基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別

賈亞飛，朱永利，高佳程，袁 博

(1. 華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003；2. 國(guó)網(wǎng)河北省電力有限公司雄安新區(qū)供電公司，河北 雄安新區(qū) 071800；3. 國(guó)網(wǎng)河北省電力公司經(jīng)濟(jì)技術(shù)研究院，河北 石家莊 050000)

0 引言

電力變壓器是電力系統(tǒng)輸變電的關(guān)鍵性設(shè)備，其運(yùn)行的可靠性直接關(guān)系到整個(gè)電力系統(tǒng)的安全與穩(wěn)定。變壓器故障統(tǒng)計(jì)分析表明[1]，絕緣故障是影響變壓器可靠運(yùn)行的重要原因之一，而局部放電是導(dǎo)致變壓器絕緣破壞的主要原因。不同類型缺陷產(chǎn)生的局部放電具有不同的特征[2-3]，因此對(duì)局部放電信號(hào)進(jìn)行有效的模式識(shí)別，可以準(zhǔn)確地了解和掌握變壓器內(nèi)部缺陷類型的性質(zhì)和特征，對(duì)指導(dǎo)變壓器的檢修工作意義重大。

分類器的設(shè)計(jì)是實(shí)現(xiàn)局部放電模式識(shí)別的關(guān)鍵環(huán)節(jié)之一，主要分為無(wú)監(jiān)督模式識(shí)別和有監(jiān)督模式識(shí)別兩大類。聚類分析是無(wú)監(jiān)督模式識(shí)別中的一個(gè)重要分支，文獻(xiàn)[4]利用模糊C均值FCM(Fuzzy C-Means)算法針對(duì)提取的特征向量對(duì)放電源脈沖進(jìn)行聚類，取得了較好的聚類效果；文獻(xiàn)[5]提出了基于K-means聚類分析的局部放電譜圖自動(dòng)識(shí)別方法，經(jīng)現(xiàn)場(chǎng)實(shí)際測(cè)試數(shù)據(jù)和在線監(jiān)測(cè)數(shù)據(jù)測(cè)試證明，該方法在相位信息缺失的情況下能夠?qū)崿F(xiàn)對(duì)局部放電監(jiān)測(cè)數(shù)據(jù)的自動(dòng)診斷分析，得到局部放電譜圖的識(shí)別結(jié)果；文獻(xiàn)[6]利用Mahalanobis距離算法系統(tǒng)地闡述了各類放電在三角坐標(biāo)系中的聚類分布情況，實(shí)現(xiàn)了對(duì)典型局部放電信號(hào)模式的準(zhǔn)確識(shí)別。常用的有監(jiān)督模式識(shí)別方法有支持向量機(jī)SVM(Support Vector Machine)、神經(jīng)網(wǎng)絡(luò)、相關(guān)向量機(jī)等。文獻(xiàn)[7]提出了一種基于多分組特征的組合核多分類SVM的局部放電信號(hào)識(shí)別方法，尋找最優(yōu)核函數(shù)組合分類模型，對(duì)多個(gè)特征空間數(shù)據(jù)具有普適性，且融合效果理想。文獻(xiàn)[8]提出了一種基于自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的局部放電信號(hào)識(shí)別方法，構(gòu)建了一個(gè)4層自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)模型，并且采用粒子群優(yōu)化算法進(jìn)行一次優(yōu)化，采用BP算法進(jìn)行二次優(yōu)化，研究結(jié)果表明該方法的訓(xùn)練效果明顯優(yōu)于單獨(dú)使用BP算法的訓(xùn)練效果。文獻(xiàn)[9]采用多分類相關(guān)向量機(jī)M-RVM(Milticlass Relevance Vector Machine)實(shí)現(xiàn)局部放電信號(hào)的多分類問(wèn)題，該方法的基函數(shù)權(quán)值少數(shù)非零，診斷速度快，可以有效解決小樣本、高維、非線性分類問(wèn)題。無(wú)監(jiān)督的模式識(shí)別方法雖然可以有效、快速地進(jìn)行局部放電信號(hào)的劃分，但是這一診斷過(guò)程只是實(shí)現(xiàn)了局部放電信號(hào)的初步分析，并沒(méi)有進(jìn)一步給出局部放電信號(hào)的類型等信息。SVM[10-11]和神經(jīng)網(wǎng)絡(luò)[12]等有監(jiān)督分類方法需要對(duì)具有明確放電類別的樣本進(jìn)行訓(xùn)練和學(xué)習(xí)，然后用訓(xùn)練好的分類器對(duì)待識(shí)別樣本進(jìn)行分類。

