鮑永勝　郝峰杰　徐建忠　張遠(yuǎn)航

(1.國網(wǎng)寧夏電力公司銀川供電公司　銀川　750001 2.國網(wǎng)天津市電力公司檢修公司　天津　300232 3.國網(wǎng)寧夏電力公司檢修公司　銀川　750001)

?

GIS局部放電脈沖分類特征提取算法

鮑永勝1郝峰杰2徐建忠3張遠(yuǎn)航1

(1.國網(wǎng)寧夏電力公司銀川供電公司銀川750001 2.國網(wǎng)天津市電力公司檢修公司天津300232 3.國網(wǎng)寧夏電力公司檢修公司銀川750001)

摘要傳統(tǒng)的基于局部放電脈沖時頻信息構(gòu)建的局部放電脈沖群分類譜圖，多數(shù)只能提取表征局部放電脈沖波形特征的低維特征量。當(dāng)分類算法需要更多的特征量來完成對放電脈沖群的分類工作時，采用上述算法則不能有效地完成對局部放電脈沖群的分類工作。為此提出了采用等效時頻熵算法來提取表征局部放電脈沖波形特征的多維特征量，構(gòu)建放電脈沖群的等效時頻熵分類譜圖，并與改進的模糊C均值聚類算法相結(jié)合實現(xiàn)對不同類型局部放電脈沖群的分類工作?；跉怏w絕緣組合開關(guān)設(shè)備(GIS)的實驗結(jié)果證實了上述方法的有效性和合理性，為研制基于單一人工缺陷模型的局部放電在線監(jiān)測和識別系統(tǒng)提供了實驗和理論依據(jù)。

關(guān)鍵詞：局部放電模糊C均值聚類算法特征提取在線監(jiān)測等效時頻熵

0引言

隨著電力設(shè)備投入運行時間的增長，其內(nèi)部絕緣逐漸出現(xiàn)劣化現(xiàn)象，導(dǎo)致其絕緣能力不斷下降，對電網(wǎng)的穩(wěn)定運行造成嚴(yán)重影響。解決這些問題的關(guān)鍵是在線監(jiān)測技術(shù)。電力設(shè)備內(nèi)部放電情況的實時監(jiān)測，對于了解設(shè)備的絕緣情況、指導(dǎo)設(shè)備的檢修周期、保證電網(wǎng)的安全穩(wěn)定運行具有重要意義。然而要更準(zhǔn)確地了解電力設(shè)備局部放電產(chǎn)生的原因和機理，一種有效的方法是對局部放電信號進行放電模式識別。

目前對于局部放電在線監(jiān)測技術(shù)的研究多集中在放電模式識別和分類算法上?；谥С窒蛄繖C算法[1-4]、人工神經(jīng)網(wǎng)絡(luò)算法[5-8]、模糊識別[9]以及核主分量分析[10]等均已取得了良好的效果。在分類算法上采用聚類算法[13-15]、基于網(wǎng)格和密度的聚類算法[16]以及競爭學(xué)習(xí)網(wǎng)絡(luò)算法[17]來實現(xiàn)對放電脈沖群的分類工作均已取得了較好的效果。然而，如果沒有區(qū)分度較大的分類特征量，再好的分類算法也無法有效地完成對多局部放電脈沖群的分類工作，進而導(dǎo)致整個系統(tǒng)無法對電力設(shè)備的局部放電情況做出準(zhǔn)確判斷。針對這一問題，國內(nèi)外一些學(xué)者已做了大量研究工作[8，11-13，15，17，18]，但在脈沖波形特征量提取方面只給出了低維(2～4)特征量，如果分類算法需要更多的特征量來表征脈沖波形的特征，采用上述方法將不能很好地完成對脈沖群的分類工作。文獻[12，13]雖然給出了分類算法所需要的高維特征量，然而其特征量在不同類型的放電脈沖之間的差距仍然較小，且其高維特征表現(xiàn)的尤為明顯。

