基于加速魯棒特征的含噪局部放電模式識別

李 澤 王 輝 錢 勇 黃 銳 崔其會

基于加速魯棒特征的含噪局部放電模式識別

李 澤1王 輝1錢 勇1黃 銳2崔其會2

（1. 上海交通大學電氣工程系 上海 200240 2. 國網山東省電力公司 濟南 250001）

由于變電站現場環境復雜多樣，實測的局部放電（PD）數據存在大量的干擾信號。為提高含噪PD類型識別準確度，提出一種基于加速魯棒特征（SURF）和改進支持向量機（BFO-SVM）的PD模式識別方法。首先，將單源PD數據與噪聲及干擾數據疊加形成染噪PD數據，并構造脈沖序列分布（PRPS）模式；然后，利用SURF算法自動提取PRPS灰度圖像的特征點及特征描述符，結合詞袋模型思想和K-means聚類方法生成不同PD類型的視覺單詞頻率特征；最后，將提取的特征量輸入BFO-SVM分類器，并將該算法與基于灰度梯度共生矩陣（GLCM）的特征提取方法和傳統SVM優化算法的識別效果進行對比。結果表明：該算法在高幅值白噪聲背景及典型干擾環境中具有較高的識別準確率及較強的抗干擾能力。研究結果可為現場PD檢測和識別提供參考。

局部放電 特征提取 加速魯棒特征 細菌覓食優化算法 支持向量機

0 引言

局部放電（Partial Discharge, PD）是反映電氣設備絕緣劣化的重要征兆，不同放電類型在絕緣劣化機理、放電發展過程及危害性方面存在差異[1-3]。因此，及時有效地檢測和識別局放類型，對設備故障辨識和絕緣狀態評估具有重要意義[4-5]。

針對局部放電模式識別問題，通常先構造合適的局放圖譜模式，然后從中提取特征參量形成特征庫，最后將特征矩陣輸入分類器中進行故障識別[6]。文獻[7]在實驗室環境模擬了四種典型放電模型并建立了特高頻圖譜庫，通過主成分分析和多分類相關向量機識別局放類型。文獻[8]提出采用基于二維Littlewood-Paley經驗小波變換對局放統計譜圖做濾波處理，通過提取小波系數子圖的圖像特征，實現典型局放類型診斷。文獻[9]將局放信號處理成基于變分模態分解的Wigner Ville分布時頻譜圖，輸入堆疊稀疏自編碼網絡進行訓練。文獻[10]研究了稀疏表示分類器對局放缺陷類型的識別效果。然而當前對于局放模式識別的研究，主要采用無噪聲的實驗室數據，由于缺陷類型典型，且不存在外界干擾的影響，因此識別效果較好。但變電站的實際運行環境復雜多樣，現場實測的局放數據存在大量干擾信號，與在實驗室環境下檢測的典型信號存在差異，因此所提相關模式識別方法的效果有待進一步的驗證和討論[11]。

對于含噪局部放電信號的診斷方法大部分采用如下兩步實現：首先對混合信號進行降噪處理，得到“純凈”的脈沖信號；然后基于模式識別方法區分信號類別[12-13]。然而目前降噪技術并不完美，且業界沒有通用的降噪標準[14-16]。同時降噪步驟復雜繁瑣，耗費時間成本[17]。此外，考慮到現場局放檢測數據通常以圖片等非結構化數據形式存儲，所以若能直接實現對含噪局放圖譜圖像的精準識別，將簡化識別過程，提高識別效率[18]。

在局部放電圖像特征提取環節，相比于傳統的顏色特征[19]、形狀特征[20]、紋理特征[8]等全局特征提取方法，局部特征提取算法具有良好的魯棒性和不變性，適用于圖像混疊和遮擋的情況。加速魯棒特征（Speeded Up Robust Features, SURF）是一種典型的局部特征描述子，該算法在尺度、旋轉、噪聲等影響因素下具有較強的穩定性，同時其魯棒性及計算速度均具有明顯優勢，適合于解決含噪局放信號的識別問題。因此，本文提出了一種基于SURF和改進支持向量機（Support Vector Machine, SVM）的局部放電模式識別方法，直接實現對含噪局部放電圖譜圖像的診斷。在單源局部放電數據中疊加不同幅值的白噪聲，生成多種信噪比的局部放電數據，并構建PRPS（phase resolved pluse sequence）圖譜庫。提取圖像的SURF特征，采用Bag-of-features重新編碼提取的關鍵點和描述符，將特征輸入優化的SVM分類器中進行識別。最后利用該識別算法對疊加典型干擾的局部放電數據進行分析，驗證其有效性及抗干擾能力。

