基于SVM算法的局部放电模式识别

合集下载

基于方向梯度直方图属性空间的局部放电模式识别改进算法

2021年5月电工技术学报Vol.36 No. 10 第36卷第10期TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY May 2021DOI: 10.19595/ki.1000-6753.tces.200327基于方向梯度直方图属性空间的局部放电模式识别改进算法宋思蒙钱勇王辉盛戈皞江秀臣（上海交通大学电气工程系上海 200240）摘要该文提出一种基于方向梯度直方图（HOG）属性空间的局部放电模式识别改进算法，旨在提高特征对样本信息的概括能力，并克服分类器对高维特征的识别局限。

首先，构造局部放电脉冲序列分布（PRPS）模式作为识别依据，利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间；然后，通过线性变换协方差矩阵的方式重构HOG属性空间，使其满足相互独立性；接着，根据属性重要性重新排列空间后，依次增加输入朴素贝叶斯分类器的属性个数，基于分类精度搜索最佳属性子集；最后，按照归约属性的相对重要性进行加权，最终设计出HOG属性选择加权朴素贝叶斯分类器。

大量样本测试结果证明，此算法能够达到很高的识别精度，对传统识别算法的优化效果明显，有较好的应用价值。

关键词：局部放电模式识别方向梯度直方图脉冲序列分布属性选择加权朴素贝叶斯中图分类号：TM85Improved Algorithm for Partial Discharge Pattern RecognitionBased on Histogram of Oriented Gradient Attribute SpaceSong Simeng Qian Yong Wang Hui Sheng Gehao Jiang Xiuchen （Department of Electrical Engineering Shanghai Jiao Tong University Shanghai 200240 China）Abstract This paper proposed an improved algorithm for partial discharge pattern recognition based on the attribute space of histogram of oriented gradient (HOG), aiming to enhance the summary ability of features and overcome the limitation of traditional classifier for the high-dimensional features.Firstly, the partial discharge phase resolved pulse sequence (PRPS) patterns were constructed as the recognition basis. And the HOG attribute space of PRPS images was formed automatically by the iterative algorithm of local cell superimposed slipped window. Secondly, in order to satisfy the mutual independence, the HOG attribute space was reconstructed by linear transformation of covariance matrix and was rearranged according to attribute importance. Thirdly, the number of attributes input to the Naïve Bayesian classifier was sequentially increased, and then the best attribute subset was obtained based on the classification accuracy. After weighting the reduced attribute according to their relative importance, the HOG attribute selective weighted naïve bayes classifier was finally designed. The test results of a large number of samples prove that the improved algorithm can achieve high recognition accuracy, and has an obvious optimization effect and good application value.Keywords：Partial discharge, pattern recognition, histogram of oriented gradient, phase resolved pluse sequence, attribute selective weighted Naïve Bayes收稿日期 2020-04-04 改稿日期 2020-05-202154 电工技术学报 2021年5月0引言随着电网规模的逐渐扩大和电压等级的逐渐升高，电气设备的安全可靠性愈发重要[1]。

基于PLS-SVM的开关柜局部放电检测方法

基于PLS-SVM的开关柜局部放电检测方法黄超;万锶锦;郭镥【摘要】超声波检测法是高压开关柜局部放电检测的一种有效方法,但目前基于超声波信号检测原理开发的局部放电检测产品主要有信号幅值检测、将信号降频至音频从而监听检测,具有检测结果不够准确、对检测人员要求较高等缺点.该研究提出了一种基于偏最小二乘(partial least squares,PLS)特征降维和支撑向量机(support vector machine,SVM)的开关柜局部放电检测方法,首先计算超声音频信号的声学特征,并采用PLS进行降维处理,然后采用SVM分类器来区分局放和非局放音频信号.实验结果表明,所提方法比传统阈值方法具有更高的识别准确率,并且降低了对检测人员的要求,具有更好的普适性.【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)009【总页数】5页(P62-66)【关键词】局部放电;开关柜;支撑向量机;偏最小二乘【作者】黄超;万锶锦;郭镥【作者单位】深圳供电局有限公司,广东深圳518000;深圳供电局有限公司,广东深圳518000;深圳供电局有限公司,广东深圳518000【正文语种】中文【中图分类】TM835.4高压开关柜是电力配电设施中的重要设备，在较长周期的运营过程中普遍存在的绝缘问题，在某些条件下可能引发事故[1]。

