基于随机森林的局部放电识别分析

安徽华电宿州发电有限公司 于 凯

基于随机森林的局部放电识别分析

安徽华电宿州发电有限公司 于 凯

为了提高局部放电的识别率，针对单一分类器不能全面学习样本特性的问题，提出采用随机森林集成分类器对局部放电类型进行识别分析，识别结果表明：基于EEMD-SVD特征，采用随机森林分类器取得了较好的识别效果，这对局部放电模式识别与分析具有一定的指导意义。

局部放电；EEMD-SVD；单一分类器；随机森林

0 引言

目前对于局部放电类型分类应用比较成熟的是单一分类器[1]，该分类器都要经过训练样本进行训练，然后利用测试样本对训练好的结构进行识别分析，然而单一分类器不能全面分析样本的特性，即使训练样本足够大，识别算法也很难会达到局部最优，从而导致识别率较低，因此，本文采用Leo Breiman提出的随机森林集成分类器对局部放电类型进行识别分析。随机森林分类器是首先利用训练样本构建一系列基分类器，然后对每个基分类器的预测分类结果进行投票，最后根据投票结果进行分类，这样就保证了对样本的特性能够全面分析，不易陷入局部最优，从而能更好的对局部放电类型进行识别分析。

1 EEMD-SVD特征

局部放电是一种典型的非线性、非平稳信号，其信号中包含着丰富的放电信息。基于PRPD模式构造的统计、分形和放电图像灰度等特征，这些特征不是由局部放电信号直接提取，因而会丢失部分放电信息，不利于分类器对其准确分类。针对这个问题，本文对局部放电信号直接提取EEMD-SVD特征，这样可以保证所提取的特征信息是最原始，最直接的。

2 随机森林分类器识别分析

随机森林是Leo Breiman在2001年提出的一种集成学习算法，它利用bootstrap重抽样法从原始样本中抽取多个样本，并对bootstrap样本进行决策树建模，然后将这些决策树组合在一起，通过投票得出最终分类或预测的结果。

假设原始训练集中有M个样本，样本属性特征变量的维数为K，随机特征变量的维数为F，要形成包含N棵基分类器决策树的随机森林，其主要内容就是形成决策树的过程，具体构建过程如下所示：

(1)利用Bagging抽样技术从原始训练集中抽样产生N个不同的训练子集，每个子集中包含的样本个数仍为M。

(2)根据Forestes-RI方法为每个基分类器随机选取F个特征变量，其中F满足，K为全部特征变量的个数。

(3)依据CART算法Gini指标最小原则对每棵决策树的节点进行分裂，最终形成一棵棵相互独立的决策树，在节点分裂过程中，决策树不作剪枝处理。

(4)将上述构建出一系列相互独立的的决策树看作一个整体，从而形成了随机森林。本文中的每种放电类型样本各100个，总共有300个原始样本。对于EEMD-SVD特征，其样本属性特征变量的维数为13。设置基分类器的数目为1000，并且重复执行随机森林算法的次数也置为1000。

泛化误差是反应泛化能力的一个指标，泛化误差越小，则该学习性能越好，反之则性能越差。在随机森林算法中，Breiman通过实验证明，袋外( Out Of Bag OOB)估计是随机森林泛化误差的一个无偏估计，OOB分类误差越小，说明随机森林分类能力越强，识别准确率越高。

图1反映了基于EEMD-SVD特征，其OOB分类误差随决策树个数增加而变化的情况。

图1 基于EEMD-SVD特征的OOB分类误差估计

由图1可以看出，基于EEMD-SVD特征，其OOB分类误差随着基分类器数目的增加而显著减小，并当基分类器数目在20左右时，OOB分类误差趋于稳定，表明基于EEMD-SVD特征与随机森林集成分类器的局部放电模式识别算法学习性能较优，分类能力较强，识别准确率高。

表1给出了基于随机森林分类器的EEMD-SVD时域特征局部放电识别准确率，其每种放电类型的识别率是相同参数下1000次执行随机森林算法取均值而得。

表1 基于时域特征的局部放电分类准确率

由表1可以看出，基于EEMD-SVD特征与随机森林集成识别算法，其对应每种放电类型的识别率均达到了95%以上，总体平均识别率为97.32%，取得良好的识别效果。

3 结论

本文针对变压器局部放电性质，设计制作了三种典型的放电缺陷模型，提取了局部放电信号，并构造了EEMD-SVD特征，同时利用随机森林集成分类器进行识别分析，得到的主要结论：采用随机森林集成分类器对局部放电进行识别分析，由于该分类器能对样本进行全面分析，因而每种放电类型的识别率均很高，尤其是基于EEMD-SVD特征，其OOB分类误差较小，局部放电的平均识别率很高，达到了97.32%。

综上所述，基于EEMD-SVD特征与随机森林集成分类器的局部放电模式识别算法，由于特征量包含的放电信息丰富，分类器能够全面分析样本特性，从而使得其局部放电识别准确率较高，这对局部放电的分类识别分析具有一定的指导意义。

[1]凌卫家,张浩,管敏渊.互感器振动对GIS超声波局部放电检测的影响[J].电工电能新技术,2016,35(5):74-79.