1 局部放電數據采集和生成

1.1 單源局部放電數據

本文設計了四種典型的局放模型，即金屬尖端模型、懸浮電位模型、自由金屬微粒模型和固體絕緣氣隙模型。將設計的模型放置在氣體絕緣組合電器（Gas Insulated Switchgear, GIS）模擬器中進行局放實驗，使用特高頻傳感器采集典型缺陷的放電樣本各200例，每例樣本的時間長度為50個工頻周期。

金屬尖端模型、自由金屬微粒模型、懸浮電位模型和固體絕緣氣隙模型結構如圖1所示。四種典型絕緣缺陷的PRPS模式如圖2所示。

1.2 含噪局部放電數據的生成

現場局放檢測中的干擾源主要包括白噪聲、離散頻譜干擾和脈沖型干擾[21]。離散頻譜干擾具有窄帶頻率，可以輕松識別和消除[22]。因此本文主要研究白噪聲及典型脈沖型干擾對局部放電模式識別的影響。

為了模擬現場局放信號中可能存在的白噪聲，在四種局放類型樣本上疊加不同幅值的均值為零的高斯白噪聲，構造不同信噪比（Signal-to-Noise Ratio, SNR）的局放數據，SNR為

式中，()為無噪聲的局放信號；()為噪聲信號；為樣本數。本文設置了五種SNR的含噪信號，分別為1dB、-1dB、-4.8dB、-8.1dB和-10.5dB。

信噪比為-4.8dB的GIS典型絕緣缺陷PRPS譜圖如圖3所示。

圖3 含噪局部放電信號的PRPS譜圖

1.3 脈沖型干擾信號

1.2節通過數學仿真手段生成了含有白噪聲的局放PRPS譜圖。然而，通過純數學方法生成所有類型的干擾信號不現實，并且隨機生成的噪聲與實際環境干擾存在一定差距。因此，為了更好地模擬現場的實際干擾情況，評估不同干擾對局放類型識別的影響，本文在實驗室環境下獲取了60組典型的脈沖型干擾數據，包括：手機通信干擾、熒光燈干擾、雷達干擾等多種干擾源數據。部分典型的脈沖型干擾信號PRPS譜圖如圖4所示。

圖4 典型脈沖型干擾的PRPS譜圖

2 基于SURF的局部放電特征提取

2.1 SURF特征

SURF是一種局部特征檢測描述方法，具有速度快、魯棒性較好等優點[23]。本文將SURF特征提取方法應用于局部放電模式識別領域，具體步驟如下。

1）特征點提取

如圖5所示，將PRPS圖像轉換為灰度圖，并保持灰度圖大小不變。用方框濾波器近似代替二階高斯濾波器，采用不同尺寸的方框濾波器與灰度圖像卷積，建立圖像金字塔，構造尺度空間。

圖5 圖像金字塔

SURF特征點的提取采用精確度較高的Fast-Hessian檢測子。在圖像中的點處，尺度為的Hessian矩陣為

式中，L(,)、L(,)、L(,)為高斯二階偏導數在處與圖像的卷積。

為了提高運算速度，并且達到準確逼近高斯核函數的效果，H. Bay等[23]提出采用盒子濾波器的方法，分別用D、D、D近似表示圖像和高斯二階導數的卷積。因此Hessian矩陣的行列式值可近似表示為

為了確定圖像特征點的具體位置，在3×3×3大小的近鄰區域內采取非極大抑制的原則，選擇Hessian矩陣行列式的最大值所在圖像和尺度空間位置作為特征點[24]。

2）確定主方向

以特征點為中心，以6(為特征點的尺度)為半徑，計算圓形區域內各點在、方向上的Haar小波響應，并根據各點與中心點的距離賦高斯權值，使靠近特征點的響應貢獻大，而遠離特征點的響應貢獻小。使用大小為π/3的滑動扇形窗口圍繞特征圓域區間旋轉，并將60°扇形區域中的所有Haar特征相加，得到一組方向向量。選擇圓域內模值最大向量的方向作為該特征點的主方向。