电力管理部门解决这些问题常用的方法是，对这些电力设备定期或者不定期的进行电气属性检测，包括设备绝缘性能、故障诊断等，以保障配电网络的正常运行[2]。

局部放电是导致产生绝缘问题的主要原因[3]，因此局部放电检测是高压设备绝缘性能检测和故障诊断的重要项目。

由于局部放电发生时通常会伴随产生电荷转移、电能损耗、高频电磁波等电气现象以及超声波、光、热或者其他的新生成物等物理化学现象，现有的局部放电检测方法可以大致分为电测法与非电检测法2种[4-6]。

电测法主要根据设备电气特性的变化来检测是否有局部放电发送，包括脉冲电流法、介质损耗分析法、超高频检测法等；非电测法则是根据局部放电时产生的声、光、热等物理现象进行检测，包括声测法、光测法、红外热测法等。

基于等效时频图谱和 SVM 的局放识别方法研究

基于等效时频图谱和 SVM 的局放识别方法研究李富贵;李春锋;孔海洋;王璇【摘要】为区分电力电缆不同绝缘故障下的局部放电类型，本文研究了一种基于等效时频图谱和支持向量机（ SVM）的局放识别方法。

采用双指数衰减模型与单指数衰减模型两种局放类型进行实验，模拟产生两类局放信号并通过信号采集系统进行采集。

对采集来的局放信号提取等效时频特征，进而将局放信号映射到等效时频图谱中。

根据等效时频特征，用SVM对不同局放信号分类判别，结果表明SVM能实现准确分类。

该方法不仅能够实现单一放电源识别，还能识别混合放电源，能够为电力电缆及其他电气设备的局放模式识别提供参考。

【期刊名称】《机电元件》【年(卷),期】2015(000)005【总页数】4页(P8-10,20)【关键词】局部放电;等效时频;支持向量机;故障诊断【作者】李富贵;李春锋;孔海洋;王璇【作者单位】中国平煤集团公司电务厂，山西平顶山，467000;中国平煤集团公司电务厂，山西平顶山，467000;武汉大学电气工程学院，湖北武汉，430072;武汉大学电气工程学院，湖北武汉，430072【正文语种】中文【中图分类】TN7841 引言电力电缆故障严重影响着电网的安全运行，而电力电缆的可靠性很大程度上取决于其绝缘特性。

电缆由于生产、运输、安装和运行过程中容易产生气隙、杂质、凸起、毛刺等缺陷，这些缺陷引发局部区域电场集中而导致局部放电。

因此，局部放电能够最直接地反映电力电缆的各种绝缘状态。

局部放电的发展最终会导致整个绝缘的击穿，造成设备损坏事故［1，2］。

电缆局放的在线监测现已成为判定电缆绝缘状况的有效途径。

不同的绝缘缺陷有不同的局部放电模式，目前国内外学者在局放识别方面已展开了大量的研究工作。

文献［2］研究了基于盲源分离的局部放电信号提取算法，并通过基于负熵的时频图谱进行了局放的模式识别。

文献［3］采用等效时频的方法对局放信号进行判别并去噪。

文献［4］采用K－means聚类算法识别不同的三相电缆局部放电故障。

基于相位谱图的开关柜局部放电模式识别方法

智能状态评估分析系统；柯艳国（１９７８一），高级工程师，从事变电设备运维专业管理和新技术应用工作；田￣（１９７６一），高级工程师，从事
变电设备状态检修和专业管理工作。
２０１７Ｊ４（Ａ）期ｊ３
发展出统计方法［１］、分形维数法［４］等。然而，上述方法由
（ａ】尖端放电
（。）（ｂ）内部空穴放电
于在训练样本的数量方面要求较多等，因此在实际应用中
Hale Waihona Puke 图１典型开关柜局部放电缺陷的相位谱图
存在一些困难。文献Ｅ５］表明可采用灰度图提取出各种放电信号的正负半周形态谱图作为特征量进行放电类型的识别。本文提出一种基于ＰＲＰＤ灰度图采用最大二维准则法
（ＴＥＶ）法进行局部放电测试并随机抽取的一组相位谱图
机理互不相同，在工频电压下也将表现出不同的放电特征。单个放电具有随机性特征，重复放电具有统计特征，因此基于统计学原理的相位谱图（ＰＲＰＤ）是判断开关柜内部是否存在局部放电以及何种局部放电类型的重要依
据［。
（ＰＲＰＤ）。由此可见，几种放电在工频电压激励下均呈现
出明显的相位分布特征，故可将其作为局部放电类型特征
提取的数据基础。
针对相位图谱进行模式识别，需要利用ＢＰ神经网络［引、支持向量机（ＳＶＭ）＿３］、仿生模式识别器（ＢＰＲ）等算法提取出表征局部放电特性的参数，以达到区分局放类型

