基于核统计不相关最优鉴别矢量集的GIS局部放电模式识别研讨.pdfVIP

中国电机工程学会高压专委会 2007年学术年会论文集 基于核统计不相关最优鉴别矢量集的GIS 局 部放电模式识别研究 张晓星 唐炬 孙才新 姚尧 重庆大学 摘要：GIS 局部放电故障诊断对于准确掌握 GIS 内部的缺陷性质和指导 GIS 的检修工作有着重要意义。 针对线性 Fisher 鉴别分析用于局部放电故障诊断时存在的问题，文中借鉴核方法思想，提出了一种基于 核的统计不相关鉴别矢量集算法(KSUODV)，用以解决高维特征空间内的非线性特征提取问题，并且消除 了变换后样本特征之间的统计相关性。在对实验室获取的7种缺陷PD三维谱图模式识别试验表明，KSUODV 算法的识别性能优于 SUODV 算法性能，效果良好。 关键词：气体绝缘电器；局部放电；模式识别；核；Fisher 鉴别分析 1 引言 提高。 当前，核方法已经成为模式识别领域 气体绝缘组合电器（GIS ）内可能因生 的一个迅速发展的新方向，其基本思想是 产或长期运行中出现的潜伏性绝缘缺陷而导 通过适当的非线性映射将非线性可分的原 致不同程度的局部放电(PD)，长期的 PD 将 始样本输入空间变换到某一线性可分的高 引起绝缘劣化，甚至击穿或闪络[1-4] 。因此， 维特征空间 H ，该技术提供了一种提取样 对 GIS 进行局部放电在线检测故障诊断，对 本非线性特征有效方法。 于准确掌握 GIS 内部的缺陷性质和特征有着 本文借鉴核方法的思想，将 SUODV 重要意义。 算法进一步拓广，提出了基于核的统计不 在模式识别领域中，Fisher 线性判别方 相关鉴别矢量集算法(KSUODV) ，并将它应 法(Fisher discriminant analysis，FDA)有着 用于 GIS 局部放电模式识别中，该方法能 重大的影响[5] ，Foley 和 Sammon 发展了 提取局部放电样本的非线性鉴别特征，有 效的提高模式识别精度。 Fisher 线性判别方法，寻找一组最大化 Fisher 准则函数且满足正交条件的最佳鉴 2 核统计不相关鉴别矢量集算法 别矢量构成子空间，以原始样本在该子空 间内的投影矢量作为鉴别特征用于识别 2.1 核 Fisher 鉴别准则(KFDA) [6] 。杨静宇等提出了统计不相关的最优矢 由Cover 定理[9]定理可以知道，将复杂 量集的解析算法，并用于人脸识别，取得 的模式分类问题非线性地投射高维空间将 了良好的效果[7,8] 。文献[4]引入了统计不相 比投影到低维空间更可能是线性可分的， 关 的 最 优 鉴 别 矢 量 集 算 法 (Statistical 因此可以采用非线性变换φ ( 由预先选定的 Uncorrelated Optimum Discriminant Vectors 核函数隐式的确定)将 n 维矢量空间的矢量 X 映射到高维特征空间 H ，然后在高维特 Algorithm ，简称 SUODV)，并用于 GIS 局 征空间 H 中实现 Fisher 鉴别分析。 部放电四种单一缺陷的模式识别。但是上 在经过非线性映射φ 后，特征空间 H 上 述 Fisher 鉴别分析及其推广算法都是