GIS局部放电脉冲分类特征提取算法
2016-06-14鲍永胜郝峰杰徐建忠张远航
鲍永胜 郝峰杰 徐建忠 张远航
(1.国网宁夏电力公司银川供电公司 银川 750001 2.国网天津市电力公司检修公司 天津 300232 3.国网宁夏电力公司检修公司 银川 750001)
GIS局部放电脉冲分类特征提取算法
鲍永胜1郝峰杰2徐建忠3张远航1
(1.国网宁夏电力公司银川供电公司银川750001 2.国网天津市电力公司检修公司天津300232 3.国网宁夏电力公司检修公司银川750001)
摘要传统的基于局部放电脉冲时频信息构建的局部放电脉冲群分类谱图，多数只能提取表征局部放电脉冲波形特征的低维特征量。当分类算法需要更多的特征量来完成对放电脉冲群的分类工作时，采用上述算法则不能有效地完成对局部放电脉冲群的分类工作。为此提出了采用等效时频熵算法来提取表征局部放电脉冲波形特征的多维特征量，构建放电脉冲群的等效时频熵分类谱图，并与改进的模糊C均值聚类算法相结合实现对不同类型局部放电脉冲群的分类工作。基于气体绝缘组合开关设备(GIS)的实验结果证实了上述方法的有效性和合理性，为研制基于单一人工缺陷模型的局部放电在线监测和识别系统提供了实验和理论依据。
关键词：局部放电模糊C均值聚类算法特征提取在线监测等效时频熵
0引言
随着电力设备投入运行时间的增长，其内部绝缘逐渐出现劣化现象，导致其绝缘能力不断下降，对电网的稳定运行造成严重影响。解决这些问题的关键是在线监测技术。电力设备内部放电情况的实时监测，对于了解设备的绝缘情况、指导设备的检修周期、保证电网的安全稳定运行具有重要意义。然而要更准确地了解电力设备局部放电产生的原因和机理，一种有效的方法是对局部放电信号进行放电模式识别。
目前对于局部放电在线监测技术的研究多集中在放电模式识别和分类算法上。基于支持向量机算法[1-4]、人工神经网络算法[5-8]、模糊识别[9]以及核主分量分析[10]等均已取得了良好的效果。在分类算法上采用聚类算法[13-15]、基于网格和密度的聚类算法[16]以及竞争学习网络算法[17]来实现对放电脉冲群的分类工作均已取得了较好的效果。然而，如果没有区分度较大的分类特征量，再好的分类算法也无法有效地完成对多局部放电脉冲群的分类工作，进而导致整个系统无法对电力设备的局部放电情况做出准确判断。针对这一问题，国内外一些学者已做了大量研究工作[8，11-13，15，17，18]，但在脉冲波形特征量提取方面只给出了低维(2～4)特征量，如果分类算法需要更多的特征量来表征脉冲波形的特征，采用上述方法将不能很好地完成对脉冲群的分类工作。文献[12，13]虽然给出了分类算法所需要的高维特征量，然而其特征量在不同类型的放电脉冲之间的差距仍然较小，且其高维特征表现的尤为明显。
本文研制了一种新的局部放电分类特征提取技术，即通过等效时频熵算法来提取用于脉冲群分类的特征量。与传统的等效时频算法相比，此算法不仅能提取表征放电脉冲波形特征的多维特征量，而且与等效时频宽算法相比，其不同类型的放电脉冲群之间具有更大的差异性，更有利于后续的分类工作而得到最为合理的分类结果。同时在文献[13]的FCM(fuzzy C-means)均值聚类算法的基础上引入自动控制理论的思想，使整个分类系统变得更加智能。基于GIS的局部放电实验结果证实了新的分类特征具有更大的区分不同类型放电脉冲的能力。同时与引入自动控制理论的FCM均值聚类算法相结合可以很好地完成对多含有多局部放电源的放电脉冲群的分类工作。
1基于等效时频熵的分类特征因子
特征因子即可以用于将不同类型的放电脉冲信号区分开来的特征向量序列，其选取的合适与否直接关系到系统识别结果的准确性。等效时频熵算法可以在表征局部放电脉冲时频域特征的基础上，提取表征脉冲时频特征的高维特征量作为分类算法的分类特征量。