基于PLS—SVM的开关柜局部放电检测方法

ｃｈａｒｇｅ．Ａｔｔｈｅｐｒｅｓｅｎｔ，ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｄｅｔｅｃｔｉｏｎｐｒｏｄｕｃｔｓ
研究提出了一种基于偏最小二乘（ｐａｔｒｉｌａｌｅａｓｔｓｑｕａｒｅｓ，ＰＬＳ）特征降维和支撑向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）的开关柜局部放电检测方法，首先计算超声音频信号的声学特征，并采用ＰＬＳ进行降维处理，然后采用ＳＶＭ分类器来区分局放
Ｖｏ１．３２Ｎｏ．９Ｓｅｐｔ．２０１６
中图分类号：ＴＭ８３５．４
文献标志码：Ａ
基于ＰＬＳ — ＳＶＭ的开关柜局部放电检测方法
黄超，万锶锦，郭镥
（深圳供电局有限公司，广东深圳５１８０００）ＳｗｉｔｃｈｇｅａｒＰａｒｔｉａｌＤｉｓｃｈａｒｇｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＰＬＳ — ＳＶＭ
ｄｅｍａｎｄｓｏｒｆｔｈｅｔｅｓｔｉｎｇｐｅｒｓｏｎｎｅ１．Ｔｈｉｓｐａｐｅｒｐｕｔｓｆｏｒｗａｒｄａｎｅｗｓｗｉｔｃｈｇｅａｒｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｗｈｉｃｈｉｓ

基于LS-SVM和数学形态谱的局部放电模式识别

ＳｐｏｔＶｅｔｒＭａｈｎｓａｄａｌｉｇｉｓｍｕｌｕｐｒｃｏｃｉｅｎｐｐｙｎｔｔｉ—ｃａｓｆａｉｎａｇｒｔｍ．Ｒｅｏｎｔｏｅｕｌｐｏｅｈｅｓｂｉｔｌｓｉｃｔｌｏｉｈｉｏｃｇｉｉｎｒｓｔｒｖｓｔｅｆａｉｌｙｉａｄｈｌｈｒｃｇｔｏａｅｏｈｓｍｅｈｄ．ｎｉｅｏｎｉｎｒｔｆｔｉｔｏｇｉＫｅｒｓ：ａｔａｉｃｒｅ；ＬａｔＳｕｅｕｐｏｃｏｃｎｅｙｗｏｄｐｒｉｌｄｓｈａｇｅｓｑａｓＳｐｒＶｅｔｒＭａｈｉｓ；ｍａｈｍａｉａｒｈｌｇｒｔｔｅｔｃｌｍｏｏｏｙ；ｐｔｅｐｅｔｍ；ｐａｔｒｓｃｒｕ
ｐｔｅｅｏｎｔｏａｔｒｒｃｇｉｎｉ
０引言
局部放电模式识别是判断电力设备绝缘状况的有效手段。所以，局部放电信号特征提取和模式识别在判断电力设备绝缘问题上具有重要意义。目前，提取局部放电的特征参数主要有三维６０
算法，中由Ｓｙｅｓ和Ｖｎｅａｌ人提出的最其ｕｋｎａｄｗｌｅ等小二乘支持向量机ＬＳ—ＳＭ（ａｔｑａｅｕｐｒＶｅｒＬｓＳｕｓＳｐｏｔＶｃｒｃｉｅ在模式识别和非线性函数估计应ｅｔｈｎ）ｏＭａ
一
小化原则提出的一种新型的学习机器，持向量机支
ห้องสมุดไป่ตู้

