基于VMD和多尺度熵的變壓器內(nèi)絕緣局部放電信號特征提取及分類

賈亞飛　朱永利　王劉旺　李　莉

(新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))　保定　071003)

?

基于VMD和多尺度熵的變壓器內(nèi)絕緣局部放電信號特征提取及分類

賈亞飛朱永利王劉旺李莉

(新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))保定071003)

為了有效提取局部放電信號的特征，提出了一種基于變分模態(tài)分解(VMD)和多尺度熵(MSE)的特征向量提取方法，并采用BP神經(jīng)網(wǎng)絡(luò)分類器對放電類型進行識別。特征向量的提取過程是首先利用VMD分解算法對局部放電信號進行分解，得到數(shù)個有限帶寬的固有模態(tài)分量；然后分別計算分解得到的模態(tài)分量的MSE，將其組合得到初始特征向量；最后利用主成分分析法對初始特征向量進行降維處理。用該方法對實驗室條件下4種放電信號和不同放電程度的電暈放電進行特征提取及識別。結(jié)果表明，該方法能有效提取放電信號的特征，以其作為特征向量可以正確識別不同的放電類型和同種放電類型下的不同放電程度。

局部放電變分模態(tài)分解多尺度熵特征提取模式識別

0　引言

電力變壓器的健康狀況直接關(guān)系到整個電力系統(tǒng)的安全運行，而局部放電是變壓器絕緣劣化的重要征兆和表現(xiàn)形式[1]。變壓器發(fā)生放電后需要及時定位放電源、了解放電嚴重程度。目前，國內(nèi)外常用的局部放電定位手段主要有電氣定位[2]和超聲定位[3]。電氣定位法只能大致確定放電源的電氣位置，而不能確定其空間位置。因變壓器內(nèi)部結(jié)構(gòu)復(fù)雜，放電引起的聲波在多種介質(zhì)中傳播，會出現(xiàn)折反射、衰減和不同的傳播速度，故基于多超聲傳感器的空間定位結(jié)果僅能估計放電的大概位置，還無法確定變壓器的具體放電源。若在超聲定位后又能確定放電類型，則變壓器專家就可再根據(jù)內(nèi)部結(jié)構(gòu)推算可能的放電源。因此，有效識別局部放電類型對幫助變壓器維護人員最終確定放電位置具有重要作用。

局部放電信號是快速變化的非平穩(wěn)信號，其特征量的提取是放電模式識別的關(guān)鍵步驟，即對放電信號所包含的信息進行深入挖掘，從中提取能夠有效區(qū)分不同放電類型的特征信息，從而提高故障診斷的準確性。目前常用的放電信號特征提取方法有統(tǒng)計特征提取法[4，5]、分形特征提取法[6，7]、波形特征提取法[8，9]、圖像矩特征法[10，11]、小波特征法[12，13]等。上述特征提取方法雖然在一定程度上都能較好地提取出反映放電信號的特征，但還存在一些不足。統(tǒng)計特征提取方法需要樣本數(shù)量多，且得到的特征量維數(shù)較高，會出現(xiàn)信息冗余，對后續(xù)識別造成一定困難。分形特征提取法的分形維數(shù)計算受到信號長度和有效放電信號點數(shù)的影響[14]，并且所提取的特征量維數(shù)較高。波形特征提取法對采集信號準確度要求較高，難以準確提取表征非平穩(wěn)動態(tài)局部放電信號的特征量。圖像矩特征法計算復(fù)雜，且物理意義不明確，在實際應(yīng)用中受到一定限制。小波特征法計算特征量時很難選擇合適的小波基和分解層數(shù)。

熵是一種度量時間序列復(fù)雜性的方法。最初，S.M.Pincus[15]提出了近似熵，之后J.S.Richman等[16]提出了樣本熵。近似熵(Approximate Entropy，ApEn)是一種度量序列復(fù)雜性和統(tǒng)計量化的方法，但該算法比較的是數(shù)據(jù)和其自身，即包含自匹配，由于熵是新信息產(chǎn)生率的測度，所以比較數(shù)據(jù)和其自身毫無意義[17]。樣本熵(Sample Entrop，SpEn)是較ApEn改進的復(fù)雜度測試方法，具有穩(wěn)定估計值所需的數(shù)據(jù)短、抗噪聲和干擾能力強、在參數(shù)大取值范圍內(nèi)一致性好等特點，但其是衡量時間序列在單尺度上的復(fù)雜性，不足以刻畫局部放電信號表征出的多尺度復(fù)雜特性[17]。針對ApEn和SpEn算法中存在的不足，M.Costa等提出了多尺度熵(Multiscale Entropy，MSE)分析方法，即在不同尺度上提取時間序列的SpEn，既可以從整體上度量信號的復(fù)雜性，又可以從不同尺度上挖掘深層次的細節(jié)特征，從定性和定量兩個角度有效識別不同類型的信號[18]，與SpEn和ApEn相比具有明顯優(yōu)勢。目前以MSE作為特征量已經(jīng)廣泛應(yīng)用到機械故障診斷及生理信號識別等領(lǐng)域；文獻[18]將MSE引入機械設(shè)備故障診斷領(lǐng)域，充分利用其對機械振動信號多尺度復(fù)雜性的刻畫能力；文獻[19]提出了一種基于局部均值分解(Local Mean Decomposition，LMD)的MSE的特征量描述形式，以改進LMD方法對各狀態(tài)振動信號進行分解，利用MSE對各PF分量進行定量描述，得到了可分性良好的特征向量；文獻[20]提出基于經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)的MSE的腦電信號瞬態(tài)特征提取及定量描述方法，并且取得了較好的分類效果。

