XL P E電力電纜局部放電超聲模式識別技術的研究

沈陽工程學院 高 陽 吳偉晴 許傲然

XL P E電力電纜局部放電超聲模式識別技術的研究

沈陽工程學院 高 陽 吳偉晴 許傲然

在電力系統的運行中，如何保證電力電纜的絕緣性能良好是配網中的難點。本文主要介紹統計學習理論的核心思想，討論基于統計學習理論的SVM方法，研究主成分分析和支持向量機二者相結合的方法用于XLPE電力電纜缺陷識別。希望對電力電纜的安全運行具有一定的指導意義。

XLPE電力電纜；局部放電；超聲模式；識別技術

1.引言

XLPE電力電纜局放缺陷診斷主要包括三個方面:缺陷識別；缺陷定位；缺陷嚴重程度的標定與評價。缺陷識別是進行故障診斷的基礎，缺陷定位是故障診斷的核心，缺陷嚴重程度的標定與評價是故障診斷的目的。電纜診斷的這三個方面都可以歸結為模式識別的問題，即分類問題[1]。

2.統計學習理論簡介

統計學習理論即統計理論體系，研究對象是小樣本下的機器學習問題。它主要研究理論基礎，包括：經驗風險最小化原則成立的前提條件；在有限樣本的情況下，期望風險與經驗風險之間的關系；在現有的原理和理論的基礎之上，怎樣找到新的學習方法。

2.1 VC維理論

VC維理論：對一個指標函數集，如果存在h個樣本能夠被函數集中的函數按所有可能的2的h次方種形式分開，則稱函數集能夠把h個樣本打散。即函數集的VC維就是它能打散的最大樣本數目h。若對任意數目的樣本都有函數能將它們打散，則函數集的VC維是無窮大，有界實函數的VC維可以通過用一定的閥值將它轉化成指示函數來定義。VC維反映了函數集的學習能力，VC維越大則學習機器越復雜，即容量越大[2]。

2.2 學習機器的推廣誤差邊界

為構造適合于小樣本學習的歸納學習原理，可以通過控制學習機器的推廣能力來達到此目的。用以下公式來估算真實風險，

2.3 結構風險最小化

經驗風險和置信范圍決定了機器學習的實際風險。經驗風險與學習機器復雜度（即VC維）成反比，而置信范圍卻與學習機器復雜度成正比。因此，要想得到最小的實際風險，選擇一個合適的VC維h，使兩者之和達到最小。

在結構風險最小化原則的實現中，首先將函數集：

使各個子集可以依照對應的VC維大小順序排列，即滿足：

這樣，在同一子集中置信范圍就相同。在每個子集中找出最小經驗風險，它往往與子集復雜度成反比。在子集間，同時考慮經驗風險和置信范圍，使得實際風險最小[3]。

3.支持向量機的多分類算法模型

現實中，多類分類問題有更多的應用領域，多類分類問題SVM分類算法具有很重要的研究意義。文獻[4]比較了這三種方法：1-v-1、1-v-r和DAG-SVM各自的優劣，得出的結論是：1-v-1分類法是一種較好的多分類方法，它比較適合于實際工程應用。本文采用1-v-1SVM分類法對結構損傷進行診斷。

1-v-1SVM分類算法將多類問題轉換為兩類分類問題，構造分類超平面的任何兩類，對m個類別進行兩兩分開。為利用該算法對m個類別進行分類，共需要構建個訓練集，對這K個訓練集進行學習，產生K個分類器。

對于由第i 類和第 j 類數據訓練所構建的二值分類器問題來求函數的極小值[5]：

當用1-v-1SVM算法對m個類別中的任意一個未知樣本進行分類時，每一個分類器都要對其類別進行判斷，并為相應的類別“投一票”， 最后，得票最多的類是未知樣本的類別。這種策略稱為投票策略。

4.總結

基于主成分分析特征提取的SVM模式識別方法的基本思想是：（1）把XLPE電力電纜3種典型缺陷局部放電采集的原始超聲信號首先進行PRPD譜圖特征分析，繪制出相應的Hqmax(φ)譜圖、Hqavg(φ)譜圖和Hn(φ)譜圖；（2）其次提取三種譜圖中共計27個統計算子，應用主成分分析將27個統計算子進行數據特征分析，最終得到6維特征向量；（3）最后用特征向量作為原始信號的局放特征向量輸入到已訓練好的多分類SVM中，獲得不同缺陷識別結果。

[1]吳倩,劉毅剛．高壓交聯聚乙烯電纜絕緣老化及其診斷技術述評[J]．廣東電力,2003,16(4):15-17．

[2]沈彬華．高壓交聯聚乙烯電纜絕緣料的國產化研究[J]．電線電纜,2010(1):21-25．

[3]孫宏偉,葉寬,張艷妍等．交聯電纜故障分析[C]．全國第八次電力電纜運行經驗交流會,2008:556-576．

[4]宋穎．交聯聚乙烯電纜局部放電信號檢測與模式識別的研究[D]．華北電力大學碩士學位論文,2010．

[5]羅俊華．XLPE電力電纜絕緣特性試驗方法的研究[D]．西安交通大學博士論文,2003．