EMD-SVD及粒子群优化的SVM变压器局部放电模式识别

EMD-SVD及粒子群优化的SVM变压器局部放电模式识别董朋;张建文;贾立敬【摘要】为了对变压器的局部放电信号进行特征量提取以及模式识别,在分析EMD和SVD理论的基础上,提出了EMD-SVD和PSO-SVM相结合的方法.将选取的四种去噪后的局部放电信号(空气中电晕、沿面、气隙,油中气隙)经EMD分解为由高到低的固有模态函数,再利用SVD对其进行数据压缩,提取出14个反应PD信号本质的特征量,并将其输入到经粒子群优化的支持向量机进行模式识别.仿真结果表明,此方法能够较好地识别出四种局部放电信号,与未经优化的SVM、GA-SVM、GRID-SVM相比,经粒子群优化的支持向量机分类准确率较高、速度较快.【期刊名称】《电气开关》【年(卷),期】2016(054)004【总页数】6页(P16-21)【关键词】EMD;SVD;PD;粒子群【作者】董朋;张建文;贾立敬【作者单位】国华徐州发电有限公司,江苏徐州 221000;中国矿业大学,江苏徐州221166;中国矿业大学,江苏徐州 221166【正文语种】中文【中图分类】TM411随着现代社会工业化程度的不断提高，电力系统朝着超高压、大电网、大容量、自动化方向发展。

大型电力变压器作为电力系统的主要设备，其造价昂贵、结构复杂，承担着联系不同电压等级电网的重任，其运行状态直接影响系统的安全水平和可靠性［1］。

局部放电(PD)是电力变压器绝缘劣化的主要原因和早期表现形式，PD信号模式识别对大型电力变压器故障诊断和实时状态评估具有重要意义。

局部放电模式识别过程由特征量提取和分类识别组成。

目前，国内外研究局部放电特征量提取的方法主要包括统计特征参数、威布尔参数［2］、分型特征参数［3］、矩特征参数［4－5］等。

目前常用的分类识别方法有模糊聚类法［6］、人工神经网络法［7］、隐马尔科夫分类法［8］、支持向量机法［9］等。

上述方法大多数针对大样本数据，鉴于经EMD－SVD提取出的局部放电信号特征量较少，因此选用专门解决具有非线性、样本少及维数高等特性的支持向量机方法(SVM)。

电气设备局部放电模式识别研究综述

电气设备局部放电模式识别研究综述一、本文概述电气设备局部放电（Partial Discharge, PD）是设备绝缘老化和失效的重要前兆，其早期检测和准确识别对于保障设备的安全运行和延长使用寿命具有重要意义。