變分模態(tài)分解(Variational Mode Decomposition，VMD)是一種新的非遞歸、變分模態(tài)分解估計方法。該方法利用交替方向乘子法(Alternate Direction Method of Multipliers，ADMM)迭代搜索變分模型最優(yōu)解，令每個模態(tài)的估計帶寬之和最小，實現(xiàn)信號的自適應(yīng)分解，解決了EMD和LMD在遞歸模式分解過程中的模態(tài)混疊、對頻率相近的分量無法正確分離、受采樣頻率影響等缺點。VMD實質(zhì)上是多個自適應(yīng)維納濾波組，因而具有更好的噪聲魯棒性[21-23]。

由于局部放電隨機性較大，且放電信號含有噪聲，若僅采用MSE對其進行處理會影響特征量的準確性，同時為了解決EMD和LMD分解的抗擾性差和模態(tài)混疊等缺陷，本文結(jié)合MSE和VMD的優(yōu)勢，針對局部放電信號非線性、非平穩(wěn)的特點，提出了一種基于變分模態(tài)分解的MSE特征向量的瞬態(tài)特征提取及定量描述方法(VMD-MSE)。應(yīng)用VMD方法對信號進行分解得到模態(tài)分量，以MSE方法對得到的分解模態(tài)進行定量描述，形成特征向量，然后利用主成分分析法(Principle Component Analysis，PCA)對得到的特征向量進行降維處理，將其作為局部放電信號特征向量，利用分類器實現(xiàn)對不同放電類型的識別。

1　變分模態(tài)分解

VMD是一種新提出的自適應(yīng)和準正交的分解方法，可以將由多成分組成的信號分解成數(shù)個有限帶寬的固有模態(tài)(Band-Limited Intrinsic Mode Functions，BLIMFs)[18]，其中分解得到的模態(tài)均滿足文獻[24]提出的新的固有模態(tài)(IMFs)的定義，且以相應(yīng)的中心頻率為中心。VMD分解過程中，主要分為變分約束問題的建立和求解兩部分，其中變分約束問題建立的具體過程為：①每個模態(tài)通過Hilbert變換計算與之相關(guān)的解析信號；②對于每個模態(tài)，通過加入指數(shù)項調(diào)整各自估計的中心頻率，把模態(tài)的頻譜變換到基帶上；③通過對解調(diào)信號進行H1高斯平滑對帶寬進行估計；④得到一個變分約束問題，然后采用二次罰函數(shù)項和拉格朗日乘子算子得到一個無約束問題，如式(1)所示[25]，最后求解該問題。

(1)

式中，{u}為分解得到的K個模態(tài)分量，{u}={u1，…，uK}；{ω}為各模態(tài)分量的中心頻率，{ω}={ω1，…，ωK};k=1，2，3，…，K。

變分約束問題的求解就是在變分框架內(nèi)通過搜索約束變分模型最優(yōu)解來實現(xiàn)信號的自適應(yīng)分解，可以看做尋找K個模態(tài)函數(shù)uk(t)，令每個模態(tài)的估計帶寬之和最小，各模態(tài)之和等于輸入信號f(t)。為了求解上述約束變分問題的最優(yōu)解，將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次懲罰因子α和拉格朗日算子λ(t)，構(gòu)成擴展的拉格朗日表達式為

L({uk},{ωk},λ):=

(2)

式中，α為二次懲罰因子，可以在高斯噪聲存在的情況下保證信號的重構(gòu)準確度；λ(t)為拉格朗日算子，用來保持約束條件的嚴格性。

利用ADMM算法迭代搜索求取上述擴展的拉格朗日函數(shù)的鞍點，即式(1)約束變分模型的最優(yōu)解，其中解得模態(tài)分量uk及中心頻率ωk分別為

(3)