对于采集到的局部放电脉冲信号，可以通过求取其时频熵对其进行描述。熵测度是信号整体统计特征的一种描述，反映了信号概率分布的均匀性，是整体不确定性度量的平均。由同一局部放电源产生的局部放电脉冲，由于其具有相似的统计特征，因此具有相同的时频熵。将放电脉冲信号的时域波形在每一时刻的幅值看成时间变量的概率密度函数，将其对应的傅里叶变换函数在每一频率点的幅值看成是频率变量的概率密度函数，而求取其在时域及频域的信息熵即为时频熵。而由不同局部放电源产生的放电脉冲，由于没有相同的统计特征，因此其具有不同的时频熵。所以，可通过提取局部放电脉冲信号的高维时频熵用以形成局部放电脉冲群分类特征谱图，再通过改进的FCM分类算法实现对含有多局放源的脉冲群的分类工作，并结合现有的识别算法来对其放电模式进行识别，以此来判断电力设备内部产生局部放电的原因及其性质，并对电力设备内部的绝缘情况做出准确的判断。为便于分析，对采集到的局部放电脉冲序列做如下处理[13，17]。
(1)
式中，j为第j个脉冲；ai为第i个点的时域波形值，mV；Δt为采样时间间隔；Δt(i-1)为第i个点对应的时间；n表示脉冲由n个点组成。图1为一典型放电信号的放电脉冲波形。
图1 局部放电脉冲的时域波形Fig.1 The PD pulse in time domain waveform
对采集到的局部放电脉冲序列做离散傅里叶变换可得
(2)
式中，Ai为第i个点的频谱幅值；Δf(i-1)为第i个点的频率值。频域波形如图2所示。
(3)
式中，Pj(ti)为对应某一放电脉冲的第i个点的ai值；Pj(fi)为对应某一放电脉冲的第i个点的Ai值。
图2 局部放电脉冲的频域波形Fig.2 The PD pulse in frequency domain waveform
传统的提取局部放电脉冲信号的等效时宽与等效频宽[17]只能提取表征局部放电脉冲波形信息的二维特征量，在分类算法需要更多的表征放电脉冲波形特征的特征量时，上述算法则不能实现。因此，若将局部放电脉冲信号的时域波形作为时间变量的概率密度分布，其傅里叶变换所得频域波形各频谱分量的幅值作为频率变量的概率密度分布，则可以引入表征脉冲波形特征的信息量。这里引入Renyi信息量，其定义为
(4)
通过引入Renyi信息量虽然可以得到表征局部放电脉冲波形信息的高维特征量，但是当a为奇数时可能出现积分项为负值，而使其失去意义，进而无法作为局部放电脉冲群分类特征谱图的特征量，且其有效性仍有待考证。而任何随机过程的高阶统计量都可以通过计算其k阶累积量来获得[8]，因此在引入Renyi信息量以及随机过程高阶统计量计算方法的基础上，通过对文献[8，13，16-17，19-23]的研究，对表征脉冲波形特征的时频信息特征进行了拓展，提出用于获取脉冲信号波形特征的高维特征量的计算方法，其计算公式为
(5)
(6)
2模糊C均值聚类算法
模糊C均值聚类(FCM)算法是目前应用最为广泛和灵敏的基于目标函数的一种分类算法，其在局部放电在线监测系统中的应用情况详见文献[13]，这里不再阐述。在采用文献[13]的改进型可自动输出分类结果的FCM算法的基础上引入自动控制理论的思想，即在归类的过程中不是按照隶属度最大的原则归类而是设定了一定的条件
(7)
式中，vi为此脉冲隶属于第i类的隶属度；a为设定的阈值；vmax2为某放电脉冲的隶属度矩阵中第二大隶属度对应的值，即只有在最大隶属度大于给定的阈值的情况下才对此脉冲进行归类，否则将不对其进行归类；同时在满足最大隶属度大于给定阈值的基础上，还要求其不会对其他某一类具有较大的隶属情况，才对其进行归类，否则将不对其进行归类。即以分三类为例，令a=0.6，ε=0.45，则通过条件1可以去除隶属度为(0.5，0.3，0.2)的点，而通过条件2可以在条件1的基础上滤除隶属度为(0.65，0.3，0.05)的点。这样通过设定上述两个分类条件，可以保证每一类中的脉冲都具有非常高的相似度，即完全可以认为它们是由同一局放源产生的放电脉冲。
