一种基于线性鉴别分析的GIS局部放电模式识别.pdfVIP

2006年10月 重庆大学学报(自然科学版) Oct．2006 第29卷第10期 Joumalof Science V01．29No．10 Chongqinguniversity(NQturQlEdition) 文章编号：1000一582X(2006J 10—000l一04 一种基于线性鉴别分析的GIS局部放电模式识别+ 张晓星，唐 炬，孙才新，许中荣，周 倩 (重庆大学高电压与电工新技术教育部重点实验室，重庆400030) 摘要：根据GIS设备绝缘缺陷放电形式和特点，设计了4种典型的GIS缺陷模型，构造了局部放 电灰度谱图；针对GIS局部放电及其缺陷特点，提出一种基于局部放电图像的主分量分析一线性鉴别方 法，即首先进行主分量分析，将数据从超高维空间降至低维空间，再提取统计不相关的最优鉴别矢量集， 采用最小距离分类器进行模式识别，识别结果表明该方法对GIS各类模拟缺陷的正确识别率较高，效果 良好． 、 关键词：GIS；局部放电；模式识别；主分量分析；线性鉴别分析 中图分类号：TM835 文献标识码：A 由于传统脉冲电流法易受现场电晕等低频电磁干 导致类内散布矩阵常常为奇异阵，使得算法难以进行． Insulated 扰，目前大量采用超高频法检测GIS(Gas 为避免上述问题，局放数据在进行线性鉴别前，先进行 switchgear)局部放电(PanialDischa唱e)信号．由于谱 图中含有局部放电丰富的信息，因此局放特征通常从 维空间，不仅可以解决维数危机，消除类内散度矩阵的 二维和三维谱图(9一g—n)中提取，提取特征的方法奇异性，而且能最大限度的保持原有样本模式的结构 有：统计特征【1J、分形特征12“J、小波特征15‘61等． 分布． 在模式识别领域中，Fishe?线性判别方法(FDA)笔者设计了4种GIs典型缺陷模型，构造出超高 有着重大的影响，其基本思想是，选择使得Fisher准则频局部放电灰度图像，采用PCA—FDA算法，将高维的 函数一广义Rayle培h商达到最大值的向量(称最优鉴局部放电灰度图像压缩至低维；在此基础上，提取了统 别向量)作为最优投影方向，从而使得高维输人空间 计不相关的最优鉴别矢量集，最后在特征空间中采用 中的模式样本在该轴投影后，类间散度达到最大的同 最小距离分类器进行模式识别，取得了良好的识别效 时类内散度达到最小¨J．Foley和Sammon发展了Fish．果． er线性判别方法(，在Fisher鉴别准则函数取最大值 1 人工缺陷物理模型与信号检测 的条件下，求得与Fisher最佳鉴别方向正交的第2个 最佳鉴别方向，用于解决两类问题【8J．Duchene和Le—1．1人工缺陷物理模型的设计 根据GIs设备绝缘缺陷放电形式和特点，设计了 clercq给出了对多类问题的Foley—Sammon最佳鉴别矢 量集的计算公式旧J．杨静宇等提出了统计不相关的最 4种GIs模拟装置内PD物理模型(见图1)： 优矢量集的解析算法，并用于人脸识别，取得了良好的 1)金属突出物缺陷：在内导体表面径向安装一根 效果‘10。¨3． 可调节长短的银针来模拟这种放电类型，根据试验装 尽管Fisher及改进算法在模式识别领域得到一定 置内的气压和外施电压高低，选择银针突出的高度； 的应用，但也存在一定的问题：由于局部放电灰度图像 2)自由金属微粒缺陷：微粒运动的程度取决于微粒的 维数通常很大(高达数万维)，导致构造最优鉴