随着科技的不断进步，对电气设备局部放电的模式识别研究已成为当前电气工程领域的热点之一。

本文旨在综述近年来电气设备局部放电模式识别的研究进展，分析不同方法的优缺点，并展望未来的研究方向。

通过对国内外相关文献的梳理和评价，本文期望为电气设备局部放电模式识别的研究和应用提供有益的参考和借鉴。

在本文中，首先将对电气设备局部放电的基本概念、产生机理和危害进行简要介绍，为后续的模式识别研究奠定基础。

接着，将重点回顾和总结电气设备局部放电模式识别的传统方法，如脉冲电流法、超声波法、化学法等，并分析它们的适用范围和局限性。

随后，将详细介绍近年来新兴的电气设备局部放电模式识别技术，如基于机器学习的方法、基于深度学习的方法以及基于的方法等，并探讨它们在提高识别准确率和效率方面的优势。

将对电气设备局部放电模式识别的未来研究方向进行展望，包括多源信息融合、智能化识别系统、在线监测与预警等方面。

通过本文的综述，期望能够为电气设备局部放电模式识别的研究和实践提供全面的视角和深入的理解，为推动该领域的发展做出一定的贡献。

二、局部放电检测技术与原理局部放电是指在电气设备绝缘结构中，部分区域发生的非贯穿性放电现象。

这种放电虽然不会立即导致设备绝缘击穿，但长期累积会对绝缘材料造成损伤，最终导致设备故障。

因此，对局部放电的有效检测与模式识别对于电气设备的预防性维护和安全运行至关重要。

电气测量法：这是最常用的方法，包括脉冲电流法、介质损耗法、局部放电超声波检测法等。

其中，脉冲电流法通过测量局部放电产生的脉冲电流来检测放电的存在和强度；介质损耗法则通过分析绝缘材料介质损耗的变化来间接判断放电情况。

化学检测法：通过检测局部放电过程中产生的气体成分和浓度变化来判断放电的强度和频率。

基于主动学习SVM的变压器局部放电模式识别

第４０卷第４期
２０１３年７月
华北电力大学学报
ＪｏｕｒｎａｌｏｆＮｏｔｒｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ
Ｖｏ１．４０．Ｎｏ．４
ｃｏｎｄｉｔｉｏｎｅｖａｌｕａｔｉｏｎｏｆｉｎｓｕｌａｔｉｏｎｉｎｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｓ．ＩｎｔｈｅｐｒｏｃｅｓｓｏｆＰＤｒｅｃｏｇｎｉｔｉｏｎ，ａｌａｒｇｅｎｕｍｂｅｒｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｒｅｒｅｑｕｉｒｅｄｏｒｆａｔｔａｉｎｉｎｇｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ．ＡｎｏｖｅｌｍｅｔｈｏｄｂａｓｅｄｏｎａｃｔｉｖｅｌｅａｒｎｉｎｇＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｉｓｐｒｏｐｏｓｅｄｏｒｆＰＤｒｅｃｏｇｎｉｔｉｏｎａｉｍｉｎｇａｔｔｈｅｃｕｒｒｅｎｔｐｒｏｂｌｅｍ．ＴｈｅｍｏｓｔｖａｌｕａｂｌｅＰＤｓａｍｐｌｅｓｏｒｆＳＶＭａｒｅｅｘ・
Ｊｕ１．，２０１３
ｄｏｉ：１０．３９６９／ｊ．ＩＳＳＮ．１００７— ２６９１．２０１３．０４．０５

电力变压器局部放电模式识别

神经网络算法的学习过程是由信号的正向传播和误差
的反向传播组成。信号正向传播时通过输入层，经隐含层，最终由输出层输出结果，若输出结果与期望值有偏差时，则将误差信号进行反向传播；在反向传播的过程中，误差信号由输出层逐层向前传播，采用梯度下降法对权值不断进行修正，使输
水利电力
ＤＯＩ：１０．１９３９２／ｊ．ｅｎｋｉ．１６７１－７３４１．２０１８０１１６４
科技风２０１８年１月
电力变压器局部放电模式识别
王传栋
国华徐州发电有限公司江苏徐州２２１０００
出结果更加接近于期望值。
１．２支持向量机
支持向量机（ＳＶＭ）在处理线性可分样本时，通过建立最优超平面使样本间距离最大化，在处理非线性样本时，利用核函数将低维样本映射至高维特征空间中，从而将非线性不可分问题转化为可分的模式识别问题。由于ＳＶＭ具有泛化能力强、训练时间短和全局寻优等特点，故广泛应用在高维和小样本等不同分类器的分类结果表非线性问题中。分类固体绝空气中油中沿空气中沿平均２基于超球面支持向量机的局部放电识别分析识别缘内气电晕放电面放电面放电识别率２．１超球面支持向量机隙放电超球面支持向量机（ＨＳＶＭ）用于描述支持向量数据分ＢＰ识别９２％８６％８Ｏ％８４％８５．５％类 … 。该方法分类原理简单，分类效果良好。ＳＶＭ识别１０ｏ％８８％８４％９Ｏ％９０．５％对于超球面支持向量机，其数学描述为：给定一个集合Ａ，ｍ＝１，２， …，，ｚ个样本点包含于各个集合中，针对每个集合ＨＳＶＭ识别９４％９２％９Ｏ％９６％９３％构建一个尽量小的超球体，保证该集合中的大部分样本点能够ＰＳＯＨＳＶＭ落在超球体内，由于考虑到一小部分的样本点会落在超球面识别９８％９６％９８％９６％９７％外，因此求解最小超球体的过程可转化为原始优化问题。ＰＳＯ — ＨＳＶＭ的局部放电平均识别率达到了９７％，识别准确利用超球面支持向量机进行模式识别分析，其分类精度是率比其他几类都高，说明基于自回归系数特征，经过粒子群优由惩罚因子Ｃ和核函数参数艿共同决定的。化的超球面支持向量机对于局部放电模式识别效果更好。２．２粒子群寻优算法粒子群算法是一种具备全局寻优能力的群体智能优化算法。在参数寻优过程中，任一个（Ｃ，６）组合被称为一个 “ 粒子” ，所有粒子均匹配有速度和位置这两个特征，具有全局性和快速性。采用粒子群优化算法对ＨＳＶＭ的参数组合进行寻优，其具体寻优步骤为：（１）初始化粒子群的初始值，即设定惩罚因子Ｃ和核函数参数６的范围，设定进化迭代次数、粒子维数、种群规模数，并随机产生一组（Ｃ，６）参数作为初始解空间。（２）利用基于粒子（Ｃ，６）组合的ＨＳＶＭ对训练样本集进行训练分析。（３）当所有群体粒子计算完毕后，若判断出其不满足终止条件，则对粒子进行更新，产生新的粒子群，然后重复步骤２，直