目前，雖然多種有監(jiān)督模式識(shí)別方法已經(jīng)成功應(yīng)用于局部放電信號(hào)的模式識(shí)別，但是還沒(méi)有關(guān)于待識(shí)別局部放電信號(hào)中存在不屬于已知類別的局部放電信號(hào)，即未知類別局部放電信號(hào)識(shí)別的研究。對(duì)于變壓器而言，經(jīng)過(guò)長(zhǎng)期的監(jiān)測(cè)工作和經(jīng)驗(yàn)積累，可整理得到一部分可用的具有明確類型信息的局部放電信號(hào)樣本，但變壓器本身的結(jié)構(gòu)復(fù)雜，要想獲得全部局部放電信號(hào)類型的訓(xùn)練樣本十分困難。而有監(jiān)督模式識(shí)別方法只能識(shí)別已知放電類別，如果對(duì)不屬于已知類別(未知類別)的局部放電信號(hào)進(jìn)行分類，該類信號(hào)會(huì)被分類到已知類別中，導(dǎo)致錯(cuò)誤的診斷。因此，在對(duì)待識(shí)別局部放電信號(hào)進(jìn)行分類前，有必要對(duì)待識(shí)別局部放電信號(hào)中不屬于已知類別的局部放電信號(hào)進(jìn)行識(shí)別。

局部放電是一個(gè)漸變的過(guò)程，提取的特征通常具有模糊性，若直接采用提取的特征值來(lái)辨識(shí)放電類型會(huì)存在一定的難度。以模糊數(shù)學(xué)為基礎(chǔ)的聚類分析方法為解決這類問(wèn)題提供了一種可行的途徑。FCM是模糊聚類中應(yīng)用最為廣泛的一種算法，它依據(jù)數(shù)據(jù)樣本間的相似度，通過(guò)迭代優(yōu)化目標(biāo)函數(shù)，將相似度高的樣本對(duì)象劃分為同一類來(lái)實(shí)現(xiàn)數(shù)據(jù)的分類。因此，F(xiàn)CM在局部放電信號(hào)模式識(shí)別中得到了廣泛的應(yīng)用。

基于上述問(wèn)題，為了充分利用收集到的已知類別的局部放電信號(hào)，并且能有效識(shí)別不屬于已知類別的局部放電信號(hào)，本文提出了一種基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法，對(duì)待識(shí)別局部放電信號(hào)進(jìn)行分析。該方法根據(jù)各待識(shí)別局部放電信號(hào)與已知類別聚類中心的距離確定權(quán)值，利用Otsu準(zhǔn)則，即采用最大類間方差法自適應(yīng)地選取樣本權(quán)值閾值，通過(guò)比較確定各局部放電信號(hào)是否屬于已知類別，挑選得到未知類別的局部放電信號(hào)，然后對(duì)屬于已知類別的局部放電信號(hào)進(jìn)行分類?？梢詫?duì)挑選得到的未知類別的局部放電信號(hào)進(jìn)行人工分析判斷，確定其放電類型后將其加入已知類別的訓(xùn)練樣本中。為了驗(yàn)證本文所提方法的有效性，采用SVM方法分別對(duì)所有待識(shí)別局部放電信號(hào)樣本(包含未知類別的放電信號(hào)樣本)和經(jīng)樣本加權(quán)FCM聚類方法處理后的樣本進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，經(jīng)基于樣本加權(quán)FCM聚類方法處理后的樣本的正確識(shí)別率要遠(yuǎn)遠(yuǎn)高于直接對(duì)所有待識(shí)別樣本進(jìn)行分類的正確識(shí)別率，充分證明了本文所提方法可有效識(shí)別未知類別的局部放電信號(hào)樣本，對(duì)局部放電信號(hào)的模式識(shí)別具有重要意義。

