基于多尺度加权主成分分析的SF6红外光谱.pdfVIP

第32卷。第6期 光谱学与光谱分析 VoL 201 and June，2012 2年6月 SpectroscopySpectralAnalysis 基于多尺度加权主成分分析的SF6红外光谱分析 彭玺1，王先培1，黄云光2 1．武汉大学系统集成与故障诊断实验室．湖北武汉430079 2．广西电力科学研究院．广西南宁530023 摘要利用红外光谱法分析SF6气体及其衍生物是判断气体绝缘组合电器(GIS)运行状态和故障的一种 重要手段。传统的诊断方法过程繁琐、效率低下，而且受主观因素的影响较大。本文指出可以采用机器学习 的方法实现GIS设备的故障诊断，并提出了多尺度加权主成分分析的特征提取方法。多尺度加权主成分分 析结合了主成分分析和多尺度分解的特点，保证了尺度特征信息的最大化，并且修正了特征向最在数据分 类时的权莺。通过对广西电力研究院提供的SF6及其衍生物的红外光谱进行分析，证明了多尺度加权主成 分分析算法对训练样本的分类效果要比标准的主成分分析算法好3～4倍。 关键词红外光谱技术I六氟化硫；气体绝缘组合电器；多尺度加权主成分分析 中图分类号：0657．3文献标识码：A GIS设备故障诊断就是对光谱数据的识别与分类。一些经典 引言 的机器学习算法都可以用来解决这个识别与分类问题。但关 于这类方法在GIS设备故障诊断方面的研究还不多见。 insulated 气体绝缘组合电器(gas switchgear，GIS)因其紧一般来说，实际问题中的数据往往都是高维数据。如果 密的结构和较高的可靠性而广泛应用于高压线路中n～。并以 直接在高维空间内进行识别与分类。不但增加计算量。而且 sF6气体作为绝缘和灭弧介质。然而。在长期的运行过程中。 增加分析问题的复杂性。因此，必须对高维数据进行降维处 GIS设备在制造和装配环节中的一些潜在绝缘缺陷，往往会导 理。主成分分析(prindplecomponent 致不同程度的局部放电。放电的能量使野；气体分解成一些 低氟硫化物，并和设备中存在的少量氧气和水发生化学反应。 能够实现数据的降维(特征提取)。它的优点在于它是通过分 生成一些衍生物。如：文E。义鼠。鼬F2，SO,，陋。H2S析数据而得到各维之间内在的结构关系，不受主观因索的影 等。这些活性物质会腐蚀金属表面，加速器件的老化，最终导 响，而且得出的主成分(PC)互不相关，交叉信息少，非常利 致c黔设备的故障[“。通过检测sF6及其衍生物的化学成分，于分析评价。早在zo世纪90年代它就已经被运用于人脸的 表示[93和人脸的识别领域[103。PCA遵循的是使原样本数据 能够有效的监测GIS设备的运行状态并确认故障类型[4]，及 时采取必要的维护措施。避免造成重大的损失。 信息和特征向鼍所承载的数据信息的均方根误差最小的原 SR气体衍生物成分的化学分析方法包括气相色谱 则，因此它更适用于数据的表示，而不适用于数据的分类。 法[53，离子迁移谱法[“，气体检测管法[7]，红外光谱法[8]等。还有一些算法在数据的分类方面要优于PCA，如线性判别分 descrimination 其中。红外光谱法既不影响样本的化学成分．又能达到一定 析[11．1幻(1inear 的精度。而且技术成熟．操作简单。因此本文采用红外光谱 (iIldependenteomponent 法分析SF6气体及其衍生物的化学成分，实现GlS设备的故 障诊断。传统的步骤是先检测吸收峰的位置，再查找对应的