本文研制了一種新的局部放電分類特征提取技術(shù)，即通過等效時頻熵算法來提取用于脈沖群分類的特征量。與傳統(tǒng)的等效時頻算法相比，此算法不僅能提取表征放電脈沖波形特征的多維特征量，而且與等效時頻寬算法相比，其不同類型的放電脈沖群之間具有更大的差異性，更有利于后續(xù)的分類工作而得到最為合理的分類結(jié)果。同時在文獻[13]的FCM(fuzzy C-means)均值聚類算法的基礎(chǔ)上引入自動控制理論的思想，使整個分類系統(tǒng)變得更加智能?；贕IS的局部放電實驗結(jié)果證實了新的分類特征具有更大的區(qū)分不同類型放電脈沖的能力。同時與引入自動控制理論的FCM均值聚類算法相結(jié)合可以很好地完成對多含有多局部放電源的放電脈沖群的分類工作。

1基于等效時頻熵的分類特征因子

特征因子即可以用于將不同類型的放電脈沖信號區(qū)分開來的特征向量序列，其選取的合適與否直接關(guān)系到系統(tǒng)識別結(jié)果的準(zhǔn)確性。等效時頻熵算法可以在表征局部放電脈沖時頻域特征的基礎(chǔ)上，提取表征脈沖時頻特征的高維特征量作為分類算法的分類特征量。

對于采集到的局部放電脈沖信號，可以通過求取其時頻熵對其進行描述。熵測度是信號整體統(tǒng)計特征的一種描述，反映了信號概率分布的均勻性，是整體不確定性度量的平均。由同一局部放電源產(chǎn)生的局部放電脈沖，由于其具有相似的統(tǒng)計特征，因此具有相同的時頻熵。將放電脈沖信號的時域波形在每一時刻的幅值看成時間變量的概率密度函數(shù)，將其對應(yīng)的傅里葉變換函數(shù)在每一頻率點的幅值看成是頻率變量的概率密度函數(shù)，而求取其在時域及頻域的信息熵即為時頻熵。而由不同局部放電源產(chǎn)生的放電脈沖，由于沒有相同的統(tǒng)計特征，因此其具有不同的時頻熵。所以，可通過提取局部放電脈沖信號的高維時頻熵用以形成局部放電脈沖群分類特征譜圖，再通過改進的FCM分類算法實現(xiàn)對含有多局放源的脈沖群的分類工作，并結(jié)合現(xiàn)有的識別算法來對其放電模式進行識別，以此來判斷電力設(shè)備內(nèi)部產(chǎn)生局部放電的原因及其性質(zhì)，并對電力設(shè)備內(nèi)部的絕緣情況做出準(zhǔn)確的判斷。為便于分析，對采集到的局部放電脈沖序列做如下處理[13，17]。

(1)

式中，j為第j個脈沖；ai為第i個點的時域波形值，mV；Δt為采樣時間間隔；Δt(i-1)為第i個點對應(yīng)的時間；n表示脈沖由n個點組成。圖1為一典型放電信號的放電脈沖波形。

圖1　局部放電脈沖的時域波形Fig.1　The PD pulse in time domain waveform

對采集到的局部放電脈沖序列做離散傅里葉變換可得

(2)

式中，Ai為第i個點的頻譜幅值；Δf(i-1)為第i個點的頻率值。頻域波形如圖2所示。

(3)

式中，Pj(ti)為對應(yīng)某一放電脈沖的第i個點的ai值；Pj(fi)為對應(yīng)某一放電脈沖的第i個點的Ai值。

圖2　局部放電脈沖的頻域波形Fig.2　The PD pulse in frequency domain waveform

傳統(tǒng)的提取局部放電脈沖信號的等效時寬與等效頻寬[17]只能提取表征局部放電脈沖波形信息的二維特征量，在分類算法需要更多的表征放電脈沖波形特征的特征量時，上述算法則不能實現(xiàn)。因此，若將局部放電脈沖信號的時域波形作為時間變量的概率密度分布，其傅里葉變換所得頻域波形各頻譜分量的幅值作為頻率變量的概率密度分布，則可以引入表征脈沖波形特征的信息量。這里引入Renyi信息量，其定義為

(4)

