基于多尺度熵和支持向量機(jī)的局部放電模式識(shí)別

呂　霞， 呂德剛， 呂　進(jìn)

(1．內(nèi)蒙古電力集團(tuán)(有限)責(zé)任公司 阿拉善電業(yè)局，阿拉善巴彥浩特　750306；

2．上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上?！?0000)

?

基于多尺度熵和支持向量機(jī)的局部放電模式識(shí)別

呂霞1， 呂德剛1， 呂進(jìn)2

(1．內(nèi)蒙古電力集團(tuán)(有限)責(zé)任公司 阿拉善電業(yè)局，阿拉善巴彥浩特750306；

2．上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海20000)

摘要:為了準(zhǔn)確、可靠地有效識(shí)別電力變壓器中絕緣劣化的嚴(yán)重程度和局部放電的位置，本文提出一種基于多尺度熵特征提取方法，采用支持向量機(jī)對(duì)放電類型進(jìn)行模式識(shí)別。首先，利用多尺度熵對(duì)放電信號(hào)從定性和定量兩個(gè)角度有效提取特征放電信號(hào)特征量；其次，將獲得的特征信號(hào)輸入支持向量機(jī)對(duì)放電類型進(jìn)行模式識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法可以有效提取局部放電信號(hào)特征量。

關(guān)鍵詞:局部放電； 多尺度熵； 支持向量機(jī)； 特征提取； 模式識(shí)別

0引言

電力變壓器是電網(wǎng)系統(tǒng)中最重要的設(shè)備，它的運(yùn)行狀態(tài)直接影響整個(gè)系統(tǒng)的安全性與經(jīng)濟(jì)性，良好的絕緣狀況是電力變壓器的安全運(yùn)行所必需的，局部放電會(huì)導(dǎo)致變壓器絕緣退化[1-3]。有效區(qū)分局部放電有助于確定絕緣惡化的嚴(yán)重程度和局部放電的位置，對(duì)檢修電力變壓器具有重要的指導(dǎo)意義。

確定局部放電的關(guān)鍵步驟是提取放電特征量，即針對(duì)放電信號(hào)所包含的信息進(jìn)行深入挖掘，從中提取能夠有效區(qū)分不同放電類型的特征信息。由于局部放電信號(hào)是典型的暫態(tài)、非平穩(wěn)信號(hào)[4-6]，比較微弱，波形易受噪聲干擾影響，對(duì)采集信號(hào)要求高，目前提出的普通提取法很難準(zhǔn)確提取出表征波形特征的特征量，且物理意義不明確，在實(shí)際應(yīng)用中受到一定的限制[7]。

多尺度熵(Multiscale Entropy，MSE)方法是由Costa等人于2002年提出的一種非線性特征分析方法[8-10]，是在不同尺度因子下對(duì)時(shí)間序列的復(fù)雜性和無規(guī)則水平的度量，現(xiàn)已應(yīng)用到生理時(shí)間序列的分析、電機(jī)主軸偏心故障檢測、復(fù)合銑削過程動(dòng)力學(xué)分析等領(lǐng)域[11]。該方法既可以從整體上衡量信號(hào)的復(fù)雜度，又可以從不同尺度上發(fā)掘深層次的細(xì)節(jié)特征，從定性和定量兩個(gè)角度有效辨識(shí)不同類型的信號(hào)[12]。

支持向量機(jī)(Support Vector Machine，SVM)是在1963年提出的分類技術(shù)[13]，主要應(yīng)用于模式識(shí)別統(tǒng)計(jì)學(xué)習(xí)理論。在解決小樣本、非線性及高維模式識(shí)別具有獨(dú)特的優(yōu)點(diǎn)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。現(xiàn)在該算法主要被應(yīng)用在石油測井中利用測井資料預(yù)測地層孔隙度及粘粒含量、天氣預(yù)報(bào)工作及變壓器放電信號(hào)識(shí)別等[14]。

本文提出一種基于多尺度熵特征提取方法，對(duì)放電信號(hào)進(jìn)行特征提取，并將得到的特征量輸入支持向量機(jī)對(duì)放電類型進(jìn)行模式識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文所提方法可以有效提取局部放電信號(hào)特征量。

