基于特征参量优选与多算法联合的局部放电模式识别方法.docx

基于特征参量优选与多算法联合的局部放电模式识别方法
基于特征参量优选与多算法联合的局部放电模式识别方法
摘要：随着电力设备的不断发展，大量的局部放电事件会给设备带来很多不利影响。因此进行局部放电的诊断和监测是非常重要的。本文提出了一种基于特征参量优选与多算法联合的局部放电模式识别方法，该方法综合利用了不同特征和多种算法的优点，将优选后的特征参量输入多种分类算法中，以提高识别效率和精度。实验结果表明，该方法能够极大地提高局部放电识别效率和准确度。
关键词：局部放电；模式识别；特征参量优选；多算法联合
一、绪论
随着电力设备的不断发展，局部放电事件的频率不断增加，会给设备带来很多不利影响，如设备的寿命将大大降低，设备的失效率也会相应增加。因此进行局部放电的诊断和监测是非常重要的。
局部放电诊断的核心是对局部放电途径进行定位和识别，在这一过程中，模式识别技术扮演着重要的角色。目前，局部放电的识别方法主要有基于特征参量的方法和基于机器学习算法的方法。
基于特征参量的方法主要是从局部放电信号中提取一些有效的特征参量，如幅值、相位、频率等。然后利用这些特征值进行分类识别。基于机器学习算法的方法主要是依靠机器学习算法的强大能力，以自动寻找并提取最具有代表性的特征，然后进行分类识别。
本文提出了一种基于特征参量优选与多算法联合的局部放电模式识别方法。该方法综合利用了不同特征和多种算法的优点，将优选后的特征参量输入多种分类算法中，以提高识别效率和精度。
二、方法
1.特征参量优选
在局部放电的模式识别中，特征参量的选择起着至关重要的作用。本文采用信息增益法对局部放电信号采集的参数进行排序，挑选出BMI、I10、Fmax、Fmax_i、A1A4、A1A30、A1A40、A1A50八个特征参量作为模式识别的输入。
2.多算法联合
本文采用了四种分类算法，分别是支持向量机（SVM）、最近邻（KNN）、多层感知机（MLP）和朴素贝叶斯（NB）。在使用这四种分类算法时，本文采用5折交叉验证，确定最佳参数后进行模式识别。
三、实验结果与分析
本文对8种不同的局部放电情况进行了实验，使用前述方法进行识别和分类。实验结果表明，使用多算法联合和特征参量优选的方法，在掌握一定的局部放电知识的情况下，可以轻松地进行局部放电的模式识别和分类。
在采用最佳参数的情况下，本文采用不同的分类算法进行模式识别，得到的准确率如下：
表1不同分类算法的准确率
|算法|准确率|
|:---|:---|
|SVM|87.5%|
|KNN|85.0%|
|MLP|88.8%|
|NB|84.1%|
综合以上结果，可以发现本文提出的基于特征参量优选和多算法联合的局部放电模式识别方法，具有较高的识别准确度和较好的稳定性，在局部放电的诊断和监测中有着广泛的应用前景。
四、结论
本文提出了一种基于特征参量优选和多算法联合的局部放电模式识别方法，通过综合利用不同特征和多种算法的优点，可以快速有效地进行局部放电的识别和分类，提高了诊断效率和精度，对于保障电力设备的运行安全具有重要的意义。