該步驟是針對圖像存在旋轉及視角變換情況時進行的操作。由于本文的局部放電PRPS譜圖全部采用直立圖像且不存在視角變換，因此該步驟不影響本文的識別效果。

3）SURF特征點描述符

以特征點為中心，選擇一個20×20的正方形區域，結合H.Bay等[23]的實驗，并通過多組參數分析驗證，將該區域劃分為4×4子區域的效果最佳。然后分別計算每個子區域內對應的4維特征向量={Σd, Σ|d|, Σd, Σ|d|}。在每一個特征點形成4×4×4=64維的描述向量。

2.2 BoF-SURF特征包

Bag-of-Features(BoF)是一種圖像檢索方法，借鑒了詞袋模型(Bag-of-Words, BoW)的文本分類思想，將圖像的特征向量集合當作圖像的詞袋。BoF就是基于詞袋和SURF特征統計出的特征頻率直方圖。BoF主要包括兩個步驟[25]：①構建視覺詞典；②統計圖像特征頻率。

為了降低視覺詞典的特征維數，本文利用K-Means根據SURF提取的特征點描述向量之間的距離，將其聚類成類，作為視覺詞典中的基礎單詞。根據構建的視覺詞典，統計每幅圖像SURF特征與視覺詞典特征點的相似度，得到不同PD類型的視覺單詞頻率直方圖如圖6所示。

由圖6可以看出，通過BoF-SURF特征包獲取的不同局放類型的視覺單詞頻率直方圖存在明顯差異。整合所有圖像的視覺特征頻率向量形成局放特征庫，將其輸入分類器中進行下一步分類識別。

3 BFO-SVM分類模型

3.1 支持向量機

支持向量機是一種能夠有效解決小樣本和非線性特征問題的數據分類方法，具有高泛化能力和避免陷入局部極小的優點[26]。SVM本質是一個線性分類器，其核心思想是將輸入空間映射到高維度的特征空間，尋找一個最優超平面使樣本在特征空間內線性可分。

定義超平面為

式中，為超平面的法向量；為偏移量。

為求得幾何間隔最大的超平面，將其轉換為一個凸二次規劃問題，即

增加拉格朗日乘子α，得到拉格朗日函數，即

根據強對偶關系和KKT條件產生原問題的對偶問題，并引入核函數(, x)，得到分類器的最終決策方程為

式中，上標*表示對應變量的最優值。

由于SVM算法是一個二分類分類器，而局部放電模式識別屬于多分類問題。因此需利用“一對一”或“一對多”的方法將多分類轉換為多個SVM二分類問題。

3.2 細菌覓食優化算法

細菌覓食優化（Bacterial Foraging Optimization, BFO）算法[27]是由K. M. Passion于2002年提出的一種模擬大腸桿菌覓食行為的仿生智能優化算法。該算法具有跳出早熟收斂、避免局部極小且魯棒性強等優點，適合解決SVM參數尋優問題[28]。

BFO通過細菌特有的趨化、繁殖、遷徙行為實現位置更新和最優解探索。

1）趨化操作

細菌的趨化運動方程為

菌群個體在覓食過程中通過相互間的引力和斥力達到聚集和分散的目的。細菌間聚集行為為

由于cc(())表示種群之間的影響值，因此在趨化循環中引入聚集操作后，第個細菌的適應度值的表達式變為

當細菌的移動步長超過固定步長，游動停止。趨化運動完成，細菌進入繁殖操作。

2）繁殖操作

定義細菌的能量函數為

將細菌能量按從小到大的順序排列，淘汰能量值較小的一半細菌，同時復制能量值較大的一半細菌以維持種群規模不變。

3）遷徙操作

細菌以給定概率ed執行遷徙。遷徙雖然破壞了趨化行為，但遷徙行為隨機生成的新個體可能更靠近全局最優解，有利于細菌對全局最優值的探索。

3.3 BFO優化SVM步驟

SVM分類精度和性能主要受參數選擇的制約，參數直接關系到分類器最終學習能力及泛化能力。為進一步提高SVM的性能，本文基于高斯核函數，利用BFO算法實現SVM參數組合(,)最優化。參數優化的具體步驟如下：

1）對實驗樣本進行預處理

將數據集按一定比例分為訓練集train、測試集test、驗證集validation，并對數據做歸一化處理。

2）初始化細菌覓食算法的相關參數

初始化細菌個數、細菌的前進步長s，趨化次數e、繁殖次數re、遷移次數ed、每次向前游動的最大步數、遷移概率、種群之間傳遞信號的影響值cc的四個參數。

3）初始化各細菌的位置(1,2)