1基于多尺度熵理論的放電信號(hào)特征提取

輸變電設(shè)備中產(chǎn)生的局部放電信號(hào)是快速變化的非平穩(wěn)信號(hào)，其有差異的放電類型或放電強(qiáng)度在不同時(shí)間尺度上表現(xiàn)為不同的復(fù)雜性。當(dāng)輸變電設(shè)備沒有發(fā)生局部放電時(shí)，伴隨著設(shè)備本體周期性的振動(dòng)，加之外界干擾因素的影響，使得采集到的信號(hào)隨機(jī)性強(qiáng)，在不同時(shí)間尺度上具有較高的復(fù)雜性；當(dāng)輸變電設(shè)備發(fā)生局部放電時(shí)，會(huì)產(chǎn)生脈沖，且不同類型的放電所產(chǎn)生脈沖規(guī)律不同，此時(shí)局部放電信號(hào)的復(fù)雜度降低[15]。

鑒于多尺度熵既可以從整體上表征信號(hào)的復(fù)雜性，又能從不同的時(shí)空尺度來揭示信號(hào)的細(xì)節(jié)特性。因此，可用來分析局部放電信號(hào)的復(fù)雜性特征，并以此為依據(jù)來判斷不同的放電類型。假設(shè)原始數(shù)據(jù)為X={x1,x2,…,xN}，則MSE的具體計(jì)算過程如下。

步驟1：粗?；?coarsegraining)處理。將原始數(shù)據(jù)轉(zhuǎn)換成互不交疊的長為τ的窗，對(duì)窗內(nèi)的序列取平均值得到τ尺度上的粗?；有蛄衶y(τ)}。每個(gè)元素yj(τ)可通過式(1)得到

(1)

每個(gè)粗粒化后的序列長度為原序列的長度除以τ。尺度τ=1對(duì)應(yīng)的時(shí)間序列{y(1) }是原時(shí)間序列。

步驟2：計(jì)算樣本熵值。對(duì)于粗粒化子序列{y(1)，y (2)，…，y (M)}，M為序列長度，其樣本熵計(jì)算如下：

1)給定模式維數(shù)m，由原始序列構(gòu)成m維數(shù)矢量

Y(i)=[yi(τ),yi+1(τ),…,yi+m-1(τ)],1≤i≤M-m

(2)

2)定義Y(i)和Y(j)之間的距離

(3)

其中,1≤i≤N-m，j≠i。

(4)

(5)

4)m←m+1，重復(fù)(1)～(3)，得到Bm+1(r)。

5)理論上，此序列的樣本熵為

(6)

當(dāng)N取有限值時(shí)，取SampEn預(yù)計(jì)值為

(7)

根據(jù)(2)～(7)式計(jì)算每一個(gè)尺度序列的樣本熵，即建立了以尺度τ為自變量，以樣本熵為因變量的函數(shù)，如式(8)所示，可用于分析該信號(hào)時(shí)間序列的復(fù)雜度。

MSE(X)=SampEn(y(τ),m,r)

(8)

顯然，多尺度熵與尺度因子τ，嵌入維數(shù)m和相似容限r(nóng)這三個(gè)參數(shù)有關(guān)，本文選取m=2，r=0.1σ，其中σ為原始序列的標(biāo)準(zhǔn)差。

2支持向量機(jī)

2.1支持向量機(jī)介紹

支持向量機(jī)(SVM)具有解決小樣本、非線性和高維模式識(shí)別分類方法的優(yōu)點(diǎn)，它是基于有限的樣本數(shù)據(jù)在模型中找到推廣能力和學(xué)習(xí)誤差模型之間的最佳平衡，以獲得良好的泛化能力[16]。

支持向量機(jī)基本思想是找到一個(gè)超平面(hyperplane)，使其分離兩類數(shù)據(jù)點(diǎn)，并使分離后兩類數(shù)據(jù)點(diǎn)距離超平面最遠(yuǎn)。支持向量機(jī)就是在訓(xùn)練樣本集的條件下T={(xi,yi),i=1,…,l}∈(Rn×Y)l，其中xi∈Rn,yi∈Y={1,-1}，i=1,…,l的情況下，構(gòu)造超平面將兩類樣本采樣點(diǎn)分開的過程。其中，樣本中離超平面(w·x)+b=0最近的點(diǎn)到超平面的距離稱為間隔(margin)，如圖1所示。