(4)

VMD具體實現(xiàn)過程如下:

2)根據(jù)式(3)和式(4)分別更新uk和ωk。

2　多尺度熵理論

MSE是基于SpEn的一種時間序列復(fù)雜性的度量方法，用來反映時間序列在不同尺度下的相似性和復(fù)雜性程度[26]，相比于SpEn包含了更豐富的信息。假設(shè)原始數(shù)據(jù)為X={x1，x2，…，xN}，則MSE的具體計算步驟如下[27]:

1)參數(shù)初始化。給定嵌入維數(shù)m，相似容限r(nóng)及尺度因子τ=[1，2，…，τmax]，其中m和τ中的分量均為正整數(shù)。

2)粗?；?coarse graining)處理。將原始數(shù)據(jù)根據(jù)式(5)進行粗?；幚?。

(5)

3)計算粗粒化向量序列的樣本熵。

(1)給定模式維數(shù)m，由原始序列組成m維數(shù)矢量

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

(6)

(2)定義Y(i)和Y(j)之間的距離

(7)

式中，1≤j≤N-m， j≠i。

(8)

(9)

(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

(10)

當N取有限值時，取SampnEn估計值為

(11)

利用式(6)～式(11)計算每個尺度序列的SampnEn，即可得到MSE

MSE(X)=SampEn(y(τ),m,r)

(12)

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)有關(guān)，本文選取m=2，r=0.1δ，其中δ為原始序列的標準差。

3　基于VMD-MSE特征提取

基于局部放電信號非線性、非平穩(wěn)的特點，本文提出了一種基于VMD-MSE的局部放電信號特征提取及定量描述方案：將局部放電信號經(jīng)VMD分解成多個固有模態(tài)函數(shù)BLIMFs，對每個分解得到的固有模態(tài)計算其多尺度熵，實現(xiàn)局部放電信號特征的定量描述。該方法既充分發(fā)揮了VMD維納濾波的特性，又刻畫了信號局部特性，以一種全新的視角來表征信號的特征，算法流程如圖1所示。

圖1　基于VMD的多尺度熵特征向量提取流程Fig.1　Flow chart of VMD-MSE features extraction of partial discharge

假設(shè)輸入信號為X={x1，x2，…，xN}，其中N是信號的長度，基于VMD-MSE特征提取方法的具體實現(xiàn)步驟如下：

1)利用VMD方法對待處理的局部放電信號進行分解，得到一系列的固有模態(tài)分量uk及其對應(yīng)的中心頻率ωk。

2)計算由VMD分解得到的每層固有模態(tài)分量uk的多尺度熵，將每個樣本信號分解得到每個固有模態(tài)分量uk的MSEuk進行組合，構(gòu)成該輸入信號在尺度因子為τ=[1，2，…，τmax]下的特征向量

s={MSEu1,MSEu2,…,MSEuK}

(13)

式中，MSEuk為樣本信號經(jīng)VMD分解得到的模態(tài)分量uk的多尺度熵，每個模態(tài)的MSEuk是由該模態(tài)分量在不同尺度下的SpEn構(gòu)成；K為信號經(jīng)VMD分解得到的模態(tài)數(shù)量，每個模態(tài)的多尺度熵維數(shù)是length(MSEui)=τmax。

3)為了突出有用信息特征，防止維數(shù)災(zāi)難，采用PCA對步驟2得到的特征向量進行有效降維處理。

4　基于VMD-MSE的局部放電信號的模式識別

4.1試驗?zāi)Ｐ?/p>

由于電力變壓器實際運行中存在很多干擾，而局部放電信號比較微弱，有用的放電信號會被噪聲淹沒。另外，現(xiàn)場產(chǎn)生的放電往往是幾種不同類型放電信號的疊加，因此，使用現(xiàn)場放電信號進行識別方法的驗證不太合理。為了驗證本文所提方法的有效性，在實驗室條件下對4種局部放電模型進行局部放電信號的檢測，分別為電暈放電、油中多尖對板放電、油中板對板放電和油中懸浮顆粒放電，4種實驗室放電模型裝置如圖2所示。

圖2　4種局部放電實驗室模型Fig.2　Four types of partial discharge model

在試驗中采用的標準為IEC60270：2000，試驗電路為基于脈沖電流法的并聯(lián)測試電路，采用TWPD-2F局部放電綜合分析儀，其采集頻率為20 MHz，帶寬為40～300 kHz。高壓試驗平臺型號為TWI5133-10/100 am。以每個工頻周期記錄到的放電數(shù)據(jù)為一個樣本。