利用式（12）初始化細菌位置。其中rand為均勻分布在[0 1]區間內的隨機數。

4）計算細菌的適應度值

以細菌為例，以其位置(c,)對應數值作為SVM參數，使用train訓練模型，validation驗證模型，并將識別的綜合錯誤率作為各細菌的適應度值不斷迭代更新。

5）趨化操作

（2）定義靈敏度

（3）各細菌的游動步長采用自適應游動步長，即

6）繁殖操作

對各細菌的適應度值排序，適應度值較差的一半細菌消亡，適應度值較好的一半細菌繁殖再生。

7）遷移操作

生成一個隨機概率，將其與固定遷移概率ed比較，若小于ed就執行遷移，否則保持原位置不變。

8）循環結束

輸出適應度值最小的細菌對應的和，作為最優的SVM參數。

9）利用最優SVM參數建立BFO-SVM模型。

4 實驗過程及結果分析

本文以Matlab R2018a為運行環境，以Libsvm 3.24為工具對樣本訓練、驗證和測試。實驗流程如圖7所示。

圖7 基于SURF和BFO-SVM的局放類型識別流程

為了驗證本文算法在局部放電模式識別中的效果，在相同的實驗數據下，采用多種特征提取及分類識別的組合方法進行對比實驗。本文共用到如下幾種特征提取及分類方法：

1）特征提取方法：BoF-SURF特征、灰度梯度共生矩陣（Gray Level-gradient Co-occurrence Matrix, GLCM）。

2）不同智能算法優化SVM：遺傳算法（Genetic Algorithm, GA）優化SVM、粒子群（Particle Swarm Optimization, PSO）算法優化SVM、BFO優化SVM。

四種不同組合方法編號見表1。

表1 不同特征提取及分類組合方法

Tab.1 Different combination methods of feature extraction and classification

4.1 含噪PD譜圖特征提取及分類

將1.2節構造的五種SNR等級的含噪局放PRPS譜圖作為數據樣本，從中隨機挑選500組數據。其中280組數據作為訓練集，100組作為驗證集，120組作為測試集。迭代次數為200次。分別計算不同SNR和不同算法對局放類型的識別效果。識別結果見表2和圖8。

表2 不同算法在不同SNR下的總體分類準確率

Tab.2 Classification accuracy of different algorithms under different SNR

圖8 不同信噪比下不同算法的識別準確率

SVM尋優區間設置為2-6＜＜26，2-6＜＜26。BFO算法中的種群參數設置如下：種群規模=20，尋優空間維度=2，e=20，re=5，ed=2，ed=0.25，1=0.1，1=0.2，2=10，2=0.1。

由表2和圖8可以看出，在保持PRPS圖像預處理方法及SVM參數尋優迭代次數一致的情況下，本文所提算法識別率均明顯優于其他算法。首先分析特征提取方法對分類結果的影響。在局放信號強度較大時，由于缺陷類型典型，不同的圖像提取方法的識別效果均達到97%以上，SURF特征提取方法的識別效果略有優勢。隨著白噪聲幅值的增加，各算法整體識別準確率逐漸下降。由于典型局放數據中疊加了不同程度的干擾數據，產生信號的混疊和遮擋現象，而SURF作為一種魯棒性較強的局部特征點描述子，能較為精準地提取未混疊部分的局部特征，因此可在一定程度上解決目標遮擋問題，使分類準確率得到提升。對于SVM分類器優化方面，本文BFO算法在趨化過程中采用自適應步長，改善了固定步長對尋優能力的局限，同時結合繁殖、遷徙的優點，有效地避免細菌陷入局部極小值，增強了算法的魯棒性，使其能夠在有限的迭代次數內尋得全局最優解。在信噪比為-10.5dB時，本文算法依然能達到89.2%的準確率。上述結果表明，本文所提算法具有較強的抗干擾能力和類型識別能力。

4.2 抗干擾性能評估

實際局放信號檢測環境中存在多種噪聲干擾，為了進一步評估和驗證本文算法的性能，在單源局放數據中隨機疊加1.3節采集的典型干擾數據，形成染噪的局放數據，以模擬現場測試環境。局放信號與典型干擾信號的PRPS譜圖疊加方式如圖9所示。染噪局放信號的信噪比為-4dB。部分染噪局放PRPS譜圖如圖10所示。

