電力變壓器局部放電模式識別

王傳棟

摘 要：為了最大限度提取到局放故障最本質(zhì)的信息，利用超球面支持向量機對不同絕緣故障局部放電類型進行模式識別。局部放電信號檢測復(fù)雜，對應(yīng)故障類型多樣，局部放電樣本數(shù)目有限且特征量呈非線性，使得BP神經(jīng)網(wǎng)絡(luò)和SVM的識別率較低。本文基于自回歸系數(shù)特征，采用經(jīng)過粒子群優(yōu)化的超球面支持向量機對不同絕緣故障類型的局部放電進行模式識別，識別率高，這對提高局部放電模式識別率具有一定的指導(dǎo)意義。

關(guān)鍵詞：模式識別；粒子群優(yōu)化； 超球面支持向量機

在局部放電故障模式識別分類中，應(yīng)用比較廣泛的分類器是人工神經(jīng)網(wǎng)絡(luò)和支持向量機。若采用人工神經(jīng)網(wǎng)絡(luò)識別樣本數(shù)據(jù)相對有限的局部放電，平均識別率能夠達到85%，識別率很難再提高。支持向量機是根據(jù)結(jié)構(gòu)風(fēng)險最小化原則解決小樣本，多種類模式識別問題，從而得到較高的識別率，然而局部放電信號特征分布是不均勻的。因此，本文基于自回歸模型算法提取局部放電信號特征，采用最優(yōu)超球面支持向量機對局部放電信號進行分類。

1 BP神經(jīng)網(wǎng)絡(luò)和支持向量機

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)過程是由信號的正向傳播和誤差的反向傳播組成。信號正向傳播時通過輸入層，經(jīng)隱含層，最終由輸出層輸出結(jié)果，若輸出結(jié)果與期望值有偏差時，則將誤差信號進行反向傳播；在反向傳播的過程中，誤差信號由輸出層逐層向前傳播，采用梯度下降法對權(quán)值不斷進行修正，使輸出結(jié)果更加接近于期望值。

1.2 支持向量機

支持向量機（SVM）在處理線性可分樣本時，通過建立最優(yōu)超平面使樣本間距離最大化，在處理非線性樣本時，利用核函數(shù)將低維樣本映射至高維特征空間中，從而將非線性不可分問題轉(zhuǎn)化為可分的模式識別問題。由于SVM具有泛化能力強、訓(xùn)練時間短和全局尋優(yōu)等特點，故廣泛應(yīng)用在高維和小樣本等非線性問題中。

2 基于超球面支持向量機的局部放電識別分析

2.1 超球面支持向量機

超球面支持向量機（HSVM）用于描述支持向量數(shù)據(jù)分類[1]。該方法分類原理簡單，分類效果良好。

對于超球面支持向量機，其數(shù)學(xué)描述為：給定一個集合Am，m=1，2，…，k，l個樣本點包含于各個集合中，針對每個集合構(gòu)建一個盡量小的超球體，保證該集合中的大部分樣本點能夠落在超球體內(nèi)，由于考慮到一小部分的樣本點會落在超球面外，因此求解最小超球體的過程可轉(zhuǎn)化為原始優(yōu)化問題。

利用超球面支持向量機進行模式識別分析，其分類精度是由懲罰因子C和核函數(shù)參數(shù)δ共同決定的。

2.2 粒子群尋優(yōu)算法

粒子群算法 [2]是一種具備全局尋優(yōu)能力的群體智能優(yōu)化算法。在參數(shù)尋優(yōu)過程中，任一個（C，δ）組合被稱為一個“粒子”，所有粒子均匹配有速度和位置這兩個特征，具有全局性和快速性。采用粒子群優(yōu)化算法對HSVM的參數(shù)組合進行尋優(yōu)，其具體尋優(yōu)步驟為：

（1）初始化粒子群的初始值，即設(shè)定懲罰因子C和核函數(shù)參數(shù)δ的范圍，設(shè)定進化迭代次數(shù)、粒子維數(shù)、種群規(guī)模數(shù)，并隨機產(chǎn)生一組（C，δ）參數(shù)作為初始解空間。

（2）利用基于粒子（C，δ）組合的HSVM對訓(xùn)練樣本集進行訓(xùn)練分析。

（3）當所有群體粒子計算完畢后，若判斷出其不滿足終止條件，則對粒子進行更新，產(chǎn)生新的粒子群，然后重復(fù)步驟2，直到停止計算，并輸出最優(yōu)參數(shù)組合（C，δ）。

（4）將步驟3中得到的最優(yōu)粒子組合代入到HSVM中，構(gòu)成最優(yōu)超球面支持向量機，并將測試樣本集輸入到最優(yōu)超球面支持向量機中進行識別分類。

3 基于自回歸模型和超球面支持向量機的局部放電模式識別

基于自回歸模型和超球面支持向量機的模式識別算法，該方法對不同放電類型的信號建立自回歸模型[3]，將得到的模型系數(shù)特征矩陣輸入到超球面支持向量機中，從而對放電信號進行識別分類。由于超球面支持向量機中的懲罰因子和核函數(shù)參數(shù)對分類準確率起著重要的作用，因此采用粒子群算法尋找最優(yōu)的懲罰因子和核函數(shù)參數(shù)組合。

本文采用AIC準則來確定自回歸模型階數(shù)，采用BURG算法確定自回歸模型參數(shù)，并將其作為局部放電信號特征。利用粒子群尋優(yōu)算法對超球面支持向量機進行粒子優(yōu)化，采用5折交叉驗證的分類準確率作為粒子群算法的適應(yīng)度函數(shù)，用以評價其分類能力。

為了更好地進行訓(xùn)練和識別，將經(jīng)過歸一化后的特征向量矩陣輸入到超球面支持向量機中進行訓(xùn)練，并利用粒子群優(yōu)化算法尋找最優(yōu)參數(shù)組合（C，δ），構(gòu)成最優(yōu)超球面支持向量機即PSO-HSVM，并對測試樣本進行識別分類。

PSO-HSVM的局部放電平均識別率達到了97%，識別準確率比其他幾類都高，說明基于自回歸系數(shù)特征，經(jīng)過粒子群優(yōu)化的超球面支持向量機對于局部放電模式識別效果更好。

4 結(jié)論

本章為了進一步提高局部放電的模式識別率，采用粒子群優(yōu)化后的最優(yōu)超球面支持向量機對局部放電類型進行模式識別分析，取得了令人滿意的識別效果。

參考文獻：

[1]高翔.超球支持向量機在語音識別中的應(yīng)用研究[J].太原：太原理工大學(xué)， 2011.

[2]羅新，牛海清，來立永，等.粒子群優(yōu)化自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)在帶電局放信號識別中的應(yīng)用[J].電工技術(shù)學(xué)報， 2014， 29（10）： 326-333.

[3]桂曉雷.基于自回歸模型深度恢復(fù)算法CUDA加速[J].天津：天津大學(xué)， 2014.