采集局部放電信號前首先要進行電量校準，本文采用間接校準方法，首先將校準脈沖發(fā)生器的沖擊波(在現(xiàn)場一般取放電量500 pC，在實驗室一般用50 pC作為標準放電量)直接注入檢測回路，記錄傳感器的測量峰值。然后移去校準脈沖發(fā)生器，將傳感器接入放電測量回路，此時測得的局部放電信號的峰值與校準時測得的放電峰值的比例系數(shù)乘以標準放電量，即可得到被測信號的放電量。

由于放電所處變壓器內(nèi)部位置的不同，信號傳輸?shù)綑z測回路的衰減程度差異較大，故僅當測得的信號的放電量很大時才能被認為放電源的放電嚴重，測得的放電量不能作為代表放電程度的重要表征參數(shù)。

4.2特征提取

局部放電特征向量提取是放電信號模式識別的關(guān)鍵步驟。本文對4種放電類型的共200個放電樣本采用基于VMD-MSE的方法進行特征向量的提取。表1為4種放電模型的實驗電壓及樣本數(shù)量。由于每種放電模型不同，放電的起始電壓也不同，因此各放電類型的實驗電壓并沒有可比性，在后續(xù)處理中需要進行歸一化。

表1　放電模型試驗條件Tab.1　Test conditions of partial discharge model

VMD的分解層數(shù)通過觀察中心頻率的方法確定。表2為選取電暈?zāi)硞€樣本對應(yīng)不同K值下的中心頻率。從第4層開始的兩個及以后模態(tài)中心頻率之間的差≤1 kHz，本文判定出現(xiàn)了中心頻率相近的模態(tài)，認為是出現(xiàn)過分解，因此分解層數(shù)選為3層[25]。圖3是4種類型的放電信號經(jīng)過3層VMD分解后得到的3個模態(tài)。

表2　不同K值下對應(yīng)的中心頻率Tab.2　Center frequency corresponding to different K

圖3　4種放電類型的VMD分解模態(tài)分量Fig.3　Decomposition of four types PD by VMD

計算各模態(tài)分量的MSE值,將其組合得到初始特征向量，其中尺度因子τ=20。對得到的初始特征向量采用PCA進行降維處理。經(jīng)驗證，不同放電類型前20個特征值的貢獻率約為90%，因此，本文進行PCA降維時，特征向量的維數(shù)選為20個。

為了驗證VMD較EMD分解的優(yōu)越性，將信號進行EMD分解，并對分解得到的模態(tài)求取MSE值作為該信號的特征向量。由于經(jīng)EMD需要多層分解(經(jīng)驗證>10層)，如將所有模態(tài)都計算MSE值，計算量十分巨大，為此，本文根據(jù)各分解模態(tài)imf與原信號的相關(guān)系數(shù)選取有效分量[28，29]。相關(guān)系數(shù)閾值選擇Thr=0.3，經(jīng)驗證前3個分解模態(tài)為有效分量。表3是相關(guān)系數(shù)選取規(guī)則。

表3　相關(guān)系數(shù)選取規(guī)則Tab.3　The selection rules of correlation coefficient

圖4　VMD和EMD分解的不同模態(tài)的多尺度熵Fig.4　The multiscale entropy values of different mode decomposed by VMD and EMD

分別用VMD和EMD對4種放電信號進行分解，并計算分解得到模態(tài)的MSE值，每種放電類型均有50組數(shù)據(jù)，對每層分解模態(tài)的MSE取均值，則不同放電類型的MSE值如圖4所示。由圖4a可知，對于不同類型的放電信號，基于VMD-MSE方法提取得到的特征向量都存在一定的差異，可以將其作為區(qū)分放電類型的依據(jù)。并且經(jīng)VMD分解得到的3個模態(tài)的多尺度熵可以區(qū)分，但是經(jīng)EMD分解得到的3個模態(tài)的多尺度熵(見圖4b)差別很小，難以區(qū)分。

圖5分別是以基于VMD-MSE和EMD-MSE方法得到的特征向量的Fisher聚類效果。比較圖5a和圖5b可以看出，基于VMD-MSE方法得到的特征向量的4種放電類型已經(jīng)完全分開，并且取得了較好的聚類性能，而基于EMD-MSE方法得到的特征向量的4種放電類型不能區(qū)分，聚類性能差，由此可以說明，基于VMD-MSE的特征提取方法可有效表征不同放電類型的特征。

圖5　基于VMD-MSE和EMD-MSE特征的Fisher聚類Fig.5　Fisher features extraction effect of VMD-MSE and EMD-MSE

