华北电力大学朱永利等：基于改进 SVDD 算法与马氏距离的未知局部放电类型的识别
高佳程 朱永利 贾亚飞 郑艳艳 刘 帅
DOI: 10.19595/j.cnki.1000-6753.tces.180089
1
导语
对局部放电(PD)的类型进行识别以便进一步研究电气设备内部的绝缘情况，是电气设备状态评估中的重要内容。为了解决局部放电类型未知的样本无法被正确识别的问题，本文提出了一种基于改进变量支持向量数据描述(SVDD)和马氏距离的未知局部放电类型的模式识别方法。
2
研究背景
随着电网电压等级和输电容量的不断增大，特高压输变电装备绝缘可靠性的要求也越来越严格。电力设备内部绝缘劣化的机理不同，引起的局部放电类型也不同。而不同的局部放电类型对设备绝缘造成的损害程度不同。因此，进行局部放电类型的模式识别已经成为了一次设备状态评估方面的重要组成部分。
3
论文所解决的问题及意义
目前，现有的模式识别方法大都它们只能识别出样本库中已有的放电类型，当有新类别的放电样本出现时，将会产生错误的分类结果。而在实际的工程应用中，电力设备故障复杂多样，已有的训练样本库中不可能包含所有放电类型，必然存在一定的疏漏，而构建绝对完备的样本库工作量巨大，并不可行。因此，对未知的放电类型进行准确分类，对于电气设备局部放电诊断研究具有重要意义。
4
论文的方法及创新点
本文所提出的识别方法中，首先利用SVDD算法对已知类型的放电样本进行训练，获得训练样本的超球体中心a、超球体半径R以及各类已知类别放电样本的球心ai；其次，利用Otsu准则的双阈值判定方法，根据求解出的阈值R1、R2重新划分样本超平面，并设置不同区域内的判定准则；最后，依据各区域内的判定准则，利用基于Mahalanobis距离的分析方法对待测放电样本进行识别和分类。
5
结论
1) 本文提出了一种基于改进 SVDD 和马氏距离的未知局放类型的识别方法。为验证所提出识别方法的有效性，本文对实验环境下实测放电样本进行识别并将识别结果与传统 SVDD 算法进行对比，结果表明本文提出的方法具有较高的识别率。
2) 利用待测样本到各类型放电中心的马氏距离作为判定样本放电类型的依据，结果表明，相较于欧式距离的判定方法具有更好的识别效果。
3) 依据 Otsu 准则设置双阈值识别待测样本的放电类型，为 SVDD 算法中阈值的确定提供了一个新的思路。
高佳程, 朱永利, 贾亚飞, 郑艳艳, 刘帅. 基于改进SVDD算法与马氏距离的未知局部放电类型的识别[J]. 电工技术学报, 2018, 33(15): 3510-3517.
Gao Jiacheng, Zhu Yongli, Jia Yafei, Zheng Yanyan, Liu Shuai. Pattern Recognition of Unknown Types of Partial Discharge Based on Improved SVDD Algorithm and Mahalanobis Distance[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3510-3517.
作 者 简 介
华北电力大学
朱永利 男，1963年生，博士，华北电力大学教授，博士生导师，河北冀州人，主要研究方向为人工智能方法在电力系统中的应用，输变电设备网络化监测与信息分析处理等。1992年破格晋升为副教授，1996年破格晋升为教授，1998年被评为博士生导师。获全国优秀留学回国人员（1997），国务院政府特殊津贴（2001）、教育部首批新世纪优秀人才（2004）。曾作为联合培养博士生在英国女王大学学习，以访问学者身份在加拿大萨斯可彻温大学、卡尔加里大学电气与计算机工程系从事研究工作，并曾在美国 EDSA 电力应用软件公司工作。现任中国计算机学会高级会员、河北省计算机学会副理事长、河北省人工智能学会副理事长、IEEE 会员。主持国家自然科学基金项目4项、省部级科技项目2项和电力企业科技项目等30余项。获省部级科研成果奖励4项。作为主编或副主编正式出版普通高等教育规划教材3部（其中《发电厂电气部分》为“十二五”国家级规划教材）。发表学术论文300余篇，SCI/EI收录近100篇，其中3篇为第1作者身份的国际顶尖期刊IEEE Transactions论文。
高佳程 男，1993年生，硕士研究生，河北高阳人，主要研究方向为高压电气设备局部放电信号分析和故障诊断；