣本數(shù)對應的識別準確率誤差均值，誤差均方差，最小誤差值如圖7所示?？梢园l(fā)現(xiàn)，伴隨訓練樣本數(shù)增加，最小誤差值也在逐漸變大，當訓練樣本數(shù)為25時，最小誤差值為0.000 1，而當訓練樣本數(shù)為100時，最小誤差值為0.011 2。在誤差均方差方面，當訓練樣本為50時，誤差均方差最小為0.013 5，當訓練樣本為75時誤差均方差最大為0.020 3，說明本文提出的AP-SSVM穩(wěn)定性較好。誤差均值方面，在訓練樣本為50時，誤差均值最小為0.029 9，在訓練樣本為100時，誤差均值最大為0.040 8。

通過各缺陷類型的平均識別準確率和不同訓練樣本情況下的誤差情況可以發(fā)現(xiàn)，本文提出的AP-SSVM算法能夠有效的識別GIS的缺陷類型，且識別效果穩(wěn)定性強。

5　結束語

本文利用AP-SSVM算法識別GIS的缺陷類型，得到如下結論：

(1)采用小波包變換對GIS局放信號進行分解，并提取時頻信息熵特征；然后采用AP聚類算法對各子頻帶的時頻信息熵特征進行聚類，實現(xiàn)特征參數(shù)的優(yōu)化，實驗數(shù)據表明，提取的特征參數(shù)能夠有效的描述GIS局放信號。

(2)通過自建議支持向量機(SSVM)分類器以識別GIS的缺陷類型，實驗數(shù)據表明，識別精確度優(yōu)于SVM和AP-SVM，能夠達到85%以上，識別誤差均值也保持在0.04以下，具有較好的實用性和推廣性。

參考文獻：

[ 1 ] 丁登偉, 唐誠, 高文勝, 等. GIS 中典型局部放電的頻譜特征及傳播特性[J]. 高電壓技術, 2014, 40(10): 3243-3251.

[ 2 ] 唐炬, 曾福平, 范慶濤, 等. 基于熒光光纖檢測 GIS 局部放電的多重分形譜識別[J]. 高電壓技術, 2014, 40(2): 465-473.

[ 3 ] 張曉星, 舒娜, 徐曉剛, 等. 基于三維譜圖混沌特征的 GIS 局部放電識別[J]. 電工技術學報, 2015, 30(1): 249-254.

[ 4 ] 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用[J]. 電工技術學報, 2015, 30(8): 282-288.

[ 5 ] 李慶輝, 李艾華, 蘇延召, 等. 結合 FCM 聚類與 SVM 的火焰檢測算法[J]. 紅外與激光工程, 2014, 43(5): 1660-1666.

[ 6 ] 費成巍, 白廣忱, 李曉穎. 基于過程功率譜熵 SVM 的轉子振動故障診斷方法 [J]. 推進技術, 2012, 33(2): 293-298.

[ 7 ] 朱艷偉, 但揚清, 陳東海, 等. 小波包變換和支持向量機在孤島與擾動識別中的應用[J]. 高電壓技術, 2014, 40(8):2343-2347.

[ 8 ] 李一兵, 葛娟, 林云. 基于熵特征和支持向量機的調制識別方法[J]. 系統(tǒng)工程與電子技術, 2012, 34(8): 1691-1695.

[ 9 ] 陳偉根, 謝波, 龍震澤, 等. 基于小波包能量熵的油紙絕緣氣隙放電階段識別[J]. 中國電機工程學報, 2016, 36(2): 563-569.

[10] 周瓊, 贠志皓, 豐穎, 等. 風電接入下基于 AP 聚類的無功功率—電壓控制分區(qū)方法[J]. 電力系統(tǒng)自動化, 2016,40 (13): 19-27.

[11] 陳偉根, 謝波, 龍震澤, 等. 基于小波包能量熵的油紙絕緣氣隙放電階段識別[J]. 中國電機工程學報, 2016, 36(2): 563-569.

[12] 徐德剛, 徐戲陽, 陳曉, 等. 基于 Minkowski 距離的一致聚類改進算法及應用研究[J]. 湖南大學學報 (自然科學版), 2016, 43(4): 133-140.

[13] 賈嶸, 張欣偉, 徐其惠, 等. 基于 LS-SVM 回歸的頻域分析法及其在局放窄帶干擾抑制中應用[J]. 電力自動化設備, 2009 (9): 50-53.