4.3基于BP的不同放電類型的模式識別

選取電暈放電、多尖對板放電、板對板放電和懸浮顆粒放電4種放電類型共200個樣本(每種放電類型各有50個樣本)。從所有樣本隨機抽取150組數(shù)據(jù)用于BP網(wǎng)絡(luò)訓(xùn)練，剩余50組數(shù)據(jù)作為測試樣本。對上述數(shù)據(jù)同時進行了如下兩組對比試驗：①第一組是分別以基于VMD-MSE和EMD-MSE方法得到的特征向量、原始放電信號的MSE值作為放電信號特征向量，對BP進行訓(xùn)練和測試，識別結(jié)果見表4；②第二組是將原始放電信號進行VMD分解后，分別以分解得到的各固有模態(tài)分量的MSE值、SpEn值和ApEn值作為特征向量，對BP進行訓(xùn)練和測試，識別結(jié)果見表5。

表4　基于VMD-MSE、信號本身MSE、EMD-MSE特 征向量提取方法的不同放電類型識別結(jié)果Tab.4　The recognition results of different partial discharge pattern based on VMD-MSE，MSE of signal itself and EMD-MSE

表5　基于VMD-MSE、VMD-SpEn、VMD-ApEn特 征向量提取方法的不同放電類型識別結(jié)果Tab.5　The recognition results of different partial discharge pattern based on VMD-MSE，VMD-SpEn and VMD-ApEn

因為在分類過程中，每次分類前劃分訓(xùn)練樣本和測試樣本都是隨機抽取的，這就導(dǎo)致每次試驗的最終結(jié)果有一定的差異。因此，本文對每種情況進行20次試驗，將20次試驗得到的平均值作為最終結(jié)果。由表4可知，基于VMD-MSE方法得到的特征向量的正確識別率高于信號本身計算MSE和基于EMD-MSE方法得到的特征向量的正確識別率。這是由于EMD本質(zhì)上是一個二進制濾波器組，在分解過程中與故障相關(guān)的信號頻帶中心和帶寬是不確定的，并且EMD采用的遞歸模式分解會將包絡(luò)線估計誤差不斷傳播，加之信號中含有噪聲或間歇信號，導(dǎo)致分解出現(xiàn)模態(tài)混疊，這將嚴重影響識別的正確率。而VMD是一種非遞歸的分解模式，通過迭代搜索變分模型最優(yōu)解來確定每個模態(tài)分量的中心頻率和頻帶，可以自適應(yīng)地實現(xiàn)信號的頻域剖分和各分量的有效分離。

由表5可知，基于VMD-MSE方法得到的特征向量的正確識別率高于基于VMD-SpEn和VMD-ApEn方法得到的特征向量的正確識別率。這是因為SpEn比ApEn具有更強的抗噪聲能量，能更準確地描述信號的狀態(tài)，而MSE可以在多個尺度因子上計算SpEn，比SpEn包含了更多關(guān)于原信號的有用信息。

由于本文研究中采用的同種放電類型的數(shù)據(jù)樣本的實驗條件基本相同，只是所加電壓有所區(qū)別，故同種放電樣本的差異不大。這樣，表4和表5所列的對于各種放電測試樣本(共50個)，基于VMD-MSE方法所得的特征向量的識別正確率達到了100%。若同種類型的測試樣本實驗條件差異較大(如放電模型形狀和尺寸不同、實驗環(huán)境不同等)，則其分類正確率會有所下降。

4.4基于BP的不同放電程度的模式識別

根據(jù)4.1節(jié)的分析，放電量不能作為代表放電程度的重要表征參數(shù)。那么如何確定放電程度呢？本文以電暈放電模型為例，以施加在模型上的電壓代表放電的嚴重程度[30]，分為3種程度(較弱、一般、較強)，觀察放電現(xiàn)象。隨著放電模型施加電壓等級的升高，放電脈沖越來越密集。MSE(多尺度熵)向量是用來衡量信號復(fù)雜程度的特征向量，放電脈沖越密集即該信號越復(fù)雜，其相應(yīng)的MSE值也相對較大。不同放電密度的放電波形經(jīng)VMD分解后，各層固有模態(tài)分量的MSE值會存在一定的差異，因而MSE值可以作為放電程度的重要表征參數(shù)。

選取3種不同電壓等級下的電暈放電,共取50組樣本，表6為3種不同放電程度的電暈放電的實驗電壓及樣本數(shù)量。特征提取過程與4.2節(jié)類似，在此不再贅述。從所有樣本中隨機抽取30組數(shù)據(jù)用于BP網(wǎng)絡(luò)訓(xùn)練，剩余20組數(shù)據(jù)作為測試向量組。

表6　3種不同放電程度電暈試驗電壓及樣本數(shù)量Tab.6　The test voltage and sample number of three different discharge corona discharge

