基于EEMD和二维Gabor变换的GIS局放特征融合识别方法

董晨晔， 钱勇， 钟勇， 许永鹏， 盛戈皞， 江秀臣

(1.上海交通大学 电气工程系，上海 200240；2.国网山东省电力公司淄博供电公司，山东 淄博 255000)

0 引 言

由绝缘缺陷造成的局部放电对于GIS设备来说是十分重要的隐患，因此对于GIS局部放电的检测方法就显得尤为关键[1]。GIS局部放电的带电检测能够准确地判别GIS内部存在绝缘缺陷与否，并且以此为基础确定产生局部放电的缺陷点以便作出正确的应对策略。GIS内部可能存在的绝缘缺陷类型有多种，每一种不同的绝缘缺陷类型对于GIS设备的危害程度与影响方式都不尽相同，因此除了对于局部放电信号的检测，更为关键的是对于这一局部放电信号的模式识别与绝缘缺陷类型判断[2]。

GIS设备产生局部放电时往往会出现与正常情况不同的超声信号、特高频信号以及光信号等[3]。通过对于不同种类局部放电信号的重点采集，衍生出了不同原理的检测方法。根据检测手段带电与否，可以总分为非电测法和电测法两大类别。常用的非电测法有光子检测法以及超声检测法等。常用的电测法有特高频法等[4]。

经验模式分解(Empirical Mode Decomposition,EMD)应用于处理非平稳信号而且能够根据数据特征不断逼近目标，这一方法的主要作用是将原始信号根据不同的阶段特点分解为数个固有模态分量(Intrinsic Mode Functions, IMFs)，但是由于模态混叠的影响，相邻的IMF往往难以区分[5]。为了解决这一问题，本文使用了在EMD方法的基础上改进的总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)[6]。

Gabor变换由 Dennis Gabor首先提出，是一种具体形式下的加窗短时傅里叶变换[7]。当加窗短时傅里叶变换中的窗函数选取为Gauss窗函数时，此时的变换就成为Gabor变换。Gabor函数主要用来获得信号在频率领域的相关特征。Gabor 滤波器具有很强的空间定位和方向选择特性，使Gabor小波在辨别局部特征方面表现良好，也因此被广泛应用于不同模式的识别中[8]。

本文提出将EEMD和二维Gabor结合的方法用于GIS局放特征融合识别。首先获得GIS局部放电的时域信号，并将其进行EMMD分解，获取若干IMF分量。同时获取局放信号的PRPD图谱进行二维Gabor变换。然后提取出EMMD分解与二维Gabor变换后每个子图的脉冲因子与裕度因子，通过训练后的随机森林模型进行GIS局放的模式识别。该方法综合了EMMD与二维Gabor变换的优势，对于识别几种常见的GIS局放模型的正确率可以达到90%以上。

1 EEMD原理

EEMD的主要方法是将高斯白噪声信号添加到原始信号中，由于原始信号在各个阶段的分布特性不同而高斯白噪声在各个阶段均相同，从而让原始信号更好地分布到不同的参考阶段，不会受到模态混叠的影响。在分解完成之后要去除白噪声的分量，从而得到最终结果，可以通过对所得IMF分量多次取平均值实现[9]。利用EEMD方法分解信号的具体实现方法为：

(1)确定使用的高斯白噪声的相关参数,噪声的标准差可设定为原始信号标准差的五分之一左右。

(2)将设定好的高斯白噪声信号ni(t)添加到原始信号x(t)中，即:

xi(t)=x(t)+ni(t)

(1)

(3)对xi(t)进行EMD分解，得到若干个固有模态分量cij(t)与1个残余分量ri(t)。其中cij(t)的下标中i表示进行EMD分解的次数，j表示分解所得固有模态分量的次序。

(4)将上述步骤重复进行M次，M即为EEMD分解的平均次数，然后把获得的IMF分量反复取平均值以去除高斯白噪声的分量，最终得到的IMF分量为:

(2)

式中：cj(t)表示最终得到的第j个IMF分量[10]。

通过EEMD方法能够把原始信号分解为若干个IMF分量，并且根据频带进行区分，实现信号的自我调整与适应。在此基础上可进一步计算得到各个分量的模糊熵，这有利于区分不同种类超声信号的特征，提高模式识别的准确度[11]。以常用的GIS缺陷模型之一尖端放电为例，局部放电信号进行EEMD分解后获取的IMF分量如图1所示。

2 二维gabor变换原理

二维Gabor小波变换系数的数值受到坐标变化的影响较小。且二维Gabor变换对于边缘特征较为敏感，有利于提取信号的特征，特征应优先于图像灰度变换处进行提取[12]。由于上文提到的稳定性，二维Gabor小波对于发生过微小变形的图像信号依然使用，在一定程度上避免了噪声的影响。另外，在二维Gabor变换中要滤除图形信号的直流分量，可以通过将原始信号的实数分量向负方向移动e-(σ2/2)，调整之后可以确保二维Gabor变换不会受到光照变化等因素的影响[13]。

