基于最小二乘支持向量機的局部放電信號的識別

孟穩

（鎮江高等?？茖W校，江蘇鎮江212000）

基于最小二乘支持向量機的局部放電信號的識別

孟穩

（鎮江高等?？茖W校，江蘇鎮江212000）

為提高小樣本情況下識別局部放電信號的正確率，采用最小二乘支持向量機（LSSVM）對局部放電信號進行識別，利用網格搜索法先進行粗略搜索，再精細搜索參數，進行參數尋優。采用M-ary方法進行多分類。并采用LSSVM和BP神經網絡兩種分類器對局部放電信號進行識別，識別結果表明，LSSVM識別率比BP要高。該方法在小樣本情況下具有更高的識別率。

局部放電信號；最小二乘支持向量機；識別

變壓器是電力系統的樞紐性設備，其可靠安全的運行決定了電力系統的可靠性。絕緣老化是變壓器發生故障的主要原因，而局部放電是變壓器絕緣劣化的先兆及表現形式，所以對變壓器局部放電信號的研究有著重要意義。

近年來，人工智能算法已經廣泛地應用于局部放電信號的識別中，可以有效地識別局部放電的類型。BP神經網絡雖然因其自學能力強和較強非線性映射能力在局部放電模式識別中應用廣泛，但對初始權值和閾值的選取敏感、需要大量訓練樣本、容易陷入局部極小點、訓練周期長、算法收斂速度慢、效率低等缺點，尤其是當局部放電信號的樣本數目不足夠多時，很難獲得較為理想的學習效果。針對這些問題，本文采用最小二乘支持向量機識別局部放電類型。

1最小二乘支持向量機算法

1.1 最小二乘支持向量機

LSSVM把SVM中的不等式約束條件轉化成等式約束形式，采用最小二乘線性組合作為經驗損失函數，使求解速度相對加快。

設有l個數據樣本的訓練集合（xi，yi）（i=1，2，…，l），其中，輸入xi∈Rn，輸出數據yi屬于R.可以通過高維特征空間中的線性函數對樣本集進行擬合，樣本集從輸入空間通過非線性映射到高維空間，在高維特征空間中構造的線性決策函數為：y（x）=sgn（f（x）），函數f（x）表示為：

式中：φ（·）表示輸入空間到特征空間的映射，w為權重，b為偏差項。

求解LSSVM分類問題的最優化問題的目標函數：

式中：ξi為松弛變量，C為正規劃參數。

為了解決上述最優化問題，把約束優化的問題轉換成無約束的優化問題，建立Lagrange函數：

式中：ai為Lagrange乘子，根據KKT條件，然后消去w和ξi，結合Mercer條件后，可以得到下面矩陣方程：

LSSVM的分類決策函數為：

式中：ai和b是線性矩陣方程組的解，K（x，xi）為核函數，因為高斯核函數可以使LSSVM有較好的性能和推廣能力。因此，本文采用該核函數：

LSSVM的正則化參數和核函數中的參數決定了LSSVM學習和泛化能力。

1.2 LSSVM參數尋優

最優參數尋優通常采取網格搜索算法，針對傳統的網格搜索算法得到的多數參數組所對應的分類準確率非常低，只有在一個相對比較小的區間內其分類準確率高，很浪費時間。本文采取先粗略搜索，選取最佳參數（C，g），即得到局部最優參數。然后，在該（C，g）附近選取個區間較小的，采用小步長進行第二次精細搜索，從而得到最優參數。

2變壓器局部放電信號特征量的提取

文按照CMII標準制備了三種典型的人工絕緣缺陷模型[1]：氣隙放電模型、沿面放電模型和電暈放電模型。通過局部放電實驗[2]采集該三種人工絕緣缺陷模型的放電信號，每種放電模型的采集的信號樣本數為90個。

局部放電信號通過經驗模特分解可以得到若干個頻率由高到低的本征模態分量（IMF），其過程是自適應。通過分析可知，不同種類的局部放電信號其模態分量差異較大，可以提取本征模態的特征參數作為特征量。利用模態分量的分形特征，提取局部放電信號的特征信息。除此之外，提取分形特征可以大大地減少特征提取量。所以可以通過計算含有主要信息的本征模態函數的分形維數，從而提取不同局部放電信號的分形特征。

本文采用改進差盒計數方法[3]計算包含局部放電信號的主要信息的本征分量的分維數，可以獲得特征向量。為了后面更好地處理信號，所以對局部放電信號的IMF分量的分形維數進行歸一化處理。三種局部放電信號主要IMF分量的分維數計算結果如圖1所示。

圖1 三種放電信號本征模態分量的分維數

3 LSSVM在局部放電信號識別的應用

本文采用M-ary[4]分類方法進行多類別分類，識別3種局部放電類型，需要構造2個分類器。記S1為氣隙放電，S2為油中沿面放電，S3為油中電暈放電，則樣本標記如表1所示。

表1 兩個分類器的類別標識

由表1可知，測試時，若某一放電樣本數據在分類器1中標記為正，在分類器2標記為負，則分類結果為S2.三種測試樣本分類結果如表2所示。

表2 兩個分類器的識別結果

本文針對三種局部放電類型分別采集了90組放電信號，提取信號本征模態分量的奇異值特征量作為樣本，50組樣本用于訓練每個LSSVM子分類器，其余用來測試，并根據上述方法對其標記。同時采用相同的樣本，用BP神經網絡對變壓器局部放電信號進行識別，其識別結果如表3所示。

表3 局部放電信號識別結果

從表3中的結果可以看出：小樣本情況下，LSSVM的識別率高于BP神經網絡，LSSVM更能夠有效地識別局部放電信號。

4結束語

局部放電信號通過經驗模態分解，提取主要IMF分量的SVD作為特征量，采用BP和LSSVM兩種模型進行識別，LSSVM的識別率較高，并能克服BP神經網絡結構難確定、收斂速度慢以及需要大量樣本數據等問題，可以較好地解決樣本數據少、非線性分類識別等問題，有很好的推廣性。

[1]孫博.電力變壓器局部放電信號去噪及特征量提取方法研究[D].徐州：中國礦業大學，2014.

[2]李劍，王小維，金卓睿，等.變壓器局部放電超高頻信號多尺度網格維數的提取與識別[J].電網技術，2010，34（2）：159-163.

[3]金卓睿.變壓器局部放電超高頻監測分形天線與最優小波去噪及信號識別研究[D].重慶：重慶大學，2008.

[4]Sebald D J，Bucklew JA.Support vectormachines and the multiple hypothesis test problem[J].IEEE Transactions on Signal Processing，2001，49（11）：2865-2872.

Recognition of PartialDischarge Signals Based on LSSVM

MENGWen
（Zhenjiang College，Zhenjiang Jiangsu 212000，China）

In order to improve the correct rate of partial discharge pattern recognition under condition of small samples，the least square support vector machine（LSSVM）was used to recognize the partial discharge in this thesis.Grid search algorithm was adopted to realize parameter optimization by the way from roughly search to fine search.M-ary classification was used asmulti-classification.Partial discharge signals were classified by LSSVM and BP.The recognition rate by LSSVM is higher than that by BP.The method enables to detect a high recognition rate under condition of small samples.

partial discharge signals；LSSVM；pattern recognition

TM406

A

1672-545X（2016）12-0194-02

2016-09-18

孟穩（1990-），女，江蘇徐州人，碩士，助教，研究方向為控制科學與工程。