基于SVM算法的局部放电模式识别

电力科技
２０１４年第１６期Ｉ科技创新与应用
基于ＳＶＭ算法的局部放电模式识别
任永恒
（广东省韶关供电局，广东韶关５１２０２６）
摘要：气体绝缘组合电Ｎ（ＧａｓＩｎｓｕｌａｔｅｄＳｗｉｔｃｈｇｅａｒ）部放电检测对于保证其安全可靠运行具有重要的意义。为了对变压器故障进行有效诊断，试验设计了４种典型缺陷模型。用超声波法提取局部放电信号，得到局放分布图谱，获得了局放特征参数。根据所提取的特征参数的特点，通过支持向量机（ＳＶＭ）分类算法对典型缺陷信号进行了模式识别。关键词：超声波法；特征参数；ＳＶＭ算法；模式识别
（ｕ十ｂ）ｚ ≥１（Ｉ）
Ｆ（）＝ｓｉｇｎ（Ｅ），＋）
ｉ＝１
（８）
其中ａ．是拉格朗日乘子；ｓｉｇｎ（・）是符号函数。如果元素的值大于等于０，函数的值为１，如果元素的值小于０，那么，函数的值为一１。最大化边距是一个很重要的概念，但是它不能用于解决现实中的很多问题，原因是，如果数据有很多噪点，除非我们准备使用非常复杂的核，否则，通常在特征空间内不能进行线性分类。主要的原因在于，最大化边距分 ቤተ መጻሕፍቲ ባይዱ 器总是完美而没有误差的将训练样本分类。为了解决这一问题，ＳＶＭ使用接下来要介绍的软边距，并引入非负

基于残差卷积神经网络的开关柜局部放电模式识别

基于残差卷积神经网络的开关柜局部放电模式识别黄雪莜1，熊俊1，张宇1，刘辉1，陈鹭1，孟祥麟2，江秀臣2(1. 广州供电局有限公司荔湾供电局，广东广州　510150；2. 上海交通大学电气工程系，上海　200240)摘　要：传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低，难以在实际工程中应用。

提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法，通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题，并综合利用开关柜局部放电数据的浅层与深层特征融合学习，实现模式识别。

通过开关柜不同绝缘缺陷类别的局部放电模拟实验与配电站现场检测，构建了开关柜局部放电数据样本库，并进行了实验分析。

实验结果表明：所提方法的识别正确率达96.06%，相比传统识别方法至少提高了20.22%，且随着训练集样本数量的增加，识别率有更大提升。

综合使用特征层融合模块和残差模块，显著提升了模型的泛化性能，更适用于实际工程。

关键词：卷积神经网络；残差模块；特征层融合；局部放电；模式识别DOI ：10.11930/j.issn.1004-9649.2020060610 引言开关柜是中国配电网中的主要设备，其运行状态与配电网息息相关[1-2]。

由于封闭在柜内的电力设备长期运行后会不可避免的产生绝缘缺陷，严重时将会发展成设备故障，影响配电网的安全可靠运行[3]。

局部放电是开关柜存在绝缘缺陷的重要表现形式，利用局部放电带电检测数据对设备绝缘缺陷进行模式识别，能够提前了解设备的缺陷和问题，有助于后期对设备进行有针对性的检测与检修[4]。

基于局部放电检测数据进行模式识别的传统方法主要利用专家知识，对人工经验依赖高，缺乏一定的泛化性能[5]。

近年来，随着深度学习（deep learning ，DL ）的快速发展，人工神经网络（ANN ）[6-8]、支持向量机（SVM ）[9-10]、卷积神经网络（CNN ）[11-13]等模型被广泛应用于局部放电模式识别领域。