圖10 部分染噪局放PRPS譜圖

隨機抽取400組染噪局放數據和40組實際干擾數據，生成含440組數據的樣本庫，其中160組作為訓練集，60組作為驗證集，220組作為測試集。為了提高模型的抗干擾能力，將典型干擾數據單獨作為一類輸入分類器中。識別目標共包括五類，分別為金屬尖端放電、自由金屬微粒放電、懸浮電位放電、固體絕緣氣隙放電和干擾信號。不同算法的總體分類準確率對比結果見表3。

由表3可見，SURF算法能夠有效地提取出染噪局放數據的特征信息，其識別準確率明顯優于GLCM特征提取方法。在分類器方面，相比于GA、PSO算法，通過BFO獲取的SVM最優參數能更好地區分不同類別。綜上所述，本文算法具有較高的分類準確度和較強的抗干擾能力。本文所提算法的總體識別準確率較其他特征提取及分類方法提高了11%～14%。

表3 不同算法的總體分類準確度

Tab.3 Classification accuracy of different algorithms

5 結論

針對含噪局部放電信號的診斷問題，本文提出了一種基于SURF和BFO-SVM的局部放電模式識別方法。

1）SURF算法能夠有效提取含噪局部放電PRPS譜圖的特征信息，避免了傳統特征提取過程中繁瑣的模式構造及降噪步驟。

2）采用BFO算法優化SVM參數，同時在BFO的趨化操作中引入自適應步長，避免細菌陷入局部極小值，提高了SVM分類準確率。

3）與其他圖像特征提取方法及傳統SVM優化算法相比，本文算法在高幅值白噪聲背景及典型脈沖型干擾環境中具有較強的抗干擾能力及較好的識別效果，總體分類準確率較其他算法提高了11%～14%。

[1] 張連根, 路士杰, 李成榕, 等. GIS中線形和球形金屬微粒的運動行為和危害性[J]. 電工技術學報, 2019, 34(20): 4217-4225.

Zhang Liangen, Lu Shijie, Li Chengrong, et al. Motor behavior and hazard of spherical and liner particle in gas insulated switchgear[J]. Transactions of China Electrotechnical Society, 2019, 34(20): 4217-4225.

[2] 唐志國, 唐銘澤, 李金忠, 等. 電氣設備局部放電模式識別研究綜述[J]. 高電壓技術, 2017, 43(7): 2263-2277.

Tang Zhiguo, Tang Mingze, Li Jinzhong, et al. Review on partial discharge pattern recognition of electrical equipment[J]. High Voltage Engineering, 2017, 43(7): 2263-2277.

[3] 朱煜峰, 許永鵬, 陳孝信, 等. 基于卷積神經網絡的直流XLPE電纜局部放電模式識別技術[J]. 電工技術學報, 2020, 35(3): 659-668.

Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.

[4] Rudd S, McArthur S D, Judd M D. A generic knowledge-based approach to the analysis of partial discharge data[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2010, 17(1): 149-156.

[5] 臧奕茗, 王輝, 錢勇, 等. 基于三維光學指紋和NPSO-KELM的GIL局部放電定位方法[J]. 中國電機工程學報, 2020, 40(20): 6754-6764.

Zang Yiming, Wang Hui, Qian Yong, et al. GIL partial discharge localization method based on 3D optical fingerprint and NPSO-KELM[J]. Proceedings of the CSEE, 2020, 40(20): 6754-6764.

[6] 鄧冉, 朱永利, 劉雪純, 等. 基于變量預測-谷本相似度方法的局部放電中未知類型信號識別[J]. 電工技術學報, 2020, 35(14): 3105-3115.

Deng Ran, Zhu Yongli, Liu Xuechun, et al. Pattern recognition of unknown types in partial discharge signals based on variable predictive model and tanimoto[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3105-3115.

[7] 律方成, 金虎, 王子建, 等. 基于主成分分析和多分類相關向量機的GIS局部放電模式識別[J]. 電工技術學報, 2015, 30(6): 225-231.

Lü Fangcheng, Jin Hu, Wang Zijian, et al. GIS partial discharge pattern recognition based on principal component analysis and multiclass relevance vector machine[J]. Transactions of China Electrotechnical Society, 2015, 30(6): 225-231.

