基于Pearson積距的GIS局部放電模式識別研究

曾國輝 盧聲 周金萍

摘 要：五種典型的GIS局部放電具有各不相同的相位分布譜圖（PRPD），因此人們可以計算測試樣本與樣本庫的Pearson積距，以便進行局部放電模式識別。其間采用圖像識別常用的灰度特征、分形特征以及圖像高階矩相結合的方法提取特征量，并對特征量進行優選，取得了較好的模式識別效果。

關鍵詞：Pearson積距;局部放電;模式識別

中圖分類號：TM85文獻標識碼：A文章編號：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

目前常用的氣體絕緣金屬封閉開關設備（Gas Insulated Switchgear，GIS）局部放電模式識別方法有聚類算法（灰聚類和模糊聚類）、分類算法（BPNN算法和SVM算法）等。其特征參數既包括從PRPD譜圖中提取的偏斜度、突出度、陡峭度等，又包括從灰度圖中提取的不變矩特征、分形特征等[1]。在實際工程應用中，采用不同的特征參數和特征參數的組合，利用不同的模式識別算法，均取得了較好的效果。本文從PRPD譜圖、幅值-相位[vφ]譜圖以及次數-相位[nφ]譜圖提取的特征進行組合，并利用Pearson積距相關系數統計采樣特征量與樣本庫特征的相關性，進行模式識別，取得了較好的識別效果。

1 局部放電譜圖特點

局部放電信號檢測需要檢測伴隨放電產生的電、聲、光、溫度和氣體等各種理化現象，電檢測方法包括脈沖電流法、UHF超高頻法（見表1）和放電能量法等。近年來，通過國內科研機構和高校的努力，我國已經能制作局部放電模型，并在實驗室模擬真實放電情況，獲得典型局部放電譜圖。研究發現，各種放電類型譜圖特征具有明顯的差異，人們可以利用這些差異，進行放電類型識別，并且典型譜圖特點已經得到大家的認可[2-3]。

2 模式識別特征量的選取

下面匯總本文所用的特征量，如表2所示。特征量1～11由PRPD譜圖提取，特征量12～20由幅值-相位[vφ]譜圖提取，特征量21～25由次數-相位[nφ]譜圖提取。

2.1 圖像一、二階分維數歸一化值

局部放電的PRPD譜圖具有典型的分形特征，分維數歸一化值參考文獻[4-5]中的計算方法，一階分維數歸一化值的計算公式如下：

式中：[r]為盒子尺度，圖像為64×100像素，所以盒子尺度為{3，7，9，21};[nri，j]為第[i]、[j]塊的維數;[Nr]為盒子總數。

參數[Nr]和[polyfit]用公式可以表示為：

偏度和峰度主要描述的是[vφ]譜圖或[nφ]譜圖的形狀差異。

3 試驗樣本獲取

針對GIS局部放電典型類型——尖端放電、沿面放電、金屬顆粒放電、氣隙放電和懸浮放電，本研究在實驗室利用超高頻（Ultra High Frequency，UHF）局部放電檢測系統各獲取200組試驗數據。連續采集50個工頻周期局部放電信號，將局部放電信號的幅值[v]、相位[φ]、次數[n]三維圖形投影到[vφ]平面上，得到局部放電PRPD圖形。將PRPD圖形轉化為像素為64×100的灰度圖，64表示幅值范圍[ v]，100表示相位φ，圖像每一點的灰度值表示放電次數[n]。尖端放電PRPD灰度圖如圖1所示，金屬顆粒放電PRPD灰度圖如圖2所示。

4 模式識別效果分析

從GIS局部放電典型譜圖可知，各種放電類型的特點是不一樣的。換言之，如果測樣樣本與樣本庫中的每一樣本相關性較大，即可認為，測試樣本與該樣本庫樣本是同一種類型。模式識別過程如圖3所示。

從所有樣本的PRPD圖中提取特征量，并隨機抽取100個樣本作為標準樣本庫，另一部分作為測試樣本。逐一求出測試樣本與標準樣本庫的Pearson積距，找出Pearson積距的最大值，Pearson積距最大值所對應的類型即為測試樣本的類型。

按照表2特征量進行模式識別后，正確率只能達到90%。為了提高模式識別的正確率，筆者進一步對特征量進行梳理，找出在屬性上相關度比較大的特征，并保留這些特征中的一個。重新組成特征量后，識別效果有了一定提高（見表3）。

5 結論

本文采用超高頻（UHF）局部放電檢測系統，在實驗室獲得五種典型GIS局部放電PRPD譜圖，并將其轉化為[vφ]譜圖和[nφ]譜圖，從中提取特征量。同時，利用Pearson積距方法進行局部放電類型的識別，取得了較好的識別效果，并采用去相關性的思路對特征量進行優選，進一步提高了識別效果。

參考文獻：

[1]季盛強，紀海英，辛曉虎，等.幾種特征選擇方法在局部放電模式識別中的應用[J].陜西電力，2011（11）：1-4.

[2]沈海濱，賴汝.基于圖像中心矩的快速模版匹配算法[J].計算機應用，2004（11）：116-118.

[3]高凱，談克雄，李福祺，等.基于散點集分行特征的局部放電模式識別研究[J].中國電機工程學報，2002（5）：22-26.

[4]李劍，孫才新，杜林，等.局部放電灰度圖像分維數的研究[J].中國電機工程學報，2002（8）：123-127.

[5]劉進，張天序.圖像不變矩的推廣[J].計算機學報，2004（5）：668-674.