基于聚类多级决策SVM的油纸绝缘沿面放电阶段识别方法

基于聚类多级决策SVM的油纸绝缘沿面放电阶段识别方法杨贤;林春耀;马志钦;饶章权;郑晓光【摘要】Based on surface discharge model for oil paper insulation rod-plane,constant voltage method was adopted for ex-periment research on development characteristic of partial discharge (PD)of this model under AC voltage. Four graphs of phase-resolved partial discharge (PRPD)modes at different time and 29 statistic characteristic quantities were extracted, kernel principle component analysis method was used for extracting eight new characteristic quantities and discharge develop-ment stages were divided by system clustering analysis as well. On the basis of eight new characteristic parameters,class dis-tance point in clustering analysis was used to form a hierarchical identification method for discharge stages based on cluster-multistage support vector machine (SVM). Results indicate this method based on cluster-multistage SVM can identify dis-charge stages well and get result consistent with that of system clustering analysis method.%基于油纸绝缘柱板沿面放电模型,采用恒压法对该模型交流电压下局部放电发展特性进行实验研究,提取不同时刻局部放电脉冲相位分布(phase-resolved partial discharge,PRPD)模式的4个图谱及其对应的29个统计特征量,采用核主成分分析法提取8个新特征参量,并通过系统聚类划分放电发展阶段.在局部放电8个新特征参量的基础上,根据聚类划分的结果,利用聚类分析中的类距离思想,建立基于聚类-多级支持向量机(support vector machine,SVM)的放电阶段分层识别方法.识别结果表明:所建立的聚类-多级SVM能很好识别放电所处的阶段,与系统聚类结果吻合较好.【期刊名称】《广东电力》【年(卷),期】2017(030)009【总页数】7页(P104-110)【关键词】油纸绝缘;局部放电;发展特性;支持向量机;阶段识别【作者】杨贤;林春耀;马志钦;饶章权;郑晓光【作者单位】广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州510080;广东电网有限责任公司电力科学研究院,广东广州 510080【正文语种】中文【中图分类】TM835油纸绝缘结构是电力变压器常见的内部绝缘结构，而局部放电是造成绝缘老化和损坏的主要原因之一。

基于卷积神经网络的开关柜局部放电故障识别

基于卷积神经网络的开关柜局部放电故障识别王菲菲;阮爱民;魏刚;孙海渤【摘要】目前的局部放电故障的分类算法大多是浅层学习算法,人工提取的特征直接影响分类结果.与浅层学习算法相对,深度学习具有更深的架构,能够自动从样本中学习特征,卷积神经网络是典型的深度学习算法.本文旨在研究卷积神经网络在开关柜局部放电的应用,证明深度学习架构能够有效提高识别率.本实验共采集正常和故障两种可听声信号,将以上两类声音信号进行提取特征后,分别放入SVM模型和卷积神经网络中进行分类.实验结果表明,卷积神经网络比传统的SVM提高了声音识别的准确度.【期刊名称】《电气技术》【年(卷),期】2019(020)004【总页数】6页(P76-81)【关键词】开关柜绝缘故障;可闻声信号;卷积神经网络;SVM【作者】王菲菲;阮爱民;魏刚;孙海渤【作者单位】南京工程学院,南京 210000;江苏省电力有限公司镇江供电分公司,江苏镇江 212000;江苏省电力有限公司镇江供电分公司,江苏镇江 212000;江苏省电力有限公司镇江供电分公司,江苏镇江 212000【正文语种】中文电力系统中，10kV金属封闭式开关柜是直接面向用户的电力设备，电力系统的安全运行与开关柜的状态息息相关。

根据相关资料显示，绝缘劣化和接触不良是开关柜的主要故障。

而这些故障发生之前，会有局部放电现象。

因此，通过对局部放电信号的有效监测，可以在开关柜的绝缘层发生劣化前采取措施，降低事故发生率。

目前，高压开关柜的故障检测方法有电测法和非电测法。

电测法主要包括脉冲电流法、特高频检测法、无线电干扰电压法。

非电测法主要有声发射检测法、光测法、红外检测法[1]。

非电测法与电测法比较，具有更强的抗电磁干扰能力。

在非电测法中，超声波的使用范围最广，但是超声波衰减速度快，很难穿透设备的金属外壳。

因此我们检测的是声波信号的低频段，即对可听声信号进行故障检测。

基于声学特征量的诊断技术，不需要接触设备，不会干扰设备的正常运行，可以随时采集信号，方便安装[2]。