表7和表8分別是以基于VMD-MSE、信號本身的MSE、EMD-MSE、VMD-SpEn和VMD-ApEn 5種方法所得到的特征向量進行BP訓(xùn)練和測試的結(jié)果。可以看出，基于VMD-MSE方法得到的特征向量的正確識別率高于其他方法得到的特征向量的正確識別率，充分說明了基于VMD-MSE特征提取方法可有效提取同種放電類型下不同放電程度信號的特征信息，驗證了基于VMD-MSE特征提取方法的有效性。

表7　基于VMD-MSE、信號本身MSE、EMD-MSE特 征向量提取方法的不同放電程度識別結(jié)果Tab.7　The recognition results of different partial discharge degree based on VMD-MSE,MSE of signal itself and EMD-MSE

表8　基于VMD-MSE、VMD-SpEn、VMD-ApEn特 征向量提取方法的不同放電程度識別結(jié)果Tab.8　The recognition results of different partial discharge degree based on VMD-MSE,VMD-SpEn and VMD-ApEn

5　結(jié)論

本文在實驗室條件下對變壓器局部放電信號進行分析，提出了基于VMD-MSE特征向量提取方法，并將其結(jié)果應(yīng)用到局部放電信號模式識別中，實現(xiàn)了4種放電類型的識別，并得到如下結(jié)論：

1)采用VMD對局部放電信號進行自適應(yīng)分解，每個模態(tài)分量均含有不同頻率的局部放電信號的信息，計算各模態(tài)分量的MSE值，將其作為局部放電信號模式識別的特征向量。

2)對于實驗室測得局部放電信號，采用VMD分解所得固有模態(tài)的多尺度熵向量MSE作為特征向量，同以信號本身的MSE、基于EMD-MSE、VMD-SpEn、VMD-ApEn方法得到的特征向量相比，具有更高的放電類型識別正確率。

由于實驗室環(huán)境和現(xiàn)場環(huán)境以及實驗?zāi)Ｐ秃蛯崪y變壓器放電源差異較大，若直接用實驗室放電數(shù)據(jù)訓(xùn)練得到的BP模型對實測數(shù)據(jù)進行診斷可能會產(chǎn)生較大的誤差。最好能在收集較多的各種放電類型現(xiàn)場檢測放電數(shù)據(jù)的基礎(chǔ)上，使用本文的特征提取方法提取特征向量，然后使用BP或其他分類方法進行識別，會取得較好的診斷效果。

[1]尚海昆，苑津莎，王瑜，等.多核多分類相關(guān)向量機在變壓器局部放電模式識別中的應(yīng)用[J].電工技術(shù)學(xué)報，2014，29(11)：221-228.

Shang Haikun，Yuan Jinsha，Wang Yu，et al.Partial discharge pattern recognition in power transformer based on multi-kernel multi-class relevance vector machine[J].Transactions of China Electrotechnical Society，2014，29(11)：221-228.

[2]Fuhr J，Haessing M，Boss P，et al.Detection and location of internal defects in the insulation of power transformers[J].IEEE Transactions on Electrical Insulation，1993，28(6)：1057-1067.

[3]Bozzo R，Guastavino F，Guerra G.PD detection and localization by means of acoustic measurements on hydogenerator stator bars[J].IEEE Transactions on Dielectrics and Electrical Insulation，1995，2(4)：660-666.

[4]唐炬，王靜，李劍，等.統(tǒng)計參數(shù)用于局部放電模式識別的研究[J].高電壓技術(shù)，2002，28(8)：4-6.

Tang Ju，Wang Jing，Li Jian，et al.Statistical parameter method for PD pattern recognition[J].High Voltage Engineering，2002，28(8)：4-6.

[5]王瑜，苑津莎，尚海昆，等.組合核支持向量機在放電模式識別中的優(yōu)化策略[J].電工技術(shù)學(xué)報，2015，30(2)：229-236.

Wang Yu，Yuan Jinsha，Shang Haikun，et al.Optimization strategy research on combined-kernel support vector machine for partial discharge pattern recognition[J].Transactions of China Electrotechnical Society，2015，30(2)：229-236.

[6]任先文，薛雷，宋陽，等.基于分形特征的最小二乘支持向量機局部放電模式識別[J].電力系統(tǒng)保護與控制，2011，39(14)：143-147.

Ren Xianwen，Xue Lei，Song Yang，et al.The pattern recognition of partial discharge based on fractal characteristics using LS-SVM[J].Power System Protection and Control，2011，39(14)：143-147.

