XL P E电力电缆局部放电超声模式识别技术的研究

沈阳工程学院 高 阳 吴伟晴 许傲然

XL P E电力电缆局部放电超声模式识别技术的研究

沈阳工程学院 高 阳 吴伟晴 许傲然

在电力系统的运行中，如何保证电力电缆的绝缘性能良好是配网中的难点。本文主要介绍统计学习理论的核心思想，讨论基于统计学习理论的SVM方法，研究主成分分析和支持向量机二者相结合的方法用于XLPE电力电缆缺陷识别。希望对电力电缆的安全运行具有一定的指导意义。

XLPE电力电缆；局部放电；超声模式；识别技术

1.引言

XLPE电力电缆局放缺陷诊断主要包括三个方面:缺陷识别；缺陷定位；缺陷严重程度的标定与评价。缺陷识别是进行故障诊断的基础，缺陷定位是故障诊断的核心，缺陷严重程度的标定与评价是故障诊断的目的。电缆诊断的这三个方面都可以归结为模式识别的问题，即分类问题[1]。

2.统计学习理论简介

统计学习理论即统计理论体系，研究对象是小样本下的机器学习问题。它主要研究理论基础，包括：经验风险最小化原则成立的前提条件；在有限样本的情况下，期望风险与经验风险之间的关系；在现有的原理和理论的基础之上，怎样找到新的学习方法。

2.1 VC维理论

VC维理论：对一个指标函数集，如果存在h个样本能够被函数集中的函数按所有可能的2的h次方种形式分开，则称函数集能够把h个样本打散。即函数集的VC维就是它能打散的最大样本数目h。若对任意数目的样本都有函数能将它们打散，则函数集的VC维是无穷大，有界实函数的VC维可以通过用一定的阀值将它转化成指示函数来定义。VC维反映了函数集的学习能力，VC维越大则学习机器越复杂，即容量越大[2]。

2.2 学习机器的推广误差边界

为构造适合于小样本学习的归纳学习原理，可以通过控制学习机器的推广能力来达到此目的。用以下公式来估算真实风险，

2.3 结构风险最小化

经验风险和置信范围决定了机器学习的实际风险。经验风险与学习机器复杂度（即VC维）成反比，而置信范围却与学习机器复杂度成正比。因此，要想得到最小的实际风险，选择一个合适的VC维h，使两者之和达到最小。

在结构风险最小化原则的实现中，首先将函数集：

使各个子集可以依照对应的VC维大小顺序排列，即满足：

这样，在同一子集中置信范围就相同。在每个子集中找出最小经验风险，它往往与子集复杂度成反比。在子集间，同时考虑经验风险和置信范围，使得实际风险最小[3]。

3.支持向量机的多分类算法模型

现实中，多类分类问题有更多的应用领域，多类分类问题SVM分类算法具有很重要的研究意义。文献[4]比较了这三种方法：1-v-1、1-v-r和DAG-SVM各自的优劣，得出的结论是：1-v-1分类法是一种较好的多分类方法，它比较适合于实际工程应用。本文采用1-v-1SVM分类法对结构损伤进行诊断。

1-v-1SVM分类算法将多类问题转换为两类分类问题，构造分类超平面的任何两类，对m个类别进行两两分开。为利用该算法对m个类别进行分类，共需要构建个训练集，对这K个训练集进行学习，产生K个分类器。

对于由第i 类和第 j 类数据训练所构建的二值分类器问题来求函数的极小值[5]：

当用1-v-1SVM算法对m个类别中的任意一个未知样本进行分类时，每一个分类器都要对其类别进行判断，并为相应的类别“投一票”， 最后，得票最多的类是未知样本的类别。这种策略称为投票策略。

4.总结

基于主成分分析特征提取的SVM模式识别方法的基本思想是：（1）把XLPE电力电缆3种典型缺陷局部放电采集的原始超声信号首先进行PRPD谱图特征分析，绘制出相应的Hqmax(φ)谱图、Hqavg(φ)谱图和Hn(φ)谱图；（2）其次提取三种谱图中共计27个统计算子，应用主成分分析将27个统计算子进行数据特征分析，最终得到6维特征向量；（3）最后用特征向量作为原始信号的局放特征向量输入到已训练好的多分类SVM中，获得不同缺陷识别结果。

[1]吴倩,刘毅刚．高压交联聚乙烯电缆绝缘老化及其诊断技术述评[J]．广东电力,2003,16(4):15-17．

[2]沈彬华．高压交联聚乙烯电缆绝缘料的国产化研究[J]．电线电缆,2010(1):21-25．

[3]孙宏伟,叶宽,张艳妍等．交联电缆故障分析[C]．全国第八次电力电缆运行经验交流会,2008:556-576．

[4]宋颖．交联聚乙烯电缆局部放电信号检测与模式识别的研究[D]．华北电力大学硕士学位论文,2010．

[5]罗俊华．XLPE电力电缆绝缘特性试验方法的研究[D]．西安交通大学博士论文,2003．