基于Pearson积距的GIS局部放电模式识别研究

曾国辉 卢声 周金萍

摘 要：五種典型的GIS局部放电具有各不相同的相位分布谱图（PRPD），因此人们可以计算测试样本与样本库的Pearson积距，以便进行局部放电模式识别。其间采用图像识别常用的灰度特征、分形特征以及图像高阶矩相结合的方法提取特征量，并对特征量进行优选，取得了较好的模式识别效果。

关键词：Pearson积距;局部放电;模式识别

中图分类号：TM85文献标识码：A文章编号：1003-5168（2021）04-0006-03

Abstract： The five typical GIS partial discharges have different phase resolved partial discharge （PRPD） spectrograms， so people can calculate the Pearson product distance between the test sample and the sample library for partial discharge pattern recognition. In the meantime， the method of combining gray-scale features， fractal features and image high-order moments commonly used in image recognition was used to extract the feature quantity， and the feature quantity was optimized， and a good pattern recognition effect was achieved.

Keywords： Pearson distance;partial discharge;pattern recognition

目前常用的气体绝缘金属封闭开关设备（Gas Insulated Switchgear，GIS）局部放电模式识别方法有聚类算法（灰聚类和模糊聚类）、分类算法（BPNN算法和SVM算法）等。其特征参数既包括从PRPD谱图中提取的偏斜度、突出度、陡峭度等，又包括从灰度图中提取的不变矩特征、分形特征等[1]。在实际工程应用中，采用不同的特征参数和特征参数的组合，利用不同的模式识别算法，均取得了较好的效果。本文从PRPD谱图、幅值-相位[vφ]谱图以及次数-相位[nφ]谱图提取的特征进行组合，并利用Pearson积距相关系数统计采样特征量与样本库特征的相关性，进行模式识别，取得了较好的识别效果。

1 局部放电谱图特点

局部放电信号检测需要检测伴随放电产生的电、声、光、温度和气体等各种理化现象，电检测方法包括脉冲电流法、UHF超高频法（见表1）和放电能量法等。近年来，通过国内科研机构和高校的努力，我国已经能制作局部放电模型，并在实验室模拟真实放电情况，获得典型局部放电谱图。研究发现，各种放电类型谱图特征具有明显的差异，人们可以利用这些差异，进行放电类型识别，并且典型谱图特点已经得到大家的认可[2-3]。

2 模式识别特征量的选取

下面汇总本文所用的特征量，如表2所示。特征量1～11由PRPD谱图提取，特征量12～20由幅值-相位[vφ]谱图提取，特征量21～25由次数-相位[nφ]谱图提取。

2.1 图像一、二阶分维数归一化值

局部放电的PRPD谱图具有典型的分形特征，分维数归一化值参考文献[4-5]中的计算方法，一阶分维数归一化值的计算公式如下：

式中：[r]为盒子尺度，图像为64×100像素，所以盒子尺度为{3，7，9，21};[nri，j]为第[i]、[j]块的维数;[Nr]为盒子总数。

参数[Nr]和[polyfit]用公式可以表示为：

偏度和峰度主要描述的是[vφ]谱图或[nφ]谱图的形状差异。

3 试验样本获取

针对GIS局部放电典型类型——尖端放电、沿面放电、金属颗粒放电、气隙放电和悬浮放电，本研究在实验室利用超高频（Ultra High Frequency，UHF）局部放电检测系统各获取200组试验数据。连续采集50个工频周期局部放电信号，将局部放电信号的幅值[v]、相位[φ]、次数[n]三维图形投影到[vφ]平面上，得到局部放电PRPD图形。将PRPD图形转化为像素为64×100的灰度图，64表示幅值范围[ v]，100表示相位φ，图像每一点的灰度值表示放电次数[n]。尖端放电PRPD灰度图如图1所示，金属颗粒放电PRPD灰度图如图2所示。

4 模式识别效果分析

从GIS局部放电典型谱图可知，各种放电类型的特点是不一样的。换言之，如果测样样本与样本库中的每一样本相关性较大，即可认为，测试样本与该样本库样本是同一种类型。模式识别过程如图3所示。

从所有样本的PRPD图中提取特征量，并随机抽取100个样本作为标准样本库，另一部分作为测试样本。逐一求出测试样本与标准样本库的Pearson积距，找出Pearson积距的最大值，Pearson积距最大值所对应的类型即为测试样本的类型。

按照表2特征量进行模式识别后，正确率只能达到90%。为了提高模式识别的正确率，笔者进一步对特征量进行梳理，找出在属性上相关度比较大的特征，并保留这些特征中的一个。重新组成特征量后，识别效果有了一定提高（见表3）。

5 结论

本文采用超高频（UHF）局部放电检测系统，在实验室获得五种典型GIS局部放电PRPD谱图，并将其转化为[vφ]谱图和[nφ]谱图，从中提取特征量。同时，利用Pearson积距方法进行局部放电类型的识别，取得了较好的识别效果，并采用去相关性的思路对特征量进行优选，进一步提高了识别效果。

参考文献：

[1]季盛强，纪海英，辛晓虎，等.几种特征选择方法在局部放电模式识别中的应用[J].陕西电力，2011（11）：1-4.

[2]沈海滨，赖汝.基于图像中心矩的快速模版匹配算法[J].计算机应用，2004（11）：116-118.

[3]高凯，谈克雄，李福祺，等.基于散点集分行特征的局部放电模式识别研究[J].中国电机工程学报，2002（5）：22-26.

[4]李剑，孙才新，杜林，等.局部放电灰度图像分维数的研究[J].中国电机工程学报，2002（8）：123-127.

[5]刘进，张天序.图像不变矩的推广[J].计算机学报，2004（5）：668-674.