1 樣本加權(quán)FCM聚類算法

1.1 FCM聚類算法原理

FCM算法是一種經(jīng)典的基于目標(biāo)函數(shù)的聚類算法，其目的是將n個(gè)樣本無(wú)監(jiān)督地劃分為c個(gè)類別。FCM算法在傳統(tǒng)硬聚類算法中引入了模糊技術(shù)，通過(guò)極小化所有數(shù)據(jù)點(diǎn)與各個(gè)聚類中心的歐氏距離及模糊隸屬度的加權(quán)和，不斷迭代修正聚類中心和分類矩陣，直到符合終止準(zhǔn)則，將具有相似特性的數(shù)據(jù)樣本聚為一類[13-14]。

設(shè)有一組含n個(gè)樣本的樣本集X={x1，x2，…，xn}，其中每個(gè)樣本具有p個(gè)特征屬性，即xk=[xk1，xk2，…，xkp](k=1，2，…，n)。各樣本以一定的程度隸屬于c個(gè)不同的區(qū)域，用隸屬度μij表示第j個(gè)樣本隸屬于第i類的程度，μij∈[0,1]。

FCM聚類的目標(biāo)函數(shù)為：

(1)

約束條件為：

(2)

其中，U=[μik]c×n為隸屬度矩陣；V=[v1,v2,…,vc]為聚類中心矩陣；m∈[1,∞)為平滑參數(shù)，一般取m=2；dik為樣本xk到聚類中心vi的距離，dik=‖xk-vi‖。

FCM算法的求解過(guò)程中，在式(2)所示約束條件下，算法通過(guò)不斷迭代來(lái)更新聚類目標(biāo)函數(shù)值、聚類中心和隸屬度矩陣，以最小化目標(biāo)準(zhǔn)則，直至聚類中心不再變化或2次迭代的目標(biāo)函數(shù)值之差在允許的范圍內(nèi)，其中目標(biāo)函數(shù)值誤差采用默認(rèn)參數(shù)10-5。得到的隸屬度和聚類中心分別如式(3)、式(4)所示。

(3)

(4)

可以通過(guò)分離系數(shù)和分離熵2個(gè)性能指標(biāo)進(jìn)行聚類效果檢驗(yàn)，其定義分別如式(5)、式(6)所示。

(5)

(6)

分離系數(shù)F和分離熵H中包含了隸屬度信息。分離系數(shù)F越接近于1，則聚類效果越好；分離熵H越接近于0，則聚類效果越好。

1.2 樣本加權(quán)FCM聚類算法

在傳統(tǒng)的聚類算法中，所有樣本都同等地參與聚類過(guò)程。然而，待聚類樣本集合中的每個(gè)樣本在聚類過(guò)程中所起的作用并不一樣，對(duì)聚類結(jié)果產(chǎn)生的影響也有所不同。樣本加權(quán)FCM聚類算法通過(guò)為離群點(diǎn)賦予很小的權(quán)值，降低離群樣本點(diǎn)參與聚類過(guò)程的程度，從而削弱離群樣本點(diǎn)對(duì)聚類效果的影響。

樣本權(quán)值的確定主要有2種方法，可以根據(jù)實(shí)際需要進(jìn)行選擇。

第1種權(quán)值計(jì)算方法是描述樣本點(diǎn)相互之間的接近程度，計(jì)算公式如式(7)所示。

(7)

其中，α為常數(shù)；j=1，2，…，n。

第2種權(quán)值計(jì)算方法描述各樣本與各聚類中心的接近程度，計(jì)算公式如式(8)所示。

(8)

