董晨曄， 錢勇， 鐘勇， 許永鵬， 盛戈皞， 江秀臣

(1.上海交通大學 電氣工程系，上海 200240；2.國網(wǎng)山東省電力公司淄博供電公司，山東 淄博 255000)

0 引 言

由絕緣缺陷造成的局部放電對于GIS設備來說是十分重要的隱患，因此對于GIS局部放電的檢測方法就顯得尤為關鍵[1]。GIS局部放電的帶電檢測能夠準確地判別GIS內(nèi)部存在絕緣缺陷與否，并且以此為基礎確定產(chǎn)生局部放電的缺陷點以便作出正確的應對策略。GIS內(nèi)部可能存在的絕緣缺陷類型有多種，每一種不同的絕緣缺陷類型對于GIS設備的危害程度與影響方式都不盡相同，因此除了對于局部放電信號的檢測，更為關鍵的是對于這一局部放電信號的模式識別與絕緣缺陷類型判斷[2]。

GIS設備產(chǎn)生局部放電時往往會出現(xiàn)與正常情況不同的超聲信號、特高頻信號以及光信號等[3]。通過對于不同種類局部放電信號的重點采集，衍生出了不同原理的檢測方法。根據(jù)檢測手段帶電與否，可以總分為非電測法和電測法兩大類別。常用的非電測法有光子檢測法以及超聲檢測法等。常用的電測法有特高頻法等[4]。

經(jīng)驗模式分解(Empirical Mode Decomposition,EMD)應用于處理非平穩(wěn)信號而且能夠根據(jù)數(shù)據(jù)特征不斷逼近目標，這一方法的主要作用是將原始信號根據(jù)不同的階段特點分解為數(shù)個固有模態(tài)分量(Intrinsic Mode Functions, IMFs)，但是由于模態(tài)混疊的影響，相鄰的IMF往往難以區(qū)分[5]。為了解決這一問題，本文使用了在EMD方法的基礎上改進的總體經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)[6]。

Gabor變換由 Dennis Gabor首先提出，是一種具體形式下的加窗短時傅里葉變換[7]。當加窗短時傅里葉變換中的窗函數(shù)選取為Gauss窗函數(shù)時，此時的變換就成為Gabor變換。Gabor函數(shù)主要用來獲得信號在頻率領域的相關特征。Gabor 濾波器具有很強的空間定位和方向選擇特性，使Gabor小波在辨別局部特征方面表現(xiàn)良好，也因此被廣泛應用于不同模式的識別中[8]。

本文提出將EEMD和二維Gabor結(jié)合的方法用于GIS局放特征融合識別。首先獲得GIS局部放電的時域信號，并將其進行EMMD分解，獲取若干IMF分量。同時獲取局放信號的PRPD圖譜進行二維Gabor變換。然后提取出EMMD分解與二維Gabor變換后每個子圖的脈沖因子與裕度因子，通過訓練后的隨機森林模型進行GIS局放的模式識別。該方法綜合了EMMD與二維Gabor變換的優(yōu)勢，對于識別幾種常見的GIS局放模型的正確率可以達到90%以上。

1 EEMD原理

EEMD的主要方法是將高斯白噪聲信號添加到原始信號中，由于原始信號在各個階段的分布特性不同而高斯白噪聲在各個階段均相同，從而讓原始信號更好地分布到不同的參考階段，不會受到模態(tài)混疊的影響。在分解完成之后要去除白噪聲的分量，從而得到最終結(jié)果，可以通過對所得IMF分量多次取平均值實現(xiàn)[9]。利用EEMD方法分解信號的具體實現(xiàn)方法為：

(1)確定使用的高斯白噪聲的相關參數(shù),噪聲的標準差可設定為原始信號標準差的五分之一左右。

(2)將設定好的高斯白噪聲信號ni(t)添加到原始信號x(t)中，即:

xi(t)=x(t)+ni(t)

(1)

(3)對xi(t)進行EMD分解，得到若干個固有模態(tài)分量cij(t)與1個殘余分量ri(t)。其中cij(t)的下標中i表示進行EMD分解的次數(shù)，j表示分解所得固有模態(tài)分量的次序。

(4)將上述步驟重復進行M次，M即為EEMD分解的平均次數(shù)，然后把獲得的IMF分量反復取平均值以去除高斯白噪聲的分量，最終得到的IMF分量為:

(2)

式中：cj(t)表示最終得到的第j個IMF分量[10]。

通過EEMD方法能夠把原始信號分解為若干個IMF分量，并且根據(jù)頻帶進行區(qū)分，實現(xiàn)信號的自我調(diào)整與適應。在此基礎上可進一步計算得到各個分量的模糊熵，這有利于區(qū)分不同種類超聲信號的特征，提高模式識別的準確度[11]。以常用的GIS缺陷模型之一尖端放電為例，局部放電信號進行EEMD分解后獲取的IMF分量如圖1所示。

2 二維gabor變換原理

二維Gabor小波變換系數(shù)的數(shù)值受到坐標變化的影響較小。且二維Gabor變換對于邊緣特征較為敏感，有利于提取信號的特征，特征應優(yōu)先于圖像灰度變換處進行提取[12]。由于上文提到的穩(wěn)定性，二維Gabor小波對于發(fā)生過微小變形的圖像信號依然使用，在一定程度上避免了噪聲的影響。另外，在二維Gabor變換中要濾除圖形信號的直流分量，可以通過將原始信號的實數(shù)分量向負方向移動e-(σ2/2)，調(diào)整之后可以確保二維Gabor變換不會受到光照變化等因素的影響[13]。

圖1 尖端放電EEMD分解實例

因此，二維Gabor小波基函數(shù)g(x,y)定義為:

(3)

gmn(x,y)=a-mng(x′,y′),a>1,m,n∈Z

(4)

式中：σ表示高斯窗口的大小;gmn(x,y)為g(x,y)進行旋轉(zhuǎn)和放縮的濾波器函數(shù);a,m,n為旋轉(zhuǎn)放縮系數(shù)。

綜上所述，根據(jù)上文提到的函數(shù)以及參數(shù)的定義，對原始信號I(x,y)的二維Gabor變換可以定義為:

(5)

GIS局放信號二維Gabor變換的具體步驟為:

(1)利用波形分析提取相關特征，處理原始信號I(x,y)中的特征，構(gòu)建Gabor特征向量F(F∈Rm)。

(2)按照k(x,y)=(x·y)d(0

(3)根據(jù)KFDA算法的原理在Rn內(nèi)構(gòu)建不同類別的矩陣Sb和同一類別的矩陣Sw。

(6)

(7)

計算獲得α1,α2,…,αn為矩陣Sw的標準正交向量。

(4)提取顯著判別特征向量。令:

以GIS常用的缺陷模型之一氣隙放電為例，圖2為氣隙放電圖譜的Gabor變換實例圖，其中圖2(a)、圖2(b)、圖2(c)分別為同一方向情況下，中心頻率v為1，2，3的Garbor變換分解圖。

3 試驗分析

試驗的流程如圖3所示，利用實驗室自行設計的GIS缺陷模型采集局部放電數(shù)據(jù)。根據(jù)局放數(shù)據(jù)的時域信號和PRPD圖譜分別進行EEMD分解和二維Gabor變換。從變換后的分圖中提取相關特征參數(shù)，代入訓練后的隨機森林模型進行模式識別[15]。

圖2 氣隙放電Gabor變換實例

圖3 試驗流程圖

3.1 試驗數(shù)據(jù)采集

造成GIS中局部放電的原因有很多，主要有表面雜質(zhì)、接觸問題以及懸浮等，如圖4所示。為了較好地模仿這些缺陷的特征，采用下面四種缺陷模型:①針尖模型，其中針尖為長20 mm的銅制圓錐，置于平板電極上方的5 mm處 ;②氣隙模型，通過平板電極中放置30 mm厚的環(huán)氧樹脂板實現(xiàn)，環(huán)氧樹脂板中存在氣隙；③微粒模型，將銅顆粒置于平板電極上即可; ④懸浮電極模型，將金屬塊置于環(huán)氧樹脂板之間，再在兩端加上平板電極來實現(xiàn)懸浮電極[16]。

局放試驗采集原始局放信號的主要流程如下：將上文所述的缺陷模型放在充有六氟化硫氣體的GIS腔體內(nèi)，模型的兩端分別連接高壓端與地端。通過高壓發(fā)生器向模型施加電壓，通過局放儀觀察模型的局部放電情況，待缺陷模型出現(xiàn)穩(wěn)定的局部放電后特高頻采集系統(tǒng)會采集到局部放電的特高頻信號。每種缺陷模型均獲取100組局部放電特高頻信號樣本。

圖4 缺陷模型示意圖

3.2 特征參數(shù)選擇與性能分析

特征參數(shù)選擇了脈沖因子與裕度因子。分別提取EEMD與二維Gabor變換的每個子圖下的脈沖因子與裕度因子[17-18]，如表1所示。

表1 特征參數(shù)集合

將上述特征代入訓練后的森林模型進行處理。隨機森林(Random Forests)模型在機器學習模型中較為新穎且適用范圍很廣。在創(chuàng)建決策樹的過程中有兩次隨機的過程:首先是在原始信號中按照一定的規(guī)則隨機選擇訓練樣本;其次每棵決策樹用到的相關特征是通過原有特征集中創(chuàng)建分類樹后統(tǒng)一獲得。整個隨機森林模型包含多個決策樹，局部放電特高頻信號的最終類型判定由每一個決策樹的判定結(jié)果共同決定[19]。

3.3 試驗結(jié)果

單獨使用EEMD與二維Gabor變換以及綜合使用兩種算法的GIS局部放電的識別率如表2所示。

表2 識別結(jié)果

從表2可以看出，對于缺陷模型A和C，EEMD算法能夠保持90%以上的識別率，而對于缺陷模型D的識別率最低，只有70%。對于二維Gabor算法來說，四種類型的缺陷模型識別率均能達到80%以上，平均識別率要高于EEMD算法，但只有缺陷模型C達到了90%以上的識別率。同時，綜合使用EEMD與二維Gabor兩種算法時對于四種缺陷模型的識別率均達到90%以上，平均識別率明顯高于單獨使用EEMD或是二維Gabor算法，并且在缺陷模型A和C下識別率高達98%。

4 結(jié)束語

(1)針對GIS局部放電的模式識別，提出基于EEMD和二維Gabor變換的特征融合識別方法。根據(jù)GIS局部放電的時域信號和PRPD圖譜分別進行EEMD分解與二維Gabor變換，并從每一個分解的分圖中提取特征參數(shù)脈沖因子與裕度因子，通過訓練后的隨機森林模型完成模式識別。

(2)以實驗室設計的缺陷模型收集到的局放信號為例進行模式識別，結(jié)果表明，基于EEMD的算法在缺陷模型D的識別方面正確率只有70%，基于二維Gabor變換的算法在識別大多數(shù)常見缺陷模型時正確率在90%以下。而本文提出的EEMD與二維Gabor變換特征融合識別方法在所有缺陷模型的識別率都在90%以上，明顯高于上述兩種單獨識別方法。這一特征融合識別方法能夠顯著提高GIS局部放電模式識別的正確率。