虽然通过以上引入阈值的思想，实现了对分类脉冲的两次过滤。但是如何选取合适的a和ε仍是一个重要的问题：如果a值选取过大将导致在采集到的局放脉冲较少时，每一个子类的脉冲数较少而增加识别结果的偶然误差；而当a的值选取过小时将导致在采集到的局放脉冲数较大时使每一子类内脉冲的纯度降低而失去了增加阈值滤波的意义。而ε值的选取对整个系统的影响与a相同。针对这一问题，通过引入自动控制理论的方法，即引入自适应线性函数使a和ε的值可以跟随脉冲数变化，从而实现对a和ε的自动控制，其形式为
(8)
式中，n为采集到的脉冲数量；nmax、nmin分别为预先设定的脉冲数量的最大值和最小值。当n
3GIS实验结果与分析
为了验证新提出的等效时频熵算法在描述不同类型放电脉冲波形特征上的有效性，仅以二次等效时熵与二次等效频熵组成的二维特征量为例对上述算法进行分析。同时，对GIS设备的局部放电实验所采集的局放数据进行了实验。其中数据采集卡使用双通道高速示波采集卡NI5112，采样速率为100 Ms/s，采集卡存储深度为16 MB，采集卡参数设置使得其中一通道可以同步采集局放数据，其起始点和结束点分别对应工频电压信号的初始和结束相位。每个放电脉冲的采集时长为1 μs，即每个放电脉冲采集100个点来表示此放电脉冲的放电波形，共采集100个工频放电周期的放电信号。母线尖刺放电情况，采取在GIS母线处利用螺纹放一铜质尖刺的办法模拟母线尖刺放电的故障，并充入0.4 MPa的SF6气体进行采集分析，如图3a所示；针对沿面放电的情况，在母线筒壁上用绝缘陶瓷支撑一铁片，并在GIS气室内有少量空气的情况下充入SF6气体至0.4 MPa模拟故障，如图3b所示；而对于正常的工作状况，仪器会自动监测整个实验场所内的随机噪声干扰信号。
图3 实验模型Fig.3 Test model
以下所使用的数据为上述两种类型的混合数据以模拟实际GIS在线监测监测点(盆式绝缘子)两侧不同气室内存在不同类型的放电源。为了证实新算法的有效性，给出了实验条件下所采集到的局部放电类脉冲的时域以及频域波形如图4所示。
图4 局部放电脉冲的时域以及频域波形Fig.4 The PD pulse in time and frequency domain waveform
从图4同样可以看出，沿面放电正负半周内的放电脉冲在时域以及频域上均具有较大的相似性，但其仍具有一定的差异。而其与母线尖刺放电相比，在时域上振荡频率较大，在频域上所跨的频率范围较大。而母线尖刺放电、沿面放电与干扰噪声放电相比，其均是先达到放电峰值而后逐渐衰减，而噪声则无规律，随机性较大。不同类型的放电脉冲信号在时域以及频域熵的差异也为等效时频熵算法的应用提供了基础。
为了验证等效时频熵算法作为局部放电脉冲群分类特征的优越性，与文献[1]提出的等效时频宽算法进行了比较。其中等效时频宽算法的具体过程详见文献[1]，此处不再阐述。为了更好地对实验结果进行分析比较，此处将上述算法所得到的实际结果均按相同归一化方法进行了归一化处理，其归一化后的结果如图5所示。
图5 采用不同算法所得到的分类特征谱图Fig.5 Using different algorithms obtained the Classification spectrum