通過引入Renyi信息量雖然可以得到表征局部放電脈沖波形信息的高維特征量，但是當(dāng)a為奇數(shù)時可能出現(xiàn)積分項為負(fù)值，而使其失去意義，進而無法作為局部放電脈沖群分類特征譜圖的特征量，且其有效性仍有待考證。而任何隨機過程的高階統(tǒng)計量都可以通過計算其k階累積量來獲得[8]，因此在引入Renyi信息量以及隨機過程高階統(tǒng)計量計算方法的基礎(chǔ)上，通過對文獻[8，13，16-17，19-23]的研究，對表征脈沖波形特征的時頻信息特征進行了拓展，提出用于獲取脈沖信號波形特征的高維特征量的計算方法，其計算公式為

(5)

(6)

2模糊C均值聚類算法

模糊C均值聚類(FCM)算法是目前應(yīng)用最為廣泛和靈敏的基于目標(biāo)函數(shù)的一種分類算法，其在局部放電在線監(jiān)測系統(tǒng)中的應(yīng)用情況詳見文獻[13]，這里不再闡述。在采用文獻[13]的改進型可自動輸出分類結(jié)果的FCM算法的基礎(chǔ)上引入自動控制理論的思想，即在歸類的過程中不是按照隸屬度最大的原則歸類而是設(shè)定了一定的條件

(7)

式中，vi為此脈沖隸屬于第i類的隸屬度；a為設(shè)定的閾值；vmax2為某放電脈沖的隸屬度矩陣中第二大隸屬度對應(yīng)的值，即只有在最大隸屬度大于給定的閾值的情況下才對此脈沖進行歸類，否則將不對其進行歸類；同時在滿足最大隸屬度大于給定閾值的基礎(chǔ)上，還要求其不會對其他某一類具有較大的隸屬情況，才對其進行歸類，否則將不對其進行歸類。即以分三類為例，令a=0.6，ε=0.45，則通過條件1可以去除隸屬度為(0.5，0.3，0.2)的點，而通過條件2可以在條件1的基礎(chǔ)上濾除隸屬度為(0.65，0.3，0.05)的點。這樣通過設(shè)定上述兩個分類條件，可以保證每一類中的脈沖都具有非常高的相似度，即完全可以認(rèn)為它們是由同一局放源產(chǎn)生的放電脈沖。

雖然通過以上引入閾值的思想，實現(xiàn)了對分類脈沖的兩次過濾。但是如何選取合適的a和ε仍是一個重要的問題：如果a值選取過大將導(dǎo)致在采集到的局放脈沖較少時，每一個子類的脈沖數(shù)較少而增加識別結(jié)果的偶然誤差；而當(dāng)a的值選取過小時將導(dǎo)致在采集到的局放脈沖數(shù)較大時使每一子類內(nèi)脈沖的純度降低而失去了增加閾值濾波的意義。而ε值的選取對整個系統(tǒng)的影響與a相同。針對這一問題，通過引入自動控制理論的方法，即引入自適應(yīng)線性函數(shù)使a和ε的值可以跟隨脈沖數(shù)變化，從而實現(xiàn)對a和ε的自動控制，其形式為

(8)

式中，n為采集到的脈沖數(shù)量；nmax、nmin分別為預(yù)先設(shè)定的脈沖數(shù)量的最大值和最小值。當(dāng)nnmax時，取n=nmax。通過引入上述線性函數(shù)不僅解決了聚類趨勢的問題，而且可以保證在采集到的放電脈沖數(shù)較少時，分類算法可以保留較多的放電脈沖，減小了因脈沖點數(shù)少而增加識別結(jié)果的偶然誤差；而在采集到的放電脈沖數(shù)較多時，可以濾除較多的放電脈沖而使每一類的脈沖點都具有非常高的相似度，而更有利于后續(xù)的識別工作。