图1 尖端放电EEMD分解实例

因此，二维Gabor小波基函数g(x,y)定义为:

(3)

gmn(x,y)=a-mng(x′,y′),a>1,m,n∈Z

(4)

式中：σ表示高斯窗口的大小;gmn(x,y)为g(x,y)进行旋转和放缩的滤波器函数;a,m,n为旋转放缩系数。

综上所述，根据上文提到的函数以及参数的定义，对原始信号I(x,y)的二维Gabor变换可以定义为:

(5)

GIS局放信号二维Gabor变换的具体步骤为:

(1)利用波形分析提取相关特征，处理原始信号I(x,y)中的特征，构建Gabor特征向量F(F∈Rm)。

(2)按照k(x,y)=(x·y)d(0

(3)根据KFDA算法的原理在Rn内构建不同类别的矩阵Sb和同一类别的矩阵Sw。

(6)

(7)

计算获得α1,α2,…,αn为矩阵Sw的标准正交向量。

(4)提取显著判别特征向量。令:

以GIS常用的缺陷模型之一气隙放电为例，图2为气隙放电图谱的Gabor变换实例图，其中图2(a)、图2(b)、图2(c)分别为同一方向情况下，中心频率v为1，2，3的Garbor变换分解图。

3 试验分析

试验的流程如图3所示，利用实验室自行设计的GIS缺陷模型采集局部放电数据。根据局放数据的时域信号和PRPD图谱分别进行EEMD分解和二维Gabor变换。从变换后的分图中提取相关特征参数，代入训练后的随机森林模型进行模式识别[15]。

图2 气隙放电Gabor变换实例

图3 试验流程图

3.1 试验数据采集

造成GIS中局部放电的原因有很多，主要有表面杂质、接触问题以及悬浮等，如图4所示。为了较好地模仿这些缺陷的特征，采用下面四种缺陷模型:①针尖模型，其中针尖为长20 mm的铜制圆锥，置于平板电极上方的5 mm处 ;②气隙模型，通过平板电极中放置30 mm厚的环氧树脂板实现，环氧树脂板中存在气隙；③微粒模型，将铜颗粒置于平板电极上即可; ④悬浮电极模型，将金属块置于环氧树脂板之间，再在两端加上平板电极来实现悬浮电极[16]。

局放试验采集原始局放信号的主要流程如下：将上文所述的缺陷模型放在充有六氟化硫气体的GIS腔体内，模型的两端分别连接高压端与地端。通过高压发生器向模型施加电压，通过局放仪观察模型的局部放电情况，待缺陷模型出现稳定的局部放电后特高频采集系统会采集到局部放电的特高频信号。每种缺陷模型均获取100组局部放电特高频信号样本。

图4 缺陷模型示意图

3.2 特征参数选择与性能分析

特征参数选择了脉冲因子与裕度因子。分别提取EEMD与二维Gabor变换的每个子图下的脉冲因子与裕度因子[17-18]，如表1所示。

表1 特征参数集合

将上述特征代入训练后的森林模型进行处理。随机森林(Random Forests)模型在机器学习模型中较为新颖且适用范围很广。在创建决策树的过程中有两次随机的过程:首先是在原始信号中按照一定的规则随机选择训练样本;其次每棵决策树用到的相关特征是通过原有特征集中创建分类树后统一获得。整个随机森林模型包含多个决策树，局部放电特高频信号的最终类型判定由每一个决策树的判定结果共同决定[19]。

3.3 试验结果

单独使用EEMD与二维Gabor变换以及综合使用两种算法的GIS局部放电的识别率如表2所示。

表2 识别结果

从表2可以看出，对于缺陷模型A和C，EEMD算法能够保持90%以上的识别率，而对于缺陷模型D的识别率最低，只有70%。对于二维Gabor算法来说，四种类型的缺陷模型识别率均能达到80%以上，平均识别率要高于EEMD算法，但只有缺陷模型C达到了90%以上的识别率。同时，综合使用EEMD与二维Gabor两种算法时对于四种缺陷模型的识别率均达到90%以上，平均识别率明显高于单独使用EEMD或是二维Gabor算法，并且在缺陷模型A和C下识别率高达98%。

4 结束语

(1)针对GIS局部放电的模式识别，提出基于EEMD和二维Gabor变换的特征融合识别方法。根据GIS局部放电的时域信号和PRPD图谱分别进行EEMD分解与二维Gabor变换，并从每一个分解的分图中提取特征参数脉冲因子与裕度因子，通过训练后的随机森林模型完成模式识别。

(2)以实验室设计的缺陷模型收集到的局放信号为例进行模式识别，结果表明，基于EEMD的算法在缺陷模型D的识别方面正确率只有70%，基于二维Gabor变换的算法在识别大多数常见缺陷模型时正确率在90%以下。而本文提出的EEMD与二维Gabor变换特征融合识别方法在所有缺陷模型的识别率都在90%以上，明显高于上述两种单独识别方法。这一特征融合识别方法能够显著提高GIS局部放电模式识别的正确率。