从图5可以得出，对于同一组含有多局放源和干扰源的局部放电数据，采用新的等效时频熵算法与文献[1]所提出的等效时频宽算法均能很好地区别不同类型的放电脉冲及干扰脉冲。从图5a和图5b的对比可以看出，采用新的等效时频熵算法所得到的分类谱图，不同放电源产生的放电脉冲其在横坐标上与等效时频宽算法相比具有更大的差异性，但在纵坐标上其差异性略差一些。综合来看采用上述两种方法所得的二次时频特征分类谱图在区分不同类型的局部放电脉冲时具有同等的效果。然而在拓展的高维特征上如图5c和图5d给出的三次等效时频熵与三次等效时频宽的对比中可以看出，采用三次等效时频熵算法时，在区分不同放电脉冲的能力上频熵算法明显优于三次等效时频宽算法。从数值上看，采用三次等效时频熵算法所得到的分类谱图的聚类中心分别为(-0.62，-0.5)、(-0.23，0.74)、(0.13，0.91)和(0.61，0.29)，采用三次等效时频宽算法所得到的分类谱图的聚类中心分别为(-0.95，-0.95)、(-0.9，-0.61)、(-0.8，0.88)和(-0，62，-0.9)。同一组含有多局放源的放电数据通过使用上述两种算法得到的分类谱图的聚类中心在横坐标上的跨度分别为1.23和0.34，从这一数字可以看出，采用等效时频熵算法所得到的分类谱图，不同放电脉冲之间具有更大的差异性。采用三次等效时频宽算法所得到的分类谱图中有三类均聚集在很小的范围内，不利于后续算法得到准确的分类结果。采用上述两种算法所得到的4个聚类中心之间的相互距离之和分别为6.49和6.25。从这一数字同样可以看出采用等效时频熵算法所得到的分类谱图可以保证各不同类型的放电脉冲群之间具有更好的分离性。从上述分析中可以看出，当分类算法只需要二维分类特征时，采用上述两种算法均能有效地分离不同类型的放电脉冲群，然而当分类算法需要较多的分类特征时，采用新的等效时频熵算法明显优于采用等效时频宽算法，从而保证不同类型的放电脉冲之间能有效地分离。这将更有利于后续分类算法得到更准确的分类结果，进而有利于最终基于单一人工缺陷模型的识别算法得到令人满意的识别结果。
为了验证改进的FCM分类算法在处理多局放源时的能力，以存在多局放源和干扰源的情况下的两组实验数据为例进行分析。数据1采集3 000个局放脉冲数据点，数据2采集5 000个局放脉冲数据点。系统获得的局放脉冲的波形序列分别如图6、图7所示。
图6 数据1的局放脉冲序列谱图Fig.6 Data 1 PD pulse sequence spectrum
图7 数据2的局放脉冲序列谱图Fig.7 Data 2 PD pulse sequence spectrum
从图6与图7的对比可以看出，当放电脉冲数较少时，采用此算法滤除了较少的放电脉冲而保留了较多的放电脉冲，避免了因脉冲数较少而导致识别结果的偶然误差增大；而当放电脉冲数较多时，采用此算法可以滤除较多的点使保证留下来的每一类内的放电脉冲都具有极高的相似度。同时，从数值上分析，数据1采用此算法滤除了577点保留了2 423点，即保留下来的脉冲占脉冲总数的80.77%，而数据2采用此算法滤除了1 910点保留了3 090点，即保留下来的脉冲占脉冲总数的61.8%。从以上对数据的分析上也可以看出，在脉冲数较少时保留较多的脉冲点，避免增加识别结果的偶然误差；而在脉冲数较多时滤除较多的脉冲点使每一个子类内的脉冲都具有极高的相似度，而更有利于后续的识别工作。
为了证实上述分类结果的准确性，给出数据2所得的分类结果对应得峰值-相位分布谱图如图8所示。
图8 局部放电脉冲群的峰值-相位分布谱图Fig.8 The PD pulse peak-phase distribution spectrum