3GIS實驗結(jié)果與分析

為了驗證新提出的等效時頻熵算法在描述不同類型放電脈沖波形特征上的有效性，僅以二次等效時熵與二次等效頻熵組成的二維特征量為例對上述算法進行分析。同時，對GIS設(shè)備的局部放電實驗所采集的局放數(shù)據(jù)進行了實驗。其中數(shù)據(jù)采集卡使用雙通道高速示波采集卡NI5112，采樣速率為100 Ms/s，采集卡存儲深度為16 MB，采集卡參數(shù)設(shè)置使得其中一通道可以同步采集局放數(shù)據(jù)，其起始點和結(jié)束點分別對應(yīng)工頻電壓信號的初始和結(jié)束相位。每個放電脈沖的采集時長為1 μs，即每個放電脈沖采集100個點來表示此放電脈沖的放電波形，共采集100個工頻放電周期的放電信號。母線尖刺放電情況，采取在GIS母線處利用螺紋放一銅質(zhì)尖刺的辦法模擬母線尖刺放電的故障，并充入0.4 MPa的SF6氣體進行采集分析，如圖3a所示；針對沿面放電的情況，在母線筒壁上用絕緣陶瓷支撐一鐵片，并在GIS氣室內(nèi)有少量空氣的情況下充入SF6氣體至0.4 MPa模擬故障，如圖3b所示；而對于正常的工作狀況，儀器會自動監(jiān)測整個實驗場所內(nèi)的隨機噪聲干擾信號。

圖3　實驗?zāi)Ｐ虵ig.3　Test model

以下所使用的數(shù)據(jù)為上述兩種類型的混合數(shù)據(jù)以模擬實際GIS在線監(jiān)測監(jiān)測點(盆式絕緣子)兩側(cè)不同氣室內(nèi)存在不同類型的放電源。為了證實新算法的有效性，給出了實驗條件下所采集到的局部放電類脈沖的時域以及頻域波形如圖4所示。

圖4　局部放電脈沖的時域以及頻域波形Fig.4　The PD pulse in time and frequency domain waveform

從圖4同樣可以看出，沿面放電正負(fù)半周內(nèi)的放電脈沖在時域以及頻域上均具有較大的相似性，但其仍具有一定的差異。而其與母線尖刺放電相比，在時域上振蕩頻率較大，在頻域上所跨的頻率范圍較大。而母線尖刺放電、沿面放電與干擾噪聲放電相比，其均是先達到放電峰值而后逐漸衰減，而噪聲則無規(guī)律，隨機性較大。不同類型的放電脈沖信號在時域以及頻域熵的差異也為等效時頻熵算法的應(yīng)用提供了基礎(chǔ)。

為了驗證等效時頻熵算法作為局部放電脈沖群分類特征的優(yōu)越性，與文獻[1]提出的等效時頻寬算法進行了比較。其中等效時頻寬算法的具體過程詳見文獻[1]，此處不再闡述。為了更好地對實驗結(jié)果進行分析比較，此處將上述算法所得到的實際結(jié)果均按相同歸一化方法進行了歸一化處理，其歸一化后的結(jié)果如圖5所示。

圖5　采用不同算法所得到的分類特征譜圖Fig.5　Using different algorithms obtained the Classification spectrum