[7]楊志超，范立新，楊成順，等.基于GK模糊聚類和LS-SVC的GIS局部放電類型識別[J].電力系統(tǒng)保護與控制，2014，42(20)：38-45.

Yang Zhichao，F(xiàn)an Lixin，Yang Chengshun，et al.Identification of partial discharge in gas insulated switchgears based on GK fuzzy clustering & LS-SVM[J].Power System Protection and Control，2014，42(20)：38-45.

[8]鮑永勝.局部放電脈沖波形特征提取及分類技術(shù)[J].中國電機工程學(xué)報，2013，33(28)：168-175.

Bao Yongsheng.Partial discharge pulse waveform feature extraction and classification techniques[J].Proceedings of the CSEE，2013，33(28)：168-175.

[9]司文榮，李軍浩，袁鵬，等.基于波形非線性映射的多局部放電脈沖群快速分類[J].電工技術(shù)學(xué)報，2009，24(3)：216-221.

Si Wenrong，Li Junhao，Yuan Peng，et al.The fast grouping technique of PD sequence based on the nonlinear mapping of pulse shapes[J].Transactions of China Electrotechnical Society，2009，24(3)：216-221.

[10]劉云鵬，律方成，李成榕.局部放電灰度圖象數(shù)學(xué)形態(tài)譜的研究[J].中國電機工程學(xué)報，2004，24(5)：183-187.

Liu Yunpeng，Lü Fangcheng，Li Chengrong.Study on pattern spectrum of partial discharge grayscale image[J].Proceedings of the CSEE，2004，24(5)：183-187.

[11]周沙，景亮.基于矩特征與概率神經(jīng)網(wǎng)絡(luò)的局部放電模式識別[J].電力系統(tǒng)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.

[12]尚海昆，苑津莎，王瑜，等.基于交叉小波變換和相關(guān)系數(shù)矩陣的局部放電特征提取[J].電工技術(shù)學(xué)報，2014，29(4)：274-281.

Shang Haikun，Yuan Jinsha，Wang Yu，et al.Feature extraction for partial discharge based on cross-wavelet transform and correlation coefficient matrix[J].Transactions of China Electrotechnical Society，2014，29(4)：274-281.

[13]唐炬，樊雷，張曉星，等.用諧波小波包變換法提取GIS局部放電信號多尺度特征參數(shù)[J].電工技術(shù)學(xué)報，2015，30(3)：250-257.

Tang Ju，F(xiàn)an Lei，Zhang Xiaoxing，et al.Multi-scale feature parameters extraction of GIS partial discharge signal with harmonic wavelet packet transform[J].Transactions of China Electrotechnical Society，2015，30(3)：250-257.

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

Xiao Yan，Huang Chengjun，Yu Weiyong，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.

[15]Pincus S M.Approximate entropy as a measure of system complexity[J].Proceedings of the National Academy of Sciences of the United States of America，1991，88(6)：2297-2301.

[16]Richman J S，Moorman J R.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiology Heart & Circulatory Physiology，2000，278(6)：H2039-H2049.

[17]鄭近德，程軍圣，胡思宇.多尺度熵在轉(zhuǎn)子故障診斷中的應(yīng)用[J].振動.測試與診斷，2013，33(2)：294-297.

Zheng Jinde，Cheng Junsheng，Hu Siyu.Rotor fault diagnosis based on multiscale entropy[J].Journal of Vibration，Measurement& Diagnosis，2013，33(2)：294-297.

[18]謝平，江國乾，武鑫，等.基于多尺度熵和距離評估的滾動軸承故障診斷[J].計量學(xué)報，2013，34(6)：548-553.

Xie Ping，Jiang Guoqian，Wu Xin，et al.Rolling bearing fault diagnosis based on multiscale entropy and distance evaluation[J].Acta Metrologica Sinica，2013，34(6)：548-553.

[19]楊松山，周灝，趙海洋，等.基于LMD多尺度熵與SVM的往復(fù)壓縮機軸承故障診斷方法[J].機械傳動，2015，39(2)：119-123.

Yang Songshan，Zhou Hao，Zhao Haiyang，et al.Fault diagnosis method for the bearing of reciprocating compressor based on LMD multiscale entropy and SVM[J].Journal of Mechanical，2015，39(2)：119-123.

[20]謝平，陳曉玲，蘇玉萍，等.基于EMD-多尺度熵和ELM的運動想象腦電特征提取和模式識別[J].中國生物醫(yī)學(xué)工程學(xué)報，2013，32(6)：641-648.

Xie Ping，Chen Xiaoling，Su Yuping，et al.Feature extraction and recognition of motor imagery EEG based on EMD-multiscale entropy and extreme learning machine[J].Chinese Journal of Biomedical Engineering，2013，32(6)：641-648.