从图8可以看出，基于等效时频熵算法和改进的FCM分类算法相结合，将一组含有多局放源和干扰源的数据分成了4类。从分布相位上看，类1主要集中于20°～170°之间；类2主要分布于197°～350°之间；类3则主要分布于工频周期波半周的上升阶段且正负半周具有对称型；而类4则均匀分布于整个周期。从上述分析可以看出，不同的子类之间在相位分布上具有不同的特性。从其幅值上看，类1、类2在整个脉冲存在的区间内幅值均无太大变化，且均是在工频周期波上升阶段分布的脉冲数较多，而在下降阶段分布的放电脉冲较少；而类3内的放电脉冲的放电幅值则是呈现先增加后减少的趋势；类4内的放电脉冲的幅值在整个区间内分布均匀无明显变化，且放电脉冲均匀分布于整个放点区间。从上述分析可以看出，类1、类2内的放电脉冲在分布相位及放电量上均具有较大的相似性，后经识别为同一类型的放电脉冲-沿面放电。其在正、负半周信号时频信息上的差异的可能原因是：在沿面放电模型中，GIS设备内空气中的水份在电场的作用下电离出较多的H+离子，因此在负极的作用下更容易产生放电现象，具体影响因素仍有待进一步的研究。而类1、类2与类3及类4之间在分布相位以及放电量上均具有较大的差异性，后经识别类3为母线尖刺放电，而类4为噪声干扰信号。
通过以上分析，可以看出采用等效时频熵算法与改进的FCM均值聚类算法相结合可以有效地完成对不同类型的放电脉冲群的分类工作。这将有利于基于单一人工缺陷模型的识别系统对采集到的含有多局放源的放电数据的放电类型做出更准确的判断，为判断GIS设备内部的放电性质提供依据。
4结论
1)基于等效时频熵算法而得到的分类特征谱图，可以保证不同类型的放电脉冲在分类特征谱图上具有较大的差异。同时，当分类算法需要更多的分类特征量来完成对局部放电脉冲群的分类工作时，采用等效时频熵算法仍能提取用于分类特征的高维特征量，来完成系统对多局放源的分类工作。
2)采用改进的FCM均值聚类算法可以在采集到的放电脉冲数较少时，保留较多的放电脉冲，以减小因数据点太少而带来的偶然误差。同时，在采集到的放电脉冲较多时，滤除较多的分类不明确的放电脉冲，以保证每一个子类内的放电脉冲均是由同一放电源产生，而增加识别结果的准确度。同时，系统在保证留下的放电脉冲具有较高相似度的基础上，也删除了部分有用的放电信号，在这一方面仍有待改进。
3)采用等效时频熵算法与改进的FCM均值聚类算法相结合可以有效地完成对含多局放源的放电脉冲数据的分类工作。这为研制基于单一人工缺陷模型的局部放电在线监测与识别系统提供了实验和理论依据。
参考文献
[1]Hao L，Lewin P L，Dodd S J.Comparison of support vector machine based partial discharge identification parameters[C]//The 2006 IEEE International Symposium on Electrical Insulation，Toronto，Canada，2006：110-113.
[2]Huang C L，Wang C J.A GA-based feature selection and parameters optimization for support vector machines[J].Expert Systems with Applications，2006，31(2)：231-240.
[3]高彩亮，廖志伟，岳苓，等.基于小波奇异值和支持向量机的高压线路故障诊断[J].电力系统保护与控制，2010，38(6)：35-39.
Gao Cailiang，Liao Zhiwei，Yue Ling，et al.Fault diagnosis of HV transmission lines based on wavelet singular value and support vector machine[J].Power System Protection and Control，2010，38(6)：35-39.
[4]任先文，薛雷，宋阳，等.基于分形特征的最小二乘支持向量机局部放电模式识别[J].电力系统保护与控制，2011，39(14)：143-147.
