基于SVM算法的局部放电模式识别

任永恒

摘 要：气体绝缘组合电器（Gas Insulated Switchgear）局部放电检测对于保证其安全可靠运行具有重要的意义。为了对变压器故障进行有效诊断，试验设计了4种典型缺陷模型。用超声波法提取局部放电信号，得到局放分布图谱，获得了局放特征参数。根据所提取的特征参数的特点，通过支持向量机（SVM）分类算法对典型缺陷信号进行了模式识别。

关键词：超声波法；特征参数；SVM算法；模式识别

引言

变压器作为电力系统中重要的电力设备，是输电网中重要的组成部分，及时的发现其内部故障，对于电网的安全供电，减少经济损失是至关重要的。以前，主要是通过检测绝缘电阻、局部放电等来进行变压器内部的故障诊断情况，这种方法具有局限性，会受到周围环境的影响。超声波法是一种较好的故障检测方法，能够及时准确的对变压器内部的故障进行监测。

用超声波法对变压器缺陷故障引起的局部放电进行检测，得到的信号图谱中含有丰富的局放信息，可以从中提取能充分反映局放信号特征的偏斜度Sk、陡峭度Ku、局部峰点数Pe、互相关系数Cc和放电量Q等特征参数。对统计特征参数进行分析，能够较好的进行典型绝缘缺陷故障的诊断。

基于此，本文通过对变压器内部设置典型绝缘缺陷模型，对其故障进行局放试验，提取出能反映典型缺陷局放信号的特征参数。用SVM算法对典型绝缘缺陷局放信号进行分类，结果表明：SVM分类算法对于GIS内典型缺陷类型具有较高的识别率。

1 SVM算法的原理

1.1 分类器设计

SVM是Vapnik提出的一种建立在统计学习基础上的非线性数据处理方法，其基于“结构风险最小化原理”的独特决策规则能较好的克服传统分类算法“维数灾”和“过拟合”等问题，并且具有很强的泛化能力，在处理二分类和多分类模式识别问题上有着优异表现，因而备受研究人员青睐，目前已开发出LIBSVM、LS-SVMLAB、OSU SVM等诸多软件包。然而，SVM模型参数的选取没有既定的标准，需要很强的经验与技巧。

1.2 SVM算法原理

SVM算法是一种基于数据挖掘技巧的机器学习技术。将SVM应用到分类中去的核心思想陈述如下：

给出训练样本集{xi，yi}，其中，i=1，2，…，n，x∈p，y∈{+1，-1}能够被超平面？棕Tx+b=0分离，其中？棕是权重矢量，b是偏移量。如果超平面使得边距最大化，那么下列不等式对所有输入变量成立：

对于所有的xi，当我们固定硬边距为1时，超平面的几何间隔为 。那么，问题变成了t通过在式（1）的约束下最小化 来求得最大化的边距。这是一个凸次编程问题。使用拉格朗日乘子（LM）（？琢i>0，i=1，…，n）以解决下式：

最大化边距是一个很重要的概念，但是它不能用于解决现实中的很多问题，原因是，如果数据有很多噪点，除非我们准备使用非常复杂的核，否则，通常在特征空间内不能进行线性分类。主要的原因在于，最大化边距分类器总是完美而没有误差的将训练样本分类。为了解决这一问题，SVM使用接下来要介绍的软边距，并引入非负的松弛变量

对于一个线性的不可分类问题，SVM利用核函数k（x，y）将在输入空间内的样本映射到高维的特征空间中去，其中径向基核函数

其中C和？滓需要基于全部的训练样本迭代选出最优的值。参数的选取对于SVM的表示起到了至关重要的作用。

1.3 算法流程

1.3.1 设已知样本集合P={x1，x2，…xn}，其中n为已知分类的样本数，c代表分类数；

1.3.2 为了建立分类函数，对训练样本集进行从0到1的线性缩放并且计算各种参数；

1.3.3 利用k折交叉验证估计和网格寻找算法结合估计最优模型参数（C，g）；

1.3.4 利用最优的参数建立SVM模型；

1.3.5 估计SVM模型的可靠性。

2 变压器缺陷类型

变压器的内部主要采用的是油纸绝缘结构，内部发生的局部放电常常造成绝缘故障。在变压器安装、制造、运行中常常会由于缺陷的存在造成局部放电。而其局放常常位于油间隙、空气隙、金属导体毛刺以及固体表面。所以，可以将变压器局放归为：空气间隙造成的放电；油中的气泡造成的放电；杂质导致的放电；沿面放电。本文将根据放电类型，进行试验研究。

3 识别结果

通过局放检测装置连续采集多周期的局放数据，对于统计特征指纹，每种缺陷选取50组作为训练组，测试组共选取100组特征数据来研究缺陷类型的识别正确率。运用SVM分类算法对典型变压器缺陷局放类型识别，采用独立样本作为测试样本检验该算法的正确率。识别结果如表1所示。

从表1可以看出，针板放电缺陷和内部放电缺陷通过SVM算法进行分类正确率为91%和93%，沿面放电达到78%，沿面放电缺陷由于局放信息复杂，使得此缺陷的识别率较低。总体而言，支持向量分类算法对变压器各种模拟缺陷识别率较高，效果较好。

4 结束语

对变压器设计了3种典型绝缘缺陷模型，通过超声波法对故障引起的局放信号采集了大量样本，提取了局部放电信号特征参数。用SVM算法识别变压器局部放电类型，结果显示出较高的识别正确率。