2 基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法

由于電力變壓器的結(jié)構(gòu)復(fù)雜，對(duì)于收集到的待識(shí)別局部放電信號(hào)集合中可能存在不屬于已知放電類別的未知放電信號(hào)，若直接進(jìn)行分類，會(huì)將其分到已知放電類別中，導(dǎo)致誤診斷。因此，有必要在對(duì)待識(shí)別放電信號(hào)進(jìn)行分類前挑選出不屬于已知類別的放電信號(hào)。本文基于樣本加權(quán)FCM聚類算法的思想，計(jì)算各待識(shí)別放電信號(hào)的權(quán)值，然后根據(jù)各樣本權(quán)值的大小判斷樣本是否屬于已知類別。待識(shí)別局部放電信號(hào)樣本權(quán)值和權(quán)值閾值的確定是實(shí)現(xiàn)該方法的2個(gè)關(guān)鍵步驟。

2.1 樣本權(quán)值計(jì)算

1.2節(jié)給出了2種樣本權(quán)值的計(jì)算方法，第1種方法(式(7))是通過(guò)計(jì)算每個(gè)樣本點(diǎn)與其余樣本點(diǎn)的距離來(lái)定量描述樣本在整個(gè)樣本集中的位置，該方法雖然在一定程度上可以刻畫樣本點(diǎn)相互之間的接近程度，但是計(jì)算量比較大，并且沒(méi)有充分利用已知類別的樣本信息；第2種方法(式(8))是通過(guò)計(jì)算樣本與各個(gè)已知類別樣本的聚類中心的距離來(lái)描述樣本對(duì)各聚類中心的接近程度，該方法對(duì)聚類中心比較敏感，當(dāng)聚類中心較為準(zhǔn)確時(shí)權(quán)值才會(huì)更加合理。

本文所提基于樣本加權(quán)FCM聚類的未知局部放電信號(hào)識(shí)別方法首先得到已知類局部放電信號(hào)的聚類中心，即可以確定準(zhǔn)確的聚類中心，因此，本文選用第2種方法計(jì)算樣本權(quán)值。

2.2 樣本權(quán)值的自適應(yīng)閾值選取方案

根據(jù)待識(shí)別局部放電信號(hào)樣本權(quán)值的大小可以將待識(shí)別樣本劃分為已知類別樣本和未知類別樣本(與各聚類中心距離較遠(yuǎn))2類，其中樣本權(quán)值閾值T的確定是該問(wèn)題的關(guān)鍵。由于無(wú)法掌握待識(shí)別放電信號(hào)的信息(是否屬于已知類別的放電信號(hào))，無(wú)論是設(shè)定統(tǒng)一的閾值還是根據(jù)經(jīng)驗(yàn)手動(dòng)設(shè)定，都無(wú)法滿足待識(shí)別放電信號(hào)樣本權(quán)值閾值確定的需要。本文提出一種基于Otsu準(zhǔn)則[15-16]的自適應(yīng)確定樣本權(quán)值閾值T的方法，即選取某閾值T令已知類別樣本和未知類別樣本間的方差最大，此時(shí)2類樣本之間的差異也最大，因此，該閾值T是最優(yōu)劃分閾值[17]?；贠tsu準(zhǔn)則確定樣本權(quán)值閾值T的基本原理如下[15-16]。

對(duì)于N個(gè)局部放電信號(hào)樣本，將各樣本權(quán)值看作長(zhǎng)度為N的離散序列{wi，i=1，2，…，N}，wmax、wmin分別為該序列的最大值和最小值。

為了方便描述，引入灰度概念，即對(duì)應(yīng)放電樣本權(quán)值的大小。設(shè)定灰度等級(jí)L(即放電樣本權(quán)值大小的等級(jí))，令dw=(wmax-wmin)/L。統(tǒng)計(jì)權(quán)值大小落在[(l-1)dw，ldw]范圍內(nèi)的值的個(gè)數(shù)nl，其中l(wèi)=1，2，…，L為灰度值，nl是灰度值為l時(shí)的像素。nl出現(xiàn)的概率為pl=nl/Ns，Ns=n1+n2+…+nL為總像素?cái)?shù)。