Ren Xianwen，Xue Lei，Song Yang，et al.The pattern recognition of partial discharge based on fractal characteristics using LS-SVM[J].Power System Protection and Control，2011，39(14)：143-147.
[5]周天春，杨丽君，廖瑞金，等.基于局部放电因子向量和BP神经网络的油纸绝缘老化状况诊断[J].电工技术学报，2010，25(10)：18-23.
Zhou Tianchun，Yang Lijun，Liao Ruijin，et al.Diagnosis of aging condition in oil-paper insulation based on factor vectors of partial discharge and BP neural network[J].Transactions of China Electrotechnical Society，2010，25(10)：18-23.
[6]Hoof M，Freisleben M，Patsch R.Partial discharge source identification with navel discharge parameters using counterpropagation neural networks[J].IEEE Transactions on Dielectrics & Electrical Insulation，1997，4(1)：17-32.
[7]苑津莎，尚海昆，王瑜.基于相关系数矩阵和概率神经网络的局部放电模式识别[J].电力系统保护与控制，2013，41(13)：110-115.
Yuan Jinsha，Shang Haikun，Wang Yu.Pattern recognition for partial discharge based on correlation coefficient matrix and probabilistic neural networks[J].Power System Protection and Control，2013，41(13)：110-115.
[8]Evagorou D，Kyprianou A，Lewin P L，et al.Feature extraction of partial discharge signals using the wavelet packet transform and classification with a probabilistic neural network[J].IET Science Measurement & Technology，2010，4(3)：177-192.
[9]姚林朋，徐颖敏，钱勇，等.基于关联规则的XLPE 电缆局部放电模糊识别研究[J].电工技术学报，2010，25(10)：18-23.
Yao Linpeng，Xu Yingmin，Qian Yong，et al.Fuzzy pattern recognition of partial discharge in XLPE cable based on association rule[J].Transactions of China Electrotechnical Society，2010，25(10)：18-23.
[10]唐炬，谢颜斌，周倩，等.基于最优小波包变换与核主分量分析的局部放电信号特征提取[J].电工技术学报，2010，25(9)：35-40.
Tang Ju，Xie Yanbin，Zhou Qian，et al.Feature extraction for partial discharge signals based on the optimal wavelet packet basis transform and kernel principal component analysis[J].Transactions of China Electrotechnical Society，2010，25(9)：35-40.
[11]Cavallini A，Montanari G C，Contin A，et al.A new approach to the diagnosis of solid insulation systems based on PD signal inference[J].IEEE Electrical Insulation Magazine，2003，19(2)：23-30.
[12]Cavallini A，Montanari G C，Puletti F，et al.Advanced PD inference in on-field measurements.part I：noise rejection[J].IEEE Transactions on Dielectrics and Electrical Insulation，2003，10(2)：216-224.
[13]鲍永胜.局部放电脉冲波形特征提取及分类技术[J].中国电机工程学报，2013，38(28)：168-175.
Bao Yongsheng.Partial discharge pulse waveform feature extraction and classification techniques[J].Proceedings of the CSEE，2013，38(28)：168-175.
[14]王彩雄，唐志国，常文治，等.局部放电超高频监测抗干扰与多源放电信号分离方法[J].电网技术，2012，36(3)：46-50.
Wang Caixiong，Tang Zhiguo，Chang Wenzhi，et al.A method for anti-interference and multi-source discharge signal separation in ultra high-frequency partial discharge detection[J].Power System Technology，2012，36(3)：46-50.
[15]司文荣，李军浩，袁鹏，等.基于波形非线性映射的多局部放电脉冲群快速分类[J].电工技术学报，2009，24(3)：216-221.
Si Wenrong，Li Junhao，Yuan Peng，et al.The fast grouping technique of PD sequence based on the nonlinear mapping of pulse shapes[J].Transactions of China Electrotechnical Society，2009，24(3)：216-221.
