基于隨機(jī)森林的局部放電識(shí)別分析

安徽華電宿州發(fā)電有限公司 于 凱

基于隨機(jī)森林的局部放電識(shí)別分析

安徽華電宿州發(fā)電有限公司 于 凱

為了提高局部放電的識(shí)別率，針對(duì)單一分類(lèi)器不能全面學(xué)習(xí)樣本特性的問(wèn)題，提出采用隨機(jī)森林集成分類(lèi)器對(duì)局部放電類(lèi)型進(jìn)行識(shí)別分析，識(shí)別結(jié)果表明：基于EEMD-SVD特征，采用隨機(jī)森林分類(lèi)器取得了較好的識(shí)別效果，這對(duì)局部放電模式識(shí)別與分析具有一定的指導(dǎo)意義。

局部放電；EEMD-SVD；單一分類(lèi)器；隨機(jī)森林

0 引言

目前對(duì)于局部放電類(lèi)型分類(lèi)應(yīng)用比較成熟的是單一分類(lèi)器[1]，該分類(lèi)器都要經(jīng)過(guò)訓(xùn)練樣本進(jìn)行訓(xùn)練，然后利用測(cè)試樣本對(duì)訓(xùn)練好的結(jié)構(gòu)進(jìn)行識(shí)別分析，然而單一分類(lèi)器不能全面分析樣本的特性，即使訓(xùn)練樣本足夠大，識(shí)別算法也很難會(huì)達(dá)到局部最優(yōu)，從而導(dǎo)致識(shí)別率較低，因此，本文采用Leo Breiman提出的隨機(jī)森林集成分類(lèi)器對(duì)局部放電類(lèi)型進(jìn)行識(shí)別分析。隨機(jī)森林分類(lèi)器是首先利用訓(xùn)練樣本構(gòu)建一系列基分類(lèi)器，然后對(duì)每個(gè)基分類(lèi)器的預(yù)測(cè)分類(lèi)結(jié)果進(jìn)行投票，最后根據(jù)投票結(jié)果進(jìn)行分類(lèi)，這樣就保證了對(duì)樣本的特性能夠全面分析，不易陷入局部最優(yōu)，從而能更好的對(duì)局部放電類(lèi)型進(jìn)行識(shí)別分析。

1 EEMD-SVD特征

局部放電是一種典型的非線(xiàn)性、非平穩(wěn)信號(hào)，其信號(hào)中包含著豐富的放電信息?；赑RPD模式構(gòu)造的統(tǒng)計(jì)、分形和放電圖像灰度等特征，這些特征不是由局部放電信號(hào)直接提取，因而會(huì)丟失部分放電信息，不利于分類(lèi)器對(duì)其準(zhǔn)確分類(lèi)。針對(duì)這個(gè)問(wèn)題，本文對(duì)局部放電信號(hào)直接提取EEMD-SVD特征，這樣可以保證所提取的特征信息是最原始，最直接的。

2 隨機(jī)森林分類(lèi)器識(shí)別分析

隨機(jī)森林是Leo Breiman在2001年提出的一種集成學(xué)習(xí)算法，它利用bootstrap重抽樣法從原始樣本中抽取多個(gè)樣本，并對(duì)bootstrap樣本進(jìn)行決策樹(shù)建模，然后將這些決策樹(shù)組合在一起，通過(guò)投票得出最終分類(lèi)或預(yù)測(cè)的結(jié)果。

假設(shè)原始訓(xùn)練集中有M個(gè)樣本，樣本屬性特征變量的維數(shù)為K，隨機(jī)特征變量的維數(shù)為F，要形成包含N棵基分類(lèi)器決策樹(shù)的隨機(jī)森林，其主要內(nèi)容就是形成決策樹(shù)的過(guò)程，具體構(gòu)建過(guò)程如下所示：

(1)利用Bagging抽樣技術(shù)從原始訓(xùn)練集中抽樣產(chǎn)生N個(gè)不同的訓(xùn)練子集，每個(gè)子集中包含的樣本個(gè)數(shù)仍為M。

(2)根據(jù)Forestes-RI方法為每個(gè)基分類(lèi)器隨機(jī)選取F個(gè)特征變量，其中F滿(mǎn)足，K為全部特征變量的個(gè)數(shù)。