從圖5可以得出，對于同一組含有多局放源和干擾源的局部放電數(shù)據(jù)，采用新的等效時頻熵算法與文獻[1]所提出的等效時頻寬算法均能很好地區(qū)別不同類型的放電脈沖及干擾脈沖。從圖5a和圖5b的對比可以看出，采用新的等效時頻熵算法所得到的分類譜圖，不同放電源產(chǎn)生的放電脈沖其在橫坐標(biāo)上與等效時頻寬算法相比具有更大的差異性，但在縱坐標(biāo)上其差異性略差一些。綜合來看采用上述兩種方法所得的二次時頻特征分類譜圖在區(qū)分不同類型的局部放電脈沖時具有同等的效果。然而在拓展的高維特征上如圖5c和圖5d給出的三次等效時頻熵與三次等效時頻寬的對比中可以看出，采用三次等效時頻熵算法時，在區(qū)分不同放電脈沖的能力上頻熵算法明顯優(yōu)于三次等效時頻寬算法。從數(shù)值上看，采用三次等效時頻熵算法所得到的分類譜圖的聚類中心分別為(-0.62，-0.5)、(-0.23，0.74)、(0.13，0.91)和(0.61，0.29)，采用三次等效時頻寬算法所得到的分類譜圖的聚類中心分別為(-0.95，-0.95)、(-0.9，-0.61)、(-0.8，0.88)和(-0，62，-0.9)。同一組含有多局放源的放電數(shù)據(jù)通過使用上述兩種算法得到的分類譜圖的聚類中心在橫坐標(biāo)上的跨度分別為1.23和0.34，從這一數(shù)字可以看出，采用等效時頻熵算法所得到的分類譜圖，不同放電脈沖之間具有更大的差異性。采用三次等效時頻寬算法所得到的分類譜圖中有三類均聚集在很小的范圍內(nèi)，不利于后續(xù)算法得到準(zhǔn)確的分類結(jié)果。采用上述兩種算法所得到的4個聚類中心之間的相互距離之和分別為6.49和6.25。從這一數(shù)字同樣可以看出采用等效時頻熵算法所得到的分類譜圖可以保證各不同類型的放電脈沖群之間具有更好的分離性。從上述分析中可以看出，當(dāng)分類算法只需要二維分類特征時，采用上述兩種算法均能有效地分離不同類型的放電脈沖群，然而當(dāng)分類算法需要較多的分類特征時，采用新的等效時頻熵算法明顯優(yōu)于采用等效時頻寬算法，從而保證不同類型的放電脈沖之間能有效地分離。這將更有利于后續(xù)分類算法得到更準(zhǔn)確的分類結(jié)果，進而有利于最終基于單一人工缺陷模型的識別算法得到令人滿意的識別結(jié)果。

為了驗證改進的FCM分類算法在處理多局放源時的能力，以存在多局放源和干擾源的情況下的兩組實驗數(shù)據(jù)為例進行分析。數(shù)據(jù)1采集3 000個局放脈沖數(shù)據(jù)點，數(shù)據(jù)2采集5 000個局放脈沖數(shù)據(jù)點。系統(tǒng)獲得的局放脈沖的波形序列分別如圖6、圖7所示。

圖6　數(shù)據(jù)1的局放脈沖序列譜圖Fig.6　Data 1 PD pulse sequence spectrum

圖7　數(shù)據(jù)2的局放脈沖序列譜圖Fig.7　Data 2 PD pulse sequence spectrum

從圖6與圖7的對比可以看出，當(dāng)放電脈沖數(shù)較少時，采用此算法濾除了較少的放電脈沖而保留了較多的放電脈沖，避免了因脈沖數(shù)較少而導(dǎo)致識別結(jié)果的偶然誤差增大；而當(dāng)放電脈沖數(shù)較多時，采用此算法可以濾除較多的點使保證留下來的每一類內(nèi)的放電脈沖都具有極高的相似度。同時，從數(shù)值上分析，數(shù)據(jù)1采用此算法濾除了577點保留了2 423點，即保留下來的脈沖占脈沖總數(shù)的80.77%，而數(shù)據(jù)2采用此算法濾除了1 910點保留了3 090點，即保留下來的脈沖占脈沖總數(shù)的61.8%。從以上對數(shù)據(jù)的分析上也可以看出，在脈沖數(shù)較少時保留較多的脈沖點，避免增加識別結(jié)果的偶然誤差；而在脈沖數(shù)較多時濾除較多的脈沖點使每一個子類內(nèi)的脈沖都具有極高的相似度，而更有利于后續(xù)的識別工作。

