基于最小二乘支持向量机的局部放电信号的识别

孟稳

（镇江高等专科学校，江苏镇江212000）

基于最小二乘支持向量机的局部放电信号的识别

孟稳

（镇江高等专科学校，江苏镇江212000）

为提高小样本情况下识别局部放电信号的正确率，采用最小二乘支持向量机（LSSVM）对局部放电信号进行识别，利用网格搜索法先进行粗略搜索，再精细搜索参数，进行参数寻优。采用M-ary方法进行多分类。并采用LSSVM和BP神经网络两种分类器对局部放电信号进行识别，识别结果表明，LSSVM识别率比BP要高。该方法在小样本情况下具有更高的识别率。

局部放电信号；最小二乘支持向量机；识别

变压器是电力系统的枢纽性设备，其可靠安全的运行决定了电力系统的可靠性。绝缘老化是变压器发生故障的主要原因，而局部放电是变压器绝缘劣化的先兆及表现形式，所以对变压器局部放电信号的研究有着重要意义。

近年来，人工智能算法已经广泛地应用于局部放电信号的识别中，可以有效地识别局部放电的类型。BP神经网络虽然因其自学能力强和较强非线性映射能力在局部放电模式识别中应用广泛，但对初始权值和阈值的选取敏感、需要大量训练样本、容易陷入局部极小点、训练周期长、算法收敛速度慢、效率低等缺点，尤其是当局部放电信号的样本数目不足够多时，很难获得较为理想的学习效果。针对这些问题，本文采用最小二乘支持向量机识别局部放电类型。

1最小二乘支持向量机算法

1.1 最小二乘支持向量机

LSSVM把SVM中的不等式约束条件转化成等式约束形式，采用最小二乘线性组合作为经验损失函数，使求解速度相对加快。

设有l个数据样本的训练集合（xi，yi）（i=1，2，…，l），其中，输入xi∈Rn，输出数据yi属于R.可以通过高维特征空间中的线性函数对样本集进行拟合，样本集从输入空间通过非线性映射到高维空间，在高维特征空间中构造的线性决策函数为：y（x）=sgn（f（x）），函数f（x）表示为：

式中：φ（·）表示输入空间到特征空间的映射，w为权重，b为偏差项。

求解LSSVM分类问题的最优化问题的目标函数：

式中：ξi为松弛变量，C为正规划参数。

为了解决上述最优化问题，把约束优化的问题转换成无约束的优化问题，建立Lagrange函数：

式中：ai为Lagrange乘子，根据KKT条件，然后消去w和ξi，结合Mercer条件后，可以得到下面矩阵方程：

LSSVM的分类决策函数为：

式中：ai和b是线性矩阵方程组的解，K（x，xi）为核函数，因为高斯核函数可以使LSSVM有较好的性能和推广能力。因此，本文采用该核函数：

LSSVM的正则化参数和核函数中的参数决定了LSSVM学习和泛化能力。

1.2 LSSVM参数寻优

最优参数寻优通常采取网格搜索算法，针对传统的网格搜索算法得到的多数参数组所对应的分类准确率非常低，只有在一个相对比较小的区间内其分类准确率高，很浪费时间。本文采取先粗略搜索，选取最佳参数（C，g），即得到局部最优参数。然后，在该（C，g）附近选取个区间较小的，采用小步长进行第二次精细搜索，从而得到最优参数。

2变压器局部放电信号特征量的提取

文按照CMII标准制备了三种典型的人工绝缘缺陷模型[1]：气隙放电模型、沿面放电模型和电晕放电模型。通过局部放电实验[2]采集该三种人工绝缘缺陷模型的放电信号，每种放电模型的采集的信号样本数为90个。

局部放电信号通过经验模特分解可以得到若干个频率由高到低的本征模态分量（IMF），其过程是自适应。通过分析可知，不同种类的局部放电信号其模态分量差异较大，可以提取本征模态的特征参数作为特征量。利用模态分量的分形特征，提取局部放电信号的特征信息。除此之外，提取分形特征可以大大地减少特征提取量。所以可以通过计算含有主要信息的本征模态函数的分形维数，从而提取不同局部放电信号的分形特征。

本文采用改进差盒计数方法[3]计算包含局部放电信号的主要信息的本征分量的分维数，可以获得特征向量。为了后面更好地处理信号，所以对局部放电信号的IMF分量的分形维数进行归一化处理。三种局部放电信号主要IMF分量的分维数计算结果如图1所示。

图1 三种放电信号本征模态分量的分维数

3 LSSVM在局部放电信号识别的应用

本文采用M-ary[4]分类方法进行多类别分类，识别3种局部放电类型，需要构造2个分类器。记S1为气隙放电，S2为油中沿面放电，S3为油中电晕放电，则样本标记如表1所示。

表1 两个分类器的类别标识

由表1可知，测试时，若某一放电样本数据在分类器1中标记为正，在分类器2标记为负，则分类结果为S2.三种测试样本分类结果如表2所示。

表2 两个分类器的识别结果

本文针对三种局部放电类型分别采集了90组放电信号，提取信号本征模态分量的奇异值特征量作为样本，50组样本用于训练每个LSSVM子分类器，其余用来测试，并根据上述方法对其标记。同时采用相同的样本，用BP神经网络对变压器局部放电信号进行识别，其识别结果如表3所示。

表3 局部放电信号识别结果

从表3中的结果可以看出：小样本情况下，LSSVM的识别率高于BP神经网络，LSSVM更能够有效地识别局部放电信号。

4结束语

局部放电信号通过经验模态分解，提取主要IMF分量的SVD作为特征量，采用BP和LSSVM两种模型进行识别，LSSVM的识别率较高，并能克服BP神经网络结构难确定、收敛速度慢以及需要大量样本数据等问题，可以较好地解决样本数据少、非线性分类识别等问题，有很好的推广性。

[1]孙博.电力变压器局部放电信号去噪及特征量提取方法研究[D].徐州：中国矿业大学，2014.

[2]李剑，王小维，金卓睿，等.变压器局部放电超高频信号多尺度网格维数的提取与识别[J].电网技术，2010，34（2）：159-163.

[3]金卓睿.变压器局部放电超高频监测分形天线与最优小波去噪及信号识别研究[D].重庆：重庆大学，2008.

[4]Sebald D J，Bucklew JA.Support vectormachines and the multiple hypothesis test problem[J].IEEE Transactions on Signal Processing，2001，49（11）：2865-2872.

Recognition of PartialDischarge Signals Based on LSSVM

MENGWen
（Zhenjiang College，Zhenjiang Jiangsu 212000，China）

In order to improve the correct rate of partial discharge pattern recognition under condition of small samples，the least square support vector machine（LSSVM）was used to recognize the partial discharge in this thesis.Grid search algorithm was adopted to realize parameter optimization by the way from roughly search to fine search.M-ary classification was used asmulti-classification.Partial discharge signals were classified by LSSVM and BP.The recognition rate by LSSVM is higher than that by BP.The method enables to detect a high recognition rate under condition of small samples.

partial discharge signals；LSSVM；pattern recognition

TM406

A

1672-545X（2016）12-0194-02

2016-09-18

孟稳（1990-），女，江苏徐州人，硕士，助教，研究方向为控制科学与工程。