[8] 秦雪, 錢勇, 許永鵬, 等. 基于2D-LPEWT的特征提取方法在電纜局部放電分析中的應用[J]. 電工技術學報, 2019, 34(1): 170-178.

Qin Xue, Qian Yong, Xu Yongpeng, et al. Application of feature extraction method based on 2D-LPEWT in cable partial discharge analysis[J]. Transactions of China Electrotechnical Society, 2019, 34(1): 170-178.

[9] 高佳程, 朱永利, 鄭艷艷, 等. 基于VMD-WVD分布與堆棧稀疏自編碼網絡的局放類型識別[J]. 中國電機工程學報, 2019, 39(14): 4118-4129.

Gao Jiacheng, Zhu Yongli, Zheng Yanyan, et al. Pattern recognition of partial discharge based on VMD-WVD and SSAE[J]. Proceedings of the CSEE, 2019, 39(14): 4118-4129.

[10] Majidi M, Fadali M S, Etezadi-Amoli M, et al. Partial discharge pattern recognition via sparse representation and ANN[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2015，22(2): 1061-1070.

[11] 宋輝, 代杰杰, 張衛東, 等. 復雜數據源下基于深度卷積網絡的局部放電模式識別[J]. 高電壓技術, 2018, 44(11): 3625-3633.

Song Hui, Dai Jiejie, Zhang Weidong, et al. Partial discharge pattern recognition based on deep convolutional neural network under complex data sources[J]. High Voltage Engineering, 2018, 44(11): 3625-3633.

[12] 劉宇舜, 程登峰, 夏令志, 等. 基于單通道盲源分離算法的局部放電特高頻信號去噪方法[J]. 電工技術學報, 2018, 33(23): 5625-5636.

Liu Yushun, Cheng Dengfeng, Xia Lingzhi, et al. Partial discharge ultra-high frequency signal de-noising method based on single-channel blind source separation algorithm[J]. Transactions of China Electrotechnical Society, 2018, 33(23): 5625- 5636.

[13] Tang Ju, Jin Miao, Zeng Fuping, et al. Assessment of PD severity in gas-insulated switchgear with an SSAE[J]. IET Science, Measurement & Technology, 2016, 11(4): 423-430.

[14] Sriram S, Nitin S, Parbhu K M M, et al. Signal denoising techniques for partial discharge measurements[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2005, 12(6): 1182-1191.

[15] 錢勇, 黃成軍, 陳陳, 等. 多小波消噪算法在局部放電檢測中的應用[J]. 中國電機工程學報, 2007, 27(6): 89-95.

Qian Yong, Huang Chengjun, Chen Chen, et al. Application of multi-wavelet based on denoising algorithm in partial discharge detection[J]. Proceedings of the CSEE, 2007, 27(6): 89-95.

[16] 謝軍, 劉云鵬, 劉磊, 等. 局放信號自適應加權分幀快速稀疏表示去噪方法[J]. 中國電機工程學報, 2019, 39(21): 6428-6439.

Xie Jun, Liu Yunpeng, Liu Lei, et al. A partial discharge signal denoising method based on adaptive weighted framing fast sparse representation[J]. Proceedings of the CSEE, 2019, 39(21): 6428-6439.

[17] Raymond W J K, Illias H A, Abu Bakar A H. High noise tolerance feature extraction for partial discharge classification in XLPE cable joints[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, 24(1): 66-74.

[18] 萬曉琪, 宋輝, 羅林根, 等. 卷積神經網絡在局部放電圖像模式識別中的應用[J]. 電網技術, 2019, 43(6): 2219-2226.

Wan Xiaoqi, Song Hui, Luo Lingen, et al. Application of convolutional neural networks in pattern recognition of partial discharge image[J]. Power System Technology, 2019, 43(6):2219-2226.

[19] 魏振, 齊波, 左健, 等. 基于局部放電圖像特征的換流變壓器油紙絕緣缺陷診斷方法[J]. 電網技術, 2015, 39(4): 1160-1166.

Wei Zhen, Qi Bo, Zuo Jian, et al. A method to diagnose defects in oil-paper insulation of converter transformer based on image feature of partial discharge[J]. Power System Technology, 2015, 39(4): 1160-1166.

[20] 周沙, 景亮. 基于矩特征與概率神經網絡的局部放電模式識別[J]. 電力系統保護與控制, 2016, 44(3): 98-102.