為了證實上述分類結(jié)果的準(zhǔn)確性，給出數(shù)據(jù)2所得的分類結(jié)果對應(yīng)得峰值-相位分布譜圖如圖8所示。

圖8　局部放電脈沖群的峰值-相位分布譜圖Fig.8　The PD pulse peak-phase distribution spectrum

從圖8可以看出，基于等效時頻熵算法和改進的FCM分類算法相結(jié)合，將一組含有多局放源和干擾源的數(shù)據(jù)分成了4類。從分布相位上看，類1主要集中于20°～170°之間；類2主要分布于197°～350°之間；類3則主要分布于工頻周期波半周的上升階段且正負(fù)半周具有對稱型；而類4則均勻分布于整個周期。從上述分析可以看出，不同的子類之間在相位分布上具有不同的特性。從其幅值上看，類1、類2在整個脈沖存在的區(qū)間內(nèi)幅值均無太大變化，且均是在工頻周期波上升階段分布的脈沖數(shù)較多，而在下降階段分布的放電脈沖較少；而類3內(nèi)的放電脈沖的放電幅值則是呈現(xiàn)先增加后減少的趨勢；類4內(nèi)的放電脈沖的幅值在整個區(qū)間內(nèi)分布均勻無明顯變化，且放電脈沖均勻分布于整個放點區(qū)間。從上述分析可以看出，類1、類2內(nèi)的放電脈沖在分布相位及放電量上均具有較大的相似性，后經(jīng)識別為同一類型的放電脈沖-沿面放電。其在正、負(fù)半周信號時頻信息上的差異的可能原因是：在沿面放電模型中，GIS設(shè)備內(nèi)空氣中的水份在電場的作用下電離出較多的H+離子，因此在負(fù)極的作用下更容易產(chǎn)生放電現(xiàn)象，具體影響因素仍有待進一步的研究。而類1、類2與類3及類4之間在分布相位以及放電量上均具有較大的差異性，后經(jīng)識別類3為母線尖刺放電，而類4為噪聲干擾信號。

通過以上分析，可以看出采用等效時頻熵算法與改進的FCM均值聚類算法相結(jié)合可以有效地完成對不同類型的放電脈沖群的分類工作。這將有利于基于單一人工缺陷模型的識別系統(tǒng)對采集到的含有多局放源的放電數(shù)據(jù)的放電類型做出更準(zhǔn)確的判斷，為判斷GIS設(shè)備內(nèi)部的放電性質(zhì)提供依據(jù)。

4結(jié)論

1)基于等效時頻熵算法而得到的分類特征譜圖，可以保證不同類型的放電脈沖在分類特征譜圖上具有較大的差異。同時，當(dāng)分類算法需要更多的分類特征量來完成對局部放電脈沖群的分類工作時，采用等效時頻熵算法仍能提取用于分類特征的高維特征量，來完成系統(tǒng)對多局放源的分類工作。

2)采用改進的FCM均值聚類算法可以在采集到的放電脈沖數(shù)較少時，保留較多的放電脈沖，以減小因數(shù)據(jù)點太少而帶來的偶然誤差。同時，在采集到的放電脈沖較多時，濾除較多的分類不明確的放電脈沖，以保證每一個子類內(nèi)的放電脈沖均是由同一放電源產(chǎn)生，而增加識別結(jié)果的準(zhǔn)確度。同時，系統(tǒng)在保證留下的放電脈沖具有較高相似度的基礎(chǔ)上，也刪除了部分有用的放電信號，在這一方面仍有待改進。

3)采用等效時頻熵算法與改進的FCM均值聚類算法相結(jié)合可以有效地完成對含多局放源的放電脈沖數(shù)據(jù)的分類工作。這為研制基于單一人工缺陷模型的局部放電在線監(jiān)測與識別系統(tǒng)提供了實驗和理論依據(jù)。

參考文獻

[1]Hao L，Lewin P L，Dodd S J.Comparison of support vector machine based partial discharge identification parameters[C]//The 2006 IEEE International Symposium on Electrical Insulation，Toronto，Canada，2006：110-113.

[2]Huang C L，Wang C J.A GA-based feature selection and parameters optimization for support vector machines[J].Expert Systems with Applications，2006，31(2)：231-240.

[3]高彩亮，廖志偉，岳苓，等.基于小波奇異值和支持向量機的高壓線路故障診斷[J].電力系統(tǒng)保護與控制，2010，38(6)：35-39.

Gao Cailiang，Liao Zhiwei，Yue Ling，et al.Fault diagnosis of HV transmission lines based on wavelet singular value and support vector machine[J].Power System Protection and Control，2010，38(6)：35-39.

[4]任先文，薛雷，宋陽，等.基于分形特征的最小二乘支持向量機局部放電模式識別[J].電力系統(tǒng)保護與控制，2011，39(14)：143-147.

Ren Xianwen，Xue Lei，Song Yang，et al.The pattern recognition of partial discharge based on fractal characteristics using LS-SVM[J].Power System Protection and Control，2011，39(14)：143-147.