圖1　最優(yōu)分類超平面

2.2支持向量機(jī)算法

定義分類平面d(x)=ωTx+b=0,ω∈Rn,b∈R，該分類平面能夠?qū)⒕€性可分訓(xùn)練樣本集(x1,y1)，…，(xn,yn)，x∈Rn，y∈{+1,-1}精確分開，并通過平面獲得的正負(fù)邊緣最大化樣品之間的隔離，則得到超平面為：

yi(ωTxi+b)≥1,i=1,2,…,N

正反樣本距分類超平面的距離，即分類間隔為:

(9)

因此，如何構(gòu)造最佳分類超平面就轉(zhuǎn)化成求解最大分類間隔問題，即為最小時(shí):

(1)政府方面。農(nóng)村健康教育是不容忽視的,是中國健康教育最基本的特色,是符合中國國情的,積極發(fā)揮政府職能,探索將健康教育納入公共衛(wèi)生、醫(yī)療保險(xiǎn)統(tǒng)籌報(bào)銷范圍;完善相關(guān)制度,增強(qiáng)農(nóng)村留守老人關(guān)愛工作。

(10)

利用不等式約束條件極值方法求解，有:

(11)

式中，αi≥0是拉格朗日(Lagrange)算子。

分別對(duì)式(11)中的w，b求偏導(dǎo)數(shù)，并求最小值，然后將其轉(zhuǎn)化成對(duì)偶問題:

(12)

約束下對(duì)αi求解下列函數(shù)最大值:

(13)

(14)

綜上，最優(yōu)分類函數(shù)為:

(15)

(16)

核分類函數(shù)表示為:

(17)

3實(shí)驗(yàn)分析與結(jié)果

3.1基于多尺度熵的放電信號(hào)特征提取

本文對(duì)電暈、尖對(duì)板、板對(duì)板和懸浮四種局部放電模型進(jìn)行局部放電信號(hào)的檢測，并用本文所提方法對(duì)放電信號(hào)進(jìn)行特征提取和模式識(shí)別。其中，每種類型樣本均取50個(gè)。四種類型放電信號(hào)時(shí)域波形分別如圖2所示。

(a)電暈放電 (b)多尖對(duì)板放電

(c)板對(duì)板放電 (d)懸浮放電圖2　4種類型放電信號(hào)的時(shí)域波形

分別對(duì)所測不同類型的放電信號(hào)采用多尺度熵的方法進(jìn)行特征提取，時(shí)間尺度為τ=20，四種類型放電信號(hào)的多尺度熵如圖3所示。由圖3可得，不同類型的放電類型在時(shí)間相同尺度下會(huì)表現(xiàn)出不同的復(fù)雜度，可以根據(jù)這個(gè)特點(diǎn)對(duì)不同類型的放電信號(hào)進(jìn)行模式識(shí)別。

(a)電暈放電(b)多尖對(duì)板放電

(c)板對(duì)板放電 (d)懸浮放電圖3　4種類型的放電信號(hào)多尺度熵

3.2基于支持向量機(jī)的放電類型模式識(shí)別

選取電暈放電、多尖對(duì)板放電、板對(duì)板放電和懸浮放電4種放電類型共200個(gè)樣本，從所有樣本隨機(jī)抽取150組數(shù)據(jù)用于SVM網(wǎng)絡(luò)訓(xùn)練，剩余50組數(shù)據(jù)作為測試向量組，識(shí)別結(jié)果如表1所示。由表1可以看出，放電類型識(shí)別正確率均達(dá)到了85%以上，平均識(shí)別達(dá)到88.2%，說明本文所提方法可以有效識(shí)別局部放電類型。

表1　以多尺度熵為特征量的識(shí)別結(jié)果

4結(jié)論

局部放電信號(hào)模式識(shí)別中，本文提出的以MSE-SVM作為特征量識(shí)別正確率放電類型識(shí)別正確率均達(dá)到了85%以上，平均識(shí)別達(dá)到88.2%，說明本文所提方法可以有效識(shí)別局部放電類型，具有較高的診斷準(zhǔn)確性和更好的實(shí)用性。

參考文獻(xiàn)：

[1]王國利,郝艷捧.電力變壓器局部放電檢測技術(shù)的現(xiàn)狀和發(fā)展[J].電工電能新技術(shù), 2001, 20(2)：52-57.