(3)依據(jù)CART算法Gini指標(biāo)最小原則對(duì)每棵決策樹(shù)的節(jié)點(diǎn)進(jìn)行分裂，最終形成一棵棵相互獨(dú)立的決策樹(shù)，在節(jié)點(diǎn)分裂過(guò)程中，決策樹(shù)不作剪枝處理。

(4)將上述構(gòu)建出一系列相互獨(dú)立的的決策樹(shù)看作一個(gè)整體，從而形成了隨機(jī)森林。本文中的每種放電類(lèi)型樣本各100個(gè)，總共有300個(gè)原始樣本。對(duì)于EEMD-SVD特征，其樣本屬性特征變量的維數(shù)為13。設(shè)置基分類(lèi)器的數(shù)目為1000，并且重復(fù)執(zhí)行隨機(jī)森林算法的次數(shù)也置為1000。

泛化誤差是反應(yīng)泛化能力的一個(gè)指標(biāo)，泛化誤差越小，則該學(xué)習(xí)性能越好，反之則性能越差。在隨機(jī)森林算法中，Breiman通過(guò)實(shí)驗(yàn)證明，袋外( Out Of Bag OOB)估計(jì)是隨機(jī)森林泛化誤差的一個(gè)無(wú)偏估計(jì)，OOB分類(lèi)誤差越小，說(shuō)明隨機(jī)森林分類(lèi)能力越強(qiáng)，識(shí)別準(zhǔn)確率越高。

圖1反映了基于EEMD-SVD特征，其OOB分類(lèi)誤差隨決策樹(shù)個(gè)數(shù)增加而變化的情況。

圖1 基于EEMD-SVD特征的OOB分類(lèi)誤差估計(jì)

由圖1可以看出，基于EEMD-SVD特征，其OOB分類(lèi)誤差隨著基分類(lèi)器數(shù)目的增加而顯著減小，并當(dāng)基分類(lèi)器數(shù)目在20左右時(shí)，OOB分類(lèi)誤差趨于穩(wěn)定，表明基于EEMD-SVD特征與隨機(jī)森林集成分類(lèi)器的局部放電模式識(shí)別算法學(xué)習(xí)性能較優(yōu)，分類(lèi)能力較強(qiáng)，識(shí)別準(zhǔn)確率高。

表1給出了基于隨機(jī)森林分類(lèi)器的EEMD-SVD時(shí)域特征局部放電識(shí)別準(zhǔn)確率，其每種放電類(lèi)型的識(shí)別率是相同參數(shù)下1000次執(zhí)行隨機(jī)森林算法取均值而得。

表1 基于時(shí)域特征的局部放電分類(lèi)準(zhǔn)確率

由表1可以看出，基于EEMD-SVD特征與隨機(jī)森林集成識(shí)別算法，其對(duì)應(yīng)每種放電類(lèi)型的識(shí)別率均達(dá)到了95%以上，總體平均識(shí)別率為97.32%，取得良好的識(shí)別效果。

3 結(jié)論

本文針對(duì)變壓器局部放電性質(zhì)，設(shè)計(jì)制作了三種典型的放電缺陷模型，提取了局部放電信號(hào)，并構(gòu)造了EEMD-SVD特征，同時(shí)利用隨機(jī)森林集成分類(lèi)器進(jìn)行識(shí)別分析，得到的主要結(jié)論：采用隨機(jī)森林集成分類(lèi)器對(duì)局部放電進(jìn)行識(shí)別分析，由于該分類(lèi)器能對(duì)樣本進(jìn)行全面分析，因而每種放電類(lèi)型的識(shí)別率均很高，尤其是基于EEMD-SVD特征，其OOB分類(lèi)誤差較小，局部放電的平均識(shí)別率很高，達(dá)到了97.32%。

綜上所述，基于EEMD-SVD特征與隨機(jī)森林集成分類(lèi)器的局部放電模式識(shí)別算法，由于特征量包含的放電信息豐富，分類(lèi)器能夠全面分析樣本特性，從而使得其局部放電識(shí)別準(zhǔn)確率較高，這對(duì)局部放電的分類(lèi)識(shí)別分析具有一定的指導(dǎo)意義。

[1]凌衛(wèi)家,張浩,管敏淵.互感器振動(dòng)對(duì)GIS超聲波局部放電檢測(cè)的影響[J].電工電能新技術(shù),2016,35(5):74-79.