[5]周天春，楊麗君，廖瑞金，等.基于局部放電因子向量和BP神經(jīng)網(wǎng)絡(luò)的油紙絕緣老化狀況診斷[J].電工技術(shù)學(xué)報，2010，25(10)：18-23.

Zhou Tianchun，Yang Lijun，Liao Ruijin，et al.Diagnosis of aging condition in oil-paper insulation based on factor vectors of partial discharge and BP neural network[J].Transactions of China Electrotechnical Society，2010，25(10)：18-23.

[6]Hoof M，F(xiàn)reisleben M，Patsch R.Partial discharge source identification with navel discharge parameters using counterpropagation neural networks[J].IEEE Transactions on Dielectrics & Electrical Insulation，1997，4(1)：17-32.

[7]苑津莎，尚海昆，王瑜.基于相關(guān)系數(shù)矩陣和概率神經(jīng)網(wǎng)絡(luò)的局部放電模式識別[J].電力系統(tǒng)保護與控制，2013，41(13)：110-115.

Yuan Jinsha，Shang Haikun，Wang Yu.Pattern recognition for partial discharge based on correlation coefficient matrix and probabilistic neural networks[J].Power System Protection and Control，2013，41(13)：110-115.

[8]Evagorou D，Kyprianou A，Lewin P L，et al.Feature extraction of partial discharge signals using the wavelet packet transform and classification with a probabilistic neural network[J].IET Science Measurement & Technology，2010，4(3)：177-192.

[9]姚林朋，徐穎敏，錢勇，等.基于關(guān)聯(lián)規(guī)則的XLPE 電纜局部放電模糊識別研究[J].電工技術(shù)學(xué)報，2010，25(10)：18-23.

Yao Linpeng，Xu Yingmin，Qian Yong，et al.Fuzzy pattern recognition of partial discharge in XLPE cable based on association rule[J].Transactions of China Electrotechnical Society，2010，25(10)：18-23.

[10]唐炬，謝顏斌，周倩，等.基于最優(yōu)小波包變換與核主分量分析的局部放電信號特征提取[J].電工技術(shù)學(xué)報，2010，25(9)：35-40.

Tang Ju，Xie Yanbin，Zhou Qian，et al.Feature extraction for partial discharge signals based on the optimal wavelet packet basis transform and kernel principal component analysis[J].Transactions of China Electrotechnical Society，2010，25(9)：35-40.

[11]Cavallini A，Montanari G C，Contin A，et al.A new approach to the diagnosis of solid insulation systems based on PD signal inference[J].IEEE Electrical Insulation Magazine，2003，19(2)：23-30.

[12]Cavallini A，Montanari G C，Puletti F，et al.Advanced PD inference in on-field measurements.part I：noise rejection[J].IEEE Transactions on Dielectrics and Electrical Insulation，2003，10(2)：216-224.

[13]鮑永勝.局部放電脈沖波形特征提取及分類技術(shù)[J].中國電機工程學(xué)報，2013，38(28)：168-175.

Bao Yongsheng.Partial discharge pulse waveform feature extraction and classification techniques[J].Proceedings of the CSEE，2013，38(28)：168-175.

[14]王彩雄，唐志國，常文治，等.局部放電超高頻監(jiān)測抗干擾與多源放電信號分離方法[J].電網(wǎng)技術(shù)，2012，36(3)：46-50.

Wang Caixiong，Tang Zhiguo，Chang Wenzhi，et al.A method for anti-interference and multi-source discharge signal separation in ultra high-frequency partial discharge detection[J].Power System Technology，2012，36(3)：46-50.

[15]司文榮，李軍浩，袁鵬，等.基于波形非線性映射的多局部放電脈沖群快速分類[J].電工技術(shù)學(xué)報，2009，24(3)：216-221.

Si Wenrong，Li Junhao，Yuan Peng，et al.The fast grouping technique of PD sequence based on the nonlinear mapping of pulse shapes[J].Transactions of China Electrotechnical Society，2009，24(3)：216-221.