(9)

(10)

(11)

(12)

(13)

(14)

C0和C1間的類內(nèi)方差之和為：

P1(g)[μ1(g)-μ(g)]2

(15)

其中，μ為整個(gè)序列的灰度均值，計(jì)算公式如式(16)所示。

(16)

則可以確定最優(yōu)閾值為g*dw，令：

(17)

綜合式(9)—(17)，可以得到最優(yōu)樣本權(quán)值的閾值，即T=g*dw。

2.3 基于樣本加權(quán)FCM聚類的未知局部放電信號(hào)識(shí)別方法

本文根據(jù)局部放電信號(hào)樣本的權(quán)值大小來(lái)判斷該信號(hào)是否屬于已知類別。分別提取已知類別的d類局部放電信號(hào)和待識(shí)別局部放電信號(hào)的特征量，得到的特征量分別構(gòu)成已知類別局部放電信號(hào)樣本X={x1，x2，…，xN}和待識(shí)別局部放電信號(hào)樣本S={s1，s2，…，sM}，其中N和M分別為已知類別局部放電信號(hào)樣本的個(gè)數(shù)和待識(shí)別局部放電信號(hào)樣本的個(gè)數(shù)。

本文采用文獻(xiàn)[18]中的變分模態(tài)分解VMD(Variational Mode Decomposition)和多尺度熵MSE(MultiScale Entropy)對(duì)局部放電信號(hào)進(jìn)行特征提取。利用VMD方法對(duì)局部放電信號(hào)進(jìn)行分解得到模態(tài)分量，利用MSE方法對(duì)得到的分解模態(tài)進(jìn)行定量描述，形成特征向量，然后利用主成分分析法PCA(Principle Component Analysis method)對(duì)得到的特征向量進(jìn)行降維處理，將其作為局部放電信號(hào)特征向量。該特征提取方法的流程圖如圖1所示，具體過(guò)程不再贅述。

圖1 基于VMD-MSE方法的特征提取過(guò)程Fig.1 Feature extraction process based on VMD-MSE method

基于樣本加權(quán)FCM聚類的未知局部放電信號(hào)識(shí)別方法的流程圖見附錄中圖A1，具體實(shí)現(xiàn)步驟如下。

a. 采用FCM算法對(duì)已知類別的d類局部放電信號(hào)樣本進(jìn)行聚類，確定各類別的聚類中心v=[v1，v2，…，vd]。

b. 根據(jù)步驟a得到的聚類中心和式(8)分別計(jì)算已知類別的局部放電信號(hào)樣本和待識(shí)別的局部放電信號(hào)樣本的樣本權(quán)值，分別記為w_X=[w1，w2，…，wN]和w_S=[wN+1，wN+2，…，wN+M]。

c. 將待識(shí)別局部放電信號(hào)樣本的權(quán)值和已知類別局部放電信號(hào)樣本的權(quán)值進(jìn)行組合，即w=[w_S，w_X]，根據(jù)Otsu準(zhǔn)則確定樣本權(quán)值的自適應(yīng)閾值T。

d. 將待識(shí)別局部放電信號(hào)樣本權(quán)值集合w_S=[wN+1，wN+2，…，wN+M]中各樣本權(quán)值分別與閾值T進(jìn)行比較。若wi≥T(N+1≤i≤N+M)，則該局部放電信號(hào)樣本si屬于已知放電類別；若wi

e. 用常規(guī)模式識(shí)別方法對(duì)待識(shí)別樣本中屬于已知類別的局部放電信號(hào)樣本進(jìn)行分類，對(duì)于屬于未知類別的局部放電信號(hào)樣本一一進(jìn)行人為分析判斷，確定其放電類型后將其歸為已知類別的局部放電信號(hào)樣本集中，對(duì)已知類別的局部放電信號(hào)樣本集進(jìn)行擴(kuò)充。