Zhou Sha, Jing Liang. Pattern recognition of partial discharge based on moment features and probabilistic neural network[J]. Power System Protection and Control, 2016, 44(3): 98-102.

[21] Satish L, Nazneen B. Wavelet-based denoising of partial discharge signals buried in excessive noise and interference[J]. IEEE Transactions on Industrial Electronics, 2003, 14(1): 3-14.

[22] Karimi M, Majidi M, MirSaeedi H, et al. A novel application of deep belief networks in learning partial discharge patterns for classifying corona, surface, and internal discharges[J]. IEEE Transactions on Industrial Electronics, 2019, 67(4): 3277-3287.

[23] Bay H, Ess A, Tuytelaars T, et al. Speeded-up robust features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.

[24] 劉翠響, 李敏, 張鳳林. 基于詞包模型和SURF局部特征的人臉識別[J]. 河北大學學報(自然科學版) , 2017, 37(4): 411-418.

Liu Cuixiang, Li Min, Zhang Fenglin. Face recognition based on BOW and SURF local features[J]. Journal of Hebei University (Natural Science Edition), 2017, 37(4): 411-418.

[25] 李康順, 王福濱, 張麗霞, 等. 基于改進BOF算法的圖像識別和分類[J]. 中南大學學報(自然科學版), 2016, 47(5): 1599-1605.

Li Kangshun, Wang Fubin, Zhang Lixia, et al. Image recognition and classification based on improved BOF algorithm[J]. Journal of Central South University (Science and Technology), 2016, 47(5): 1599-1605.

[26] 邱志斌, 阮江軍, 黃道春, 等. 基于支持向量機的棒-板空氣間隙擊穿電壓預測方法及其應用[J]. 電工技術學報, 2017, 32(19): 220-228.

Qiu Zhibin, Ruan Jiangjun, Huang Daochun, et al. Breakdown voltage prediction method of rod-plane air gaps based on support vector machine and its applications[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 220-228.

[27] Passino K M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE Control Systems Magazine(S0272-1708), 2002, 22(3): 52-67.

[28] 商立群, 朱偉偉. 基于全局學習自適應細菌覓食算法的光伏系統全局最大功率點跟蹤方法[J]. 電工技術學報, 2019, 34(12): 2606-2614.

Shang Liqun, Zhu Weiwei. Photovoltaic system global maximum power point tracking method based on the global learning adaptive bacteria foraging algorithm[J]. Transactions of China Electrotechnical Society, 2019, 34(12): 2606-2614.

Pattern Recognition of Partial Discharge in the Presence of Noise Based on Speeded up Robust Features

Li Ze1Wang Hui1Qian Yong1Huang Rui2Cui Qihui2

（1. Department of Electrical Engineering Shanghai Jiao Tong University Shanghai 200240 China 2. State Grid Shandong Electric Power Company Jinan 250001 China）

Due to the complex environmental impacts, the patrial discharge (PD) data obtained at substation always contain lots of noisy signals. To improve the accuracy of PD recognition, a PD pattern recognition method based on speeded up robust features (SURF) and improved support vector machine (BFO-SVM) is proposed. Contaminated PD data were made by fusing the pure PD data with noise and the phase resolved pulse sequence (PRPS) patterns were constructed. Then the SURF algorithm was used to extract the feature points and feature descriptors of the PRPS grayscale images automatically. After that, visual word frequency features of different PD types were generated by using bag-of-words and K-means clustering method. The features were input into the BFO-SVM classifier, and the recognition results were contrasted with those acquired from the gray gradient co-occurrence matric (GLCM) and the traditional SVM optimization algorithm. Results show that the algorithm has high recognition accuracy and strong anti-interference ability under high-amplitude white noise background and typical interference environment. The finding results can be used as reference for PD detection and identification on the spot.

Partial discharge, feature extraction, speeded up robust features(SURF), bacterial foraging optimization algorithm, support vector machine

10.19595/j.cnki.1000-6753.tces.210018

TM85

國家自然科學基金資助項目（62075045）。

2021-01-07

2021-03-15

李 澤 女，1997年生，博士研究生，研究方向電力設備局部放電狀態監測與智能化。E-mail：lize123@sjtu.edu.cn

王 輝 男，1982年生，博士，研究方向電力設備絕緣狀態診斷與在線監測技術。E-mail：wanghui8203@sjtu.edu.cn（通信作者）

（編輯 赫蕾）