基于多尺度熵和支持向量机的局部放电模式识别

吕　霞， 吕德刚， 吕　进

(1．内蒙古电力集团(有限)责任公司 阿拉善电业局，阿拉善巴彦浩特　750306；

2．上海理工大学 光电信息与计算机工程学院，上海　20000)



基于多尺度熵和支持向量机的局部放电模式识别

吕霞1， 吕德刚1， 吕进2

(1．内蒙古电力集团(有限)责任公司 阿拉善电业局，阿拉善巴彦浩特750306；

2．上海理工大学 光电信息与计算机工程学院，上海20000)

摘要:为了准确、可靠地有效识别电力变压器中绝缘劣化的严重程度和局部放电的位置，本文提出一种基于多尺度熵特征提取方法，采用支持向量机对放电类型进行模式识别。首先，利用多尺度熵对放电信号从定性和定量两个角度有效提取特征放电信号特征量；其次，将获得的特征信号输入支持向量机对放电类型进行模式识别。实验结果表明，该方法可以有效提取局部放电信号特征量。

关键词:局部放电； 多尺度熵； 支持向量机； 特征提取； 模式识别

0引言

电力变压器是电网系统中最重要的设备，它的运行状态直接影响整个系统的安全性与经济性，良好的绝缘状况是电力变压器的安全运行所必需的，局部放电会导致变压器绝缘退化[1-3]。有效区分局部放电有助于确定绝缘恶化的严重程度和局部放电的位置，对检修电力变压器具有重要的指导意义。

确定局部放电的关键步骤是提取放电特征量，即针对放电信号所包含的信息进行深入挖掘，从中提取能够有效区分不同放电类型的特征信息。由于局部放电信号是典型的暂态、非平稳信号[4-6]，比较微弱，波形易受噪声干扰影响，对采集信号要求高，目前提出的普通提取法很难准确提取出表征波形特征的特征量，且物理意义不明确，在实际应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年提出的一种非线性特征分析方法[8-10]，是在不同尺度因子下对时间序列的复杂性和无规则水平的度量，现已应用到生理时间序列的分析、电机主轴偏心故障检测、复合铣削过程动力学分析等领域[11]。该方法既可以从整体上衡量信号的复杂度，又可以从不同尺度上发掘深层次的细节特征，从定性和定量两个角度有效辨识不同类型的信号[12]。

支持向量机(Support Vector Machine，SVM)是在1963年提出的分类技术[13]，主要应用于模式识别统计学习理论。在解决小样本、非线性及高维模式识别具有独特的优点，并能够推广应用到函数拟合等其他机器学习问题中。现在该算法主要被应用在石油测井中利用测井资料预测地层孔隙度及粘粒含量、天气预报工作及变压器放电信号识别等[14]。

本文提出一种基于多尺度熵特征提取方法，对放电信号进行特征提取，并将得到的特征量输入支持向量机对放电类型进行模式识别。实验结果表明，本文所提方法可以有效提取局部放电信号特征量。

1基于多尺度熵理论的放电信号特征提取

输变电设备中产生的局部放电信号是快速变化的非平稳信号，其有差异的放电类型或放电强度在不同时间尺度上表现为不同的复杂性。当输变电设备没有发生局部放电时，伴随着设备本体周期性的振动，加之外界干扰因素的影响，使得采集到的信号随机性强，在不同时间尺度上具有较高的复杂性；当输变电设备发生局部放电时，会产生脉冲，且不同类型的放电所产生脉冲规律不同，此时局部放电信号的复杂度降低[15]。

鉴于多尺度熵既可以从整体上表征信号的复杂性，又能从不同的时空尺度来揭示信号的细节特性。因此，可用来分析局部放电信号的复杂性特征，并以此为依据来判断不同的放电类型。假设原始数据为X={x1,x2,…,xN}，则MSE的具体计算过程如下。

步骤1：粗粒化(coarsegraining)处理。将原始数据转换成互不交叠的长为τ的窗，对窗内的序列取平均值得到τ尺度上的粗粒化子序列{y(τ)}。每个元素yj(τ)可通过式(1)得到

(1)

每个粗粒化后的序列长度为原序列的长度除以τ。尺度τ=1对应的时间序列{y(1) }是原时间序列。

步骤2：计算样本熵值。对于粗粒化子序列{y(1)，y (2)，…，y (M)}，M为序列长度，其样本熵计算如下：

1)给定模式维数m，由原始序列构成m维数矢量

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

(2)

2)定义Y(i)和Y(j)之间的距离

(3)

其中,1≤i≤N-m，j≠i。

(4)

(5)

4)m←m+1，重复(1)～(3)，得到Bm+1(r)。

5)理论上，此序列的样本熵为

(6)

当N取有限值时，取SampEn预计值为

(7)

根据(2)～(7)式计算每一个尺度序列的样本熵，即建立了以尺度τ为自变量，以样本熵为因变量的函数，如式(8)所示，可用于分析该信号时间序列的复杂度。

MSE(X)=SampEn(y(τ),m,r)

(8)

显然，多尺度熵与尺度因子τ，嵌入维数m和相似容限r这三个参数有关，本文选取m=2，r=0.1σ，其中σ为原始序列的标准差。

2支持向量机

2.1支持向量机介绍

支持向量机(SVM)具有解决小样本、非线性和高维模式识别分类方法的优点，它是基于有限的样本数据在模型中找到推广能力和学习误差模型之间的最佳平衡，以获得良好的泛化能力[16]。