[2]李燕青,陳志業(yè).超聲波法進(jìn)行變壓器局部放電模式識(shí)別的研究[J].中國電機(jī)工程學(xué)報(bào), 2003, 23(2)：108-111.

[3]郭俊,吳廣寧,張血琴,等.局部放電檢測技術(shù)的現(xiàn)狀和發(fā)展[J].電工技術(shù)學(xué)報(bào), 2005, 20(2)：29-35.

[4]蕭寶瑾,安永東,龔澤云,等.變壓器局部放電在線監(jiān)測技術(shù)的改進(jìn)[J].電子測量技術(shù),2012,35(3):132-135.

[5]肖燕,黃成軍,郁惟鏞,等.基于小波和分形分析的GIS局部放電信號(hào)特征提取[J].電力系統(tǒng)自動(dòng)化,2006,30(6):66-69.

[6]X Yan,H Cheng-jun,Y U Wei-yong,et al.Signal Characteristic Extraction of Partial Discharge in GIS Based on Wavelet and Fractal Analysis[J].AUTOMATION OF ELECTRIC POWER SYSTEMS,2006,30(6)：66-69(in Chinese).

[7]陳慧,張磊,熊國良,等.滾動(dòng)軸承的MSE和PNN故障診斷方法[J].噪聲與振動(dòng)控制,2014,(6)：169-173.

[8]C Hui,Z Lei,X Guo-liang,et al.Fault Diagnosis of Rolling Bearings Using MSE and PNN[J].Noise and Vibration Control,2014,6：169-173(in Chinese).

[9]尚海昆,徐揚(yáng),苑津莎,等.基于主動(dòng)學(xué)習(xí)SVM的變壓器局部放電模式識(shí)別[J].華北電力大學(xué)學(xué)報(bào),2013,40(4)：27-31.

[10]鄭近德,程軍圣,楊宇.基于多尺度熵的滾動(dòng)軸承故障診斷方法[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版,2012,39(5)：38-41.

[11]李莉,朱永利,宋亞奇.多尺度熵在變壓器振動(dòng)信號(hào)特征提取中的應(yīng)用[J].振動(dòng)、測試與診斷,2015,35(4)：757-762.

[12]張坤,郝偉,郝旺身,等.基于小波去噪和MSE的滾動(dòng)軸承故障診斷[J].煤礦機(jī)械,2015,9：126.

[13]楊松山,周灝,趙海洋,等.基于LMD多尺度熵與SVM的往復(fù)壓縮機(jī)軸承故障診斷方法[J].機(jī)械傳動(dòng),2015,2：042.

[14]Haghiri S,Moharramzadeh S,Nahvi A,et al.Modeling the Jar Test Experiments Using Artificial Neural Networks to Predict the Optimum Coagulant[J].

[15]Zhi Y,Min D.基于可能性理論的模糊支持向量分類機(jī)[J].模式識(shí)別與人工智能,2007，20(1)：7-14.

[16]何濤,谷朝臣,胡潔.基于支持向量機(jī)的肌電信號(hào)小波特征分類解碼[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，43：207-210.

Partial discharge pattern recognition based on multiscale entropy and support vector machine

LV Xia1，LV De-gang1,LV Jin2

(1.InnerMongoliaElectricPowerGroup(LimitedLiability)CompanyofLaShanPower,LaShanBayanHaot750306,China;2.UniversityofShanghaiforScienceandTechnologySchoolofOptical-ElectricalandComputerEngineering,Shanghai20000,China)

Abstract:In order to identify power transformers insulation deterioration severity and location of partial discharge accurately and reliably, this paper proposes a method based on Multiscale Entropy (ME) extraction characteristics, using Support Vector Machine (SVM ) pattern recognition discharge. First, using multi-scale entropy extract effectively discharge signal feature from qualitative and quantitative point of view; secondly, and the resulting characteristics of the signal input discharge type SVM pattern recognition. Experimental result shows that this method can effectively extract the partial discharge signal feature.

Keywords:Partial discharge; Multiscale entropy; Support vector machine; Feature extraction; Pattern recognition

中圖分類號(hào)：TM411

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-9383(2016)01-0007-07

作者簡介:呂霞(1987-)，女，寧夏石嘴山人，碩士.研究方向?yàn)檩斪冸娫O(shè)備故障診斷.E-mail：839983153@qq.com

收稿日期：2015-10-31