[16]王彩雄，唐志國，常文治，等.一種多源局部放電信號分離方法[J].中國電機工程學(xué)報，2013，33(13)：212-219.

Wang Caixiong，Tang Zhiguo，Chang Wenzhi，et al.A method for multi-source partial discharge signals separation[J].Proceedings of the CSEE，2013，33(13)：212-219.

[17]司文榮，李軍浩，袁鵬，等.氣體絕緣組合電氣多局部放電源的監(jiān)測與識別[J].中國電機工程學(xué)報，2009，29(16)：119-126.

Si Wenrong，Li Junhao，Yuan Peng，et al.Detection and identification techniques for muli-PD source in GIS[J].Proceedings of the CSEE，2009，29(16)：119-126.

[18]Si Wenrong，Li Junhao，Yuan peng，et al.The fast grouping technique of PD sequence based on the nonlinear mapping of pulse shapes[J].Transactions of China Electrotechnical Society，2009，24(3)：216-221.

[19]郭建濤，王宏遠(yuǎn)，余國文.基于熵測度和SQP方法的跳頻信號時頻表示[J].華中科技大學(xué)學(xué)報，2009，37(2)：5-8.Guo Jiantao，Wang Hongyuan，Yu Guowen.Representation of time-frequency by using frequency hopping signals through entropy measure and SQP[J].Journal of Huazhong University of Science and Technology(Nature Science Edition)，2009，37(2)：5-8.

[20]Kundu P，Kishore N K，Sinha A K.Classification of acoustic emission based partial discharge in oil pressboard insulation system using fractal features[C]//2010 Annual Report Conference on Electrical and Dielectric Phenomena，West Lafayette，IN，2010：1-4.

[21]Ding Dengwei，Gao Wensheng，Liu Weidong.Insulation defects discrimination in GIS by fisher discriminant analysis of partial discharge[J].High Voltage Engineering，2013，39(4)：805-812.

[22]Tang Jian，Chai Tianyou，Yu Wen，et al.KPCA based multi-spectral segments feature extraction and GA based combinatorial optimization for frequency spectrum data modeling[C]//2011 50th IEEE Conference on Decision and Control and European Control Conference，Orlando，F(xiàn)L，2011：5193-5198.

[23]Chen Yuhong，Yan Changchun，Li Botao.The comparison of some time-frequency analysis methods[J].Progress in Geohysics，2006，21(4)：1180-1185.

作者簡介

鮑永勝男，1985年生，碩士研究生，研究方向為在線監(jiān)測與智能診斷。

E-mail：ysb1004@sina.cn(通信作者)

郝峰杰男，1987年生，碩士研究生，研究方向在線監(jiān)測與智能控制理論。

E-mail：10121683@bjtu.edu.cn

Classification Feature Extraction Algorithm for GIS Partial Discharge Pulses

Bao Yongsheng1Hao Fengjie2Xu Jianzhong3Zhang Yuanhang1

(1.State Grid Ningxia Electric Power Company Yinchuan BranchYinchuan750001China 2.State Grid Tianjin Electric Power Maintenance CompanyTianjin300232China 3.State Grid Ningxia Electric Power Maintenance Company NingxiaYinchuan750001China)

AbstractThe partial discharge (PD) pulse group classification spectrum constructed based on traditional PD time-frequency information can only provide low-dimensional feature characteristics of PD pluses.When the classification algorithm requires more characteristics of PD pluses to complete the classification work，the abovementioned methods do not work well.This article presents an equivalent time-frequency entropy algorithm to extract the multidimensional characteristics which present the PD pluses waveform feather，and then constructs the PD pluses groups equivalent time-frequency entropy classification spectrum.The spectrum is further combined with the improved fuzzy C means clustering algorithm to complete the classification work of different types of PD pluses groups.The testing results based on gas insulated switches (GIS) prove the validity and rationality of this algorithm，which provides both experimental and theoretical basis for the development of PD online monitoring and identification system based on single artificial defect model.

Keywords：Partial discharge，fuzzy C means clustering algorithm，feature extraction，online detection，equivalent time-frequency entropy

中圖分類號：TM835

收稿日期2015-04-12改稿日期2015-06-20