[21]Dragomiretskiy K，Zosso D.Variational mode decomposition[J].IEEE Transactions on Signal Processing，2014，62(3)：531-544.

[22]Aneesh C，Sachin K，Hisham P M，et al.Performance comparison of variational mode decomposition over empirical wavelet transform for the classification of power quality disturbances using support vector machine[J].Procedia Computer Science，2015，46：372-380.

[23]高艷豐，朱永利，閆紅艷，等.一種新型的輸電線路雙端行波故障定位方法[J].電力系統(tǒng)保護與控制，2016，44(8)：8-13.

Gao Yanfeng，Zhu Yongli，Yan Hongyan，et al.A new fault location method of transmission lines based on double-terminal traveling wave[J].Power System Protection and Control，2016，44(8)：8-13.

[24]Daubechies I，Lu Jianfeng，Wu H T.Synchrosqueezed wavelet transforms：an empirical mode decomposition-like tool[J].Applied and Computational Harmonic Analysis，2011，30(2)：243-261.

[25]劉長良，武英杰，甄成剛.基于變分模態(tài)分解和模糊 C 均值聚類的滾動軸承故障診斷[J].中國電機工程學(xué)報，2015，35(13)：1-8.

Liu Changliang，Wu Yingjie，Zhen Chenggang.Rolling bearing fault diagnosis based on variational mode decomposition and fuzzy C means clustering[J].Proceedings of the CSEE，2015，35(13)：1-8.

[26]陳慧，張磊，熊國良，等.滾動軸承的MSE和PNN故障診斷方法[J].噪聲與振動控制，2014，34(6)：169-173.

Chen Hui，Zhang Lei，Xiong Guoliang，et al.Fault diagnosis of rolling bearings using MSE and PNN[J].Noise and Vibration Control，2014，34(6)：169-173.

[27]Costa M，Goldberger A L，Peng C K.Multiscale entropy analysis of biological signals[J].Physical Review E，Statistical Nonlinear and Soft Matter Physics，2005，71(2 Pt 1)：21906.

[28]Mohanty S， Gupta K K， Raju K S.Comparative study between VMD and EMD in bearing fault diagnosis[C]//9th International Conference on Industrial and Information Systems，Gwalior，2014：1-6.

[29]蔡艷平，李艾華，王濤，等.基于EMD-Wigner-Ville的內(nèi)燃機振動時頻分析[J].振動工程學(xué)報，2010，23(4)：430-437.

Cai Yanping，Li Aihua，Wang Tao，et al.I.C.engine vibration time-frequency analysis based on EMD-Wigner-Ville[J].Journal of Vibration Engineering，2010，23(4)：430-437.

[30]高凱，談克雄，李福祺，等.基于散點集分形特征的局部放電模式識別研究[J].中國電機工程學(xué)報，2002，22(5)：23-27.

Gao Kai，Tan Kexiong，Li Fuqi，et al.Pattern recognition of partial discharges based on fractal features of the scatter set[J].Proceedings of the CSEE，2002，22(5)：23-27.

Feature Extraction and Classification on Partial Discharge Signals of Power Transformers Based on VMD and Multiscale Entropy

Jia YafeiZhu YongliWang LiuwangLi Li

(State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power UniversityBaoding071003China)

In order to extract features of partial discharge signals effectively，a method based on variational mode decomposition (VMD) and multiscale entropy (MSE) is proposed for extracting feature vectors，and the back-propagation neural networks is utilized to recognize the discharge types.First of all，the known partial discharge signals are decomposed by VMD and several band-limited intrinsic mode functions (BLIMFs) are extracted.Then the MSE of each intrinsic mode is calculated respectively and the initial feature vector can be acquired by the combination of the MSEs.Finally，the dimension reduction of the feature vectors is carried out by the principal component analysis (PCA).Four types of discharge signals and different degree of corona discharge signals within each discharge type are extracted and recognized using the above methods.Simulation results demonstrate that the proposed method can extract the features of partial discharge signals effectively.With the results as characteristics，it can correctly identify different discharge types and characteristics of the same discharge types under different discharge levels.

Partial discharge，variational mode decomposition，multiscale entropy，feature extraction，pattern recognition

國家電網(wǎng)公司科技項目資助。

2015-06-10改稿日期2015-10-13

TM85

賈亞飛女，1988年生，博士研究生，高壓設(shè)備局部放電信號分析與故障診斷。

E-mail：jiayafeiyanshan@163.com

朱永利男，1963年生，教授，博士生導(dǎo)師，研究方向為網(wǎng)絡(luò)化監(jiān)控與智能信息處理研究。

E-mail：yonglipw@163.com(通信作者)