3 實(shí)例分析

3.1 局部放電信號(hào)采集

本文的局部放電信號(hào)是在實(shí)驗(yàn)室環(huán)境下對(duì)不同放電模型進(jìn)行局部放電信號(hào)檢測(cè)得到的。試驗(yàn)采用IEC60270—2000標(biāo)準(zhǔn)，試驗(yàn)電路為基于脈沖電流法的并聯(lián)測(cè)試電路，采用TWPD-2F局部放電綜合分析儀。局部放電信號(hào)的采集頻率為20 MHz，帶寬為40～300 kHz。以每個(gè)工頻周期記錄到的數(shù)據(jù)作為一個(gè)局部放電信號(hào)。

本文中已知類別的局部放電信號(hào)集合由電暈放電模型、油中多尖對(duì)板放電模型、油中板對(duì)板放電模型和油中懸浮顆粒放電模型4種放電模型產(chǎn)生的局部放電信號(hào)組成，4種放電模型裝置分別如附錄中圖A2(a)—(d)所示。未知局部放電信號(hào)集合由上述4種放電模型之外的油中錐對(duì)板放電模型產(chǎn)生，如附錄中圖A2(e)所示。

3.2 基于樣本加權(quán)FCM聚類的未知局部放電信號(hào)識(shí)別

本文選取電暈放電模型、油中多尖對(duì)板放電模型、油中板對(duì)板放電模型和油中懸浮顆粒放電模型4種放電模型產(chǎn)生的200個(gè)局部放電信號(hào)，其中每種放電模型各產(chǎn)生50個(gè)局部放電信號(hào)。按照文獻(xiàn)[18]提出的特征提取方法提取各局部放電信號(hào)的特征量，形成已知類別的局部放電信號(hào)樣本集X。此外，收集100個(gè)未知類型的局部放電信號(hào)(包含80個(gè)已知類別的局部放電信號(hào)和20個(gè)未知類別的局部放電信號(hào))，進(jìn)行特征提取后得到的特征量形成待識(shí)別局部放電信號(hào)樣本集S。采用本文所提基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法對(duì)待識(shí)別局部放電信號(hào)樣本集進(jìn)行處理。其中采用基于樣本加權(quán)FCM聚類方法的關(guān)鍵是權(quán)值閾值的確定，此處采用2.2節(jié)介紹的Otsu準(zhǔn)則自適應(yīng)地確定樣本權(quán)值閾值T。

將未經(jīng)處理的待識(shí)別局部放電信號(hào)樣本集和經(jīng)本文所提方法處理后的樣本集采用FCM方法進(jìn)行聚類。聚類效果可以通過(guò)分離系數(shù)F和分離熵H這2個(gè)指標(biāo)進(jìn)行檢驗(yàn)。未經(jīng)處理的待識(shí)別局部放電信號(hào)樣本集和經(jīng)本文所提方法處理后的樣本集采用FCM方法進(jìn)行聚類后的分離系數(shù)F和分離熵H如表1所示。

表1 FCM的聚類效果評(píng)價(jià)指標(biāo)Table 1 Evaluation indexes for clustering result of FCM

由表1可知，對(duì)經(jīng)本文所提方法處理后的待識(shí)別局部放電信號(hào)樣本進(jìn)行FCM聚類的聚類性能指標(biāo)要遠(yuǎn)遠(yuǎn)優(yōu)于對(duì)未經(jīng)處理的待識(shí)別局部放電信號(hào)樣本直接進(jìn)行FCM聚類的聚類性能指標(biāo)，這充分說(shuō)明了采用樣本加權(quán)FCM聚類方法可以有效地改善含未知類別的待識(shí)別樣本的聚類效果，驗(yàn)證了所提方法的有效性。