[16]王彩雄，唐志国，常文治，等.一种多源局部放电信号分离方法[J].中国电机工程学报，2013，33(13)：212-219.
Wang Caixiong，Tang Zhiguo，Chang Wenzhi，et al.A method for multi-source partial discharge signals separation[J].Proceedings of the CSEE，2013，33(13)：212-219.
[17]司文荣，李军浩，袁鹏，等.气体绝缘组合电气多局部放电源的监测与识别[J].中国电机工程学报，2009，29(16)：119-126.
Si Wenrong，Li Junhao，Yuan Peng，et al.Detection and identification techniques for muli-PD source in GIS[J].Proceedings of the CSEE，2009，29(16)：119-126.
[18]Si Wenrong，Li Junhao，Yuan peng，et al.The fast grouping technique of PD sequence based on the nonlinear mapping of pulse shapes[J].Transactions of China Electrotechnical Society，2009，24(3)：216-221.
[19]郭建涛，王宏远，余国文.基于熵测度和SQP方法的跳频信号时频表示[J].华中科技大学学报，2009，37(2)：5-8.Guo Jiantao，Wang Hongyuan，Yu Guowen.Representation of time-frequency by using frequency hopping signals through entropy measure and SQP[J].Journal of Huazhong University of Science and Technology(Nature Science Edition)，2009，37(2)：5-8.
[20]Kundu P，Kishore N K，Sinha A K.Classification of acoustic emission based partial discharge in oil pressboard insulation system using fractal features[C]//2010 Annual Report Conference on Electrical and Dielectric Phenomena，West Lafayette，IN，2010：1-4.
[21]Ding Dengwei，Gao Wensheng，Liu Weidong.Insulation defects discrimination in GIS by fisher discriminant analysis of partial discharge[J].High Voltage Engineering，2013，39(4)：805-812.
[22]Tang Jian，Chai Tianyou，Yu Wen，et al.KPCA based multi-spectral segments feature extraction and GA based combinatorial optimization for frequency spectrum data modeling[C]//2011 50th IEEE Conference on Decision and Control and European Control Conference，Orlando，FL，2011：5193-5198.
[23]Chen Yuhong，Yan Changchun，Li Botao.The comparison of some time-frequency analysis methods[J].Progress in Geohysics，2006，21(4)：1180-1185.
作者简介
鲍永胜男，1985年生，硕士研究生，研究方向为在线监测与智能诊断。
E-mail：ysb1004@sina.cn(通信作者)
郝峰杰男，1987年生，硕士研究生，研究方向在线监测与智能控制理论。
E-mail：10121683@bjtu.edu.cn
Classification Feature Extraction Algorithm for GIS Partial Discharge Pulses
Bao Yongsheng1Hao Fengjie2Xu Jianzhong3Zhang Yuanhang1
(1.State Grid Ningxia Electric Power Company Yinchuan BranchYinchuan750001China 2.State Grid Tianjin Electric Power Maintenance CompanyTianjin300232China 3.State Grid Ningxia Electric Power Maintenance Company NingxiaYinchuan750001China)
AbstractThe partial discharge (PD) pulse group classification spectrum constructed based on traditional PD time-frequency information can only provide low-dimensional feature characteristics of PD pluses.When the classification algorithm requires more characteristics of PD pluses to complete the classification work，the abovementioned methods do not work well.This article presents an equivalent time-frequency entropy algorithm to extract the multidimensional characteristics which present the PD pluses waveform feather，and then constructs the PD pluses groups equivalent time-frequency entropy classification spectrum.The spectrum is further combined with the improved fuzzy C means clustering algorithm to complete the classification work of different types of PD pluses groups.The testing results based on gas insulated switches (GIS) prove the validity and rationality of this algorithm，which provides both experimental and theoretical basis for the development of PD online monitoring and identification system based on single artificial defect model.
Keywords：Partial discharge，fuzzy C means clustering algorithm，feature extraction，online detection，equivalent time-frequency entropy
中图分类号：TM835
收稿日期2015-04-12改稿日期2015-06-20