支持向量机基本思想是找到一个超平面(hyperplane)，使其分离两类数据点，并使分离后两类数据点距离超平面最远。支持向量机就是在训练样本集的条件下T={(xi,yi),i=1,…,l}∈(Rn×Y)l，其中xi∈Rn,yi∈Y={1,-1}，i=1,…,l的情况下，构造超平面将两类样本采样点分开的过程。其中，样本中离超平面(w·x)+b=0最近的点到超平面的距离称为间隔(margin)，如图1所示。

图1　最优分类超平面

2.2支持向量机算法

定义分类平面d(x)=ωTx+b=0,ω∈Rn,b∈R，该分类平面能够将线性可分训练样本集(x1,y1)，…，(xn,yn)，x∈Rn，y∈{+1,-1}精确分开，并通过平面获得的正负边缘最大化样品之间的隔离，则得到超平面为：

yi(ωTxi+b)≥1,i=1,2,…,N

正反样本距分类超平面的距离，即分类间隔为:

(9)

因此，如何构造最佳分类超平面就转化成求解最大分类间隔问题，即为最小时:

(1)政府方面。农村健康教育是不容忽视的,是中国健康教育最基本的特色,是符合中国国情的,积极发挥政府职能,探索将健康教育纳入公共卫生、医疗保险统筹报销范围;完善相关制度,增强农村留守老人关爱工作。

(10)

利用不等式约束条件极值方法求解，有:

(11)

式中，αi≥0是拉格朗日(Lagrange)算子。

分别对式(11)中的w，b求偏导数，并求最小值，然后将其转化成对偶问题:

(12)

约束下对αi求解下列函数最大值:

(13)

(14)

综上，最优分类函数为:

(15)

(16)

核分类函数表示为:

(17)

3实验分析与结果

3.1基于多尺度熵的放电信号特征提取

本文对电晕、尖对板、板对板和悬浮四种局部放电模型进行局部放电信号的检测，并用本文所提方法对放电信号进行特征提取和模式识别。其中，每种类型样本均取50个。四种类型放电信号时域波形分别如图2所示。

(a)电晕放电 (b)多尖对板放电

(c)板对板放电 (d)悬浮放电图2　4种类型放电信号的时域波形

分别对所测不同类型的放电信号采用多尺度熵的方法进行特征提取，时间尺度为τ=20，四种类型放电信号的多尺度熵如图3所示。由图3可得，不同类型的放电类型在时间相同尺度下会表现出不同的复杂度，可以根据这个特点对不同类型的放电信号进行模式识别。

(a)电晕放电(b)多尖对板放电

(c)板对板放电 (d)悬浮放电图3　4种类型的放电信号多尺度熵

3.2基于支持向量机的放电类型模式识别

选取电晕放电、多尖对板放电、板对板放电和悬浮放电4种放电类型共200个样本，从所有样本随机抽取150组数据用于SVM网络训练，剩余50组数据作为测试向量组，识别结果如表1所示。由表1可以看出，放电类型识别正确率均达到了85%以上，平均识别达到88.2%，说明本文所提方法可以有效识别局部放电类型。

表1　以多尺度熵为特征量的识别结果

4结论

局部放电信号模式识别中，本文提出的以MSE-SVM作为特征量识别正确率放电类型识别正确率均达到了85%以上，平均识别达到88.2%，说明本文所提方法可以有效识别局部放电类型，具有较高的诊断准确性和更好的实用性。

参考文献：

[1]王国利,郝艳捧.电力变压器局部放电检测技术的现状和发展[J].电工电能新技术, 2001, 20(2)：52-57.

[2]李燕青,陈志业.超声波法进行变压器局部放电模式识别的研究[J].中国电机工程学报, 2003, 23(2)：108-111.

[3]郭俊,吴广宁,张血琴,等.局部放电检测技术的现状和发展[J].电工技术学报, 2005, 20(2)：29-35.

[4]萧宝瑾,安永东,龚泽云,等.变压器局部放电在线监测技术的改进[J].电子测量技术,2012,35(3):132-135.

[5]肖燕,黄成军,郁惟镛,等.基于小波和分形分析的GIS局部放电信号特征提取[J].电力系统自动化,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]陈慧,张磊,熊国良,等.滚动轴承的MSE和PNN故障诊断方法[J].噪声与振动控制,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,徐扬,苑津莎,等.基于主动学习SVM的变压器局部放电模式识别[J].华北电力大学学报,2013,40(4)：27-31.

[10]郑近德,程军圣,杨宇.基于多尺度熵的滚动轴承故障诊断方法[J].湖南大学学报：自然科学版,2012,39(5)：38-41.

[11]李莉,朱永利,宋亚奇.多尺度熵在变压器振动信号特征提取中的应用[J].振动、测试与诊断,2015,35(4)：757-762.

[12]张坤,郝伟,郝旺身,等.基于小波去噪和MSE的滚动轴承故障诊断[J].煤矿机械,2015,9：126.

[13]杨松山,周灏,赵海洋,等.基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法[J].机械传动,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.基于可能性理论的模糊支持向量分类机[J].模式识别与人工智能,2007，20(1)：7-14.

[16]何涛,谷朝臣,胡洁.基于支持向量机的肌电信号小波特征分类解码[J].华中科技大学学报(自然科学版)，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

中图分类号：TM411

文献标识码：A

文章编号：1001-9383(2016)01-0007-07

作者简介:吕霞(1987-)，女，宁夏石嘴山人，硕士.研究方向为输变电设备故障诊断.E-mail：839983153@qq.com

收稿日期：2015-10-31