采用基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法對(duì)待識(shí)別局部放電信號(hào)樣本集進(jìn)行處理后，屬于已知類別和屬于未知類別的局部放電信號(hào)樣本判斷的正誤情況如表2所示。由表2可知，本文所提未知類別局部放電信號(hào)識(shí)別方法將屬于已知類別的局部放電信號(hào)樣本全部正確分類到已知類別樣本集中，屬于未知類別的局部放電信號(hào)中有4個(gè)錯(cuò)誤地分類到已知類別樣本集合中。雖然本文所提方法仍然存在一定的判斷誤差，但已經(jīng)能對(duì)絕大部分的待識(shí)別樣本進(jìn)行正確劃分，正確率達(dá)96%，這也充分說(shuō)明了本文所提方法對(duì)未知類別樣本識(shí)別的有效性，為進(jìn)一步的模式識(shí)別創(chuàng)造了先決條件。

表2 局部放電信號(hào)樣本類別判斷的正誤情況Table 2 Right and wrong situation of type judgment for partial discharge signal samples

3.3 局部放電信號(hào)模式識(shí)別

為了進(jìn)一步驗(yàn)證本文所提方法的有效性，本文采用SVM分別對(duì)未經(jīng)處理和采用本文所提方法處理后的局部放電信號(hào)樣本集進(jìn)行分類。SVM中核函數(shù)選取徑向基(RBF)核函數(shù)，參數(shù)均取最優(yōu)，其中懲罰參數(shù)為5，核參數(shù)為0.2。分類結(jié)果如表3所示。由表3可知，對(duì)未經(jīng)處理的待識(shí)別放電信號(hào)樣本集直接利用SVM進(jìn)行分類，雖然樣本集中各已知類別樣本的正確識(shí)別率均為100%，但總體正確識(shí)別率卻只有80%。這是因?yàn)榇R(shí)別樣本集中含有一部分不屬于已知類別的局部放電信號(hào)，直接用SVM進(jìn)行分類會(huì)將這部分樣本錯(cuò)分為已知類別，從而造成誤判。而經(jīng)本文所提方法處理后的待識(shí)別樣本經(jīng)SVM進(jìn)行分類后，總體正確識(shí)別率提高到95.24%。實(shí)驗(yàn)結(jié)果充分驗(yàn)證了本文所提基于樣本加權(quán)FCM聚類的未知局部放電信號(hào)識(shí)別方法可有效地處理待待識(shí)別樣本集中的未知類別信號(hào)，提高局部放電信號(hào)識(shí)別的準(zhǔn)確率。

表3 基于SVM的識(shí)別結(jié)果Table 3 Recognition results based on SVM

4 結(jié)論

a. 本文提出了一種基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法，實(shí)現(xiàn)對(duì)待識(shí)別局部放電信號(hào)中未知類別樣本的識(shí)別。采用FCM聚類確定已知類別局部放電信號(hào)樣本的各類聚類中心，計(jì)算局部放電信號(hào)的樣本權(quán)值，將各待識(shí)別局部放電信號(hào)的權(quán)值與確定的閾值進(jìn)行對(duì)比，判斷其是否屬于已知類別。

b. 提出了根據(jù)Otsu準(zhǔn)則確定樣本權(quán)值的自適應(yīng)閾值，為樣本權(quán)值閾值的確定提供了一種可行方案。

c. 采用基于樣本加權(quán)FCM聚類的未知類別局部放電信號(hào)識(shí)別方法對(duì)待識(shí)別局部放電信號(hào)進(jìn)行處理，將得到的屬于已知類別的待識(shí)別局部放電信號(hào)采用SVM進(jìn)行分類。將結(jié)果與未經(jīng)處理的待識(shí)別局部放電信號(hào)直接進(jìn)行SVM分類的結(jié)果進(jìn)行比較，結(jié)果表明，采用本文所提方法處理后的局部放電信號(hào)具有較高的正確識(shí)別率，為未知類別局部放電信號(hào)的識(shí)別提供了一條有效的解決途徑。

附錄見本刊網(wǎng)絡(luò)版(http:∥www.epae.cn)。