论文部分内容阅读
摘 要：为了最大限度提取到局放故障最本质的信息，利用超球面支持向量机对不同绝缘故障局部放电类型进行模式识别。局部放电信号检测复杂，对应故障类型多样，局部放电样本数目有限且特征量呈非线性，使得BP神经网络和SVM的识别率较低。本文基于自回归系数特征，采用经过粒子群优化的超球面支持向量机对不同绝缘故障类型的局部放电进行模式识别，识别率高，这对提高局部放电模式识别率具有一定的指导意义。
关键词：模式识别；粒子群优化； 超球面支持向量机
在局部放电故障模式识别分类中，应用比较广泛的分类器是人工神经网络和支持向量机。若采用人工神经网络识别样本数据相对有限的局部放电，平均识别率能够达到85%，识别率很难再提高。支持向量机是根据结构风险最小化原则解决小样本，多种类模式识别问题，从而得到较高的识别率，然而局部放电信号特征分布是不均匀的。因此，本文基于自回归模型算法提取局部放电信号特征，采用最优超球面支持向量机对局部放电信号进行分类。
1 BP神经网络和支持向量机
1.1 BP神经网络
BP神经网络算法的学习过程是由信号的正向传播和误差的反向传播组成。信号正向传播时通过输入层，经隐含层，最终由输出层输出结果，若输出结果与期望值有偏差时，则将误差信号进行反向传播；在反向传播的过程中，误差信号由输出层逐层向前传播，采用梯度下降法对权值不断进行修正，使输出结果更加接近于期望值。
1.2 支持向量机
支持向量机（SVM）在处理线性可分样本时，通过建立最优超平面使样本间距离最大化，在处理非线性样本时，利用核函数将低维样本映射至高维特征空间中，从而将非线性不可分问题转化为可分的模式识别问题。由于SVM具有泛化能力强、训练时间短和全局寻优等特点，故广泛应用在高维和小样本等非线性问题中。
2 基于超球面支持向量机的局部放电识别分析
2.1 超球面支持向量機
超球面支持向量机（HSVM）用于描述支持向量数据分类[1]。该方法分类原理简单，分类效果良好。
对于超球面支持向量机，其数学描述为：给定一个集合Am，m=1，2，…，k，l个样本点包含于各个集合中，针对每个集合构建一个尽量小的超球体，保证该集合中的大部分样本点能够落在超球体内，由于考虑到一小部分的样本点会落在超球面外，因此求解最小超球体的过程可转化为原始优化问题。
利用超球面支持向量机进行模式识别分析，其分类精度是由惩罚因子C和核函数参数δ共同决定的。
2.2 粒子群寻优算法
粒子群算法 [2]是一种具备全局寻优能力的群体智能优化算法。在参数寻优过程中，任一个（C，δ）组合被称为一个“粒子”，所有粒子均匹配有速度和位置这两个特征，具有全局性和快速性。采用粒子群优化算法对HSVM的参数组合进行寻优，其具体寻优步骤为：
（1）初始化粒子群的初始值，即设定惩罚因子C和核函数参数δ的范围，设定进化迭代次数、粒子维数、种群规模数，并随机产生一组（C，δ）参数作为初始解空间。
（2）利用基于粒子（C，δ）组合的HSVM对训练样本集进行训练分析。
（3）当所有群体粒子计算完毕后，若判断出其不满足终止条件，则对粒子进行更新，产生新的粒子群，然后重复步骤2，直到停止计算，并输出最优参数组合（C，δ）。
（4）将步骤3中得到的最优粒子组合代入到HSVM中，构成最优超球面支持向量机，并将测试样本集输入到最优超球面支持向量机中进行识别分类。
3 基于自回归模型和超球面支持向量机的局部放电模式识别
基于自回归模型和超球面支持向量机的模式识别算法，该方法对不同放电类型的信号建立自回归模型[3]，将得到的模型系数特征矩阵输入到超球面支持向量机中，从而对放电信号进行识别分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类准确率起着重要的作用，因此采用粒子群算法寻找最优的惩罚因子和核函数参数组合。
本文采用AIC准则来确定自回归模型阶数，采用BURG算法确定自回归模型参数，并将其作为局部放电信号特征。利用粒子群寻优算法对超球面支持向量机进行粒子优化，采用5折交叉验证的分类准确率作为粒子群算法的适应度函数，用以评价其分类能力。
为了更好地进行训练和识别，将经过归一化后的特征向量矩阵输入到超球面支持向量机中进行训练，并利用粒子群优化算法寻找最优参数组合（C，δ），构成最优超球面支持向量机即PSO-HSVM，并对测试样本进行识别分类。
PSO-HSVM的局部放电平均识别率达到了97%，识别准确率比其他几类都高，说明基于自回归系数特征，经过粒子群优化的超球面支持向量机对于局部放电模式识别效果更好。
4 结论
本章为了进一步提高局部放电的模式识别率，采用粒子群优化后的最优超球面支持向量机对局部放电类型进行模式识别分析，取得了令人满意的识别效果。
参考文献：
[1]高翔.超球支持向量机在语音识别中的应用研究[J].太原：太原理工大学， 2011.
[2]罗新，牛海清，来立永，等.粒子群优化自适应小波神经网络在带电局放信号识别中的应用[J].电工技术学报， 2014， 29（10）： 326-333.
[3]桂晓雷.基于自回归模型深度恢复算法CUDA加速[J].天津：天津大学， 2014.
关键词：模式识别；粒子群优化； 超球面支持向量机
在局部放电故障模式识别分类中，应用比较广泛的分类器是人工神经网络和支持向量机。若采用人工神经网络识别样本数据相对有限的局部放电，平均识别率能够达到85%，识别率很难再提高。支持向量机是根据结构风险最小化原则解决小样本，多种类模式识别问题，从而得到较高的识别率，然而局部放电信号特征分布是不均匀的。因此，本文基于自回归模型算法提取局部放电信号特征，采用最优超球面支持向量机对局部放电信号进行分类。
1 BP神经网络和支持向量机
1.1 BP神经网络
BP神经网络算法的学习过程是由信号的正向传播和误差的反向传播组成。信号正向传播时通过输入层，经隐含层，最终由输出层输出结果，若输出结果与期望值有偏差时，则将误差信号进行反向传播；在反向传播的过程中，误差信号由输出层逐层向前传播，采用梯度下降法对权值不断进行修正，使输出结果更加接近于期望值。
1.2 支持向量机
支持向量机（SVM）在处理线性可分样本时，通过建立最优超平面使样本间距离最大化，在处理非线性样本时，利用核函数将低维样本映射至高维特征空间中，从而将非线性不可分问题转化为可分的模式识别问题。由于SVM具有泛化能力强、训练时间短和全局寻优等特点，故广泛应用在高维和小样本等非线性问题中。
2 基于超球面支持向量机的局部放电识别分析
2.1 超球面支持向量機
超球面支持向量机（HSVM）用于描述支持向量数据分类[1]。该方法分类原理简单，分类效果良好。
对于超球面支持向量机，其数学描述为：给定一个集合Am，m=1，2，…，k，l个样本点包含于各个集合中，针对每个集合构建一个尽量小的超球体，保证该集合中的大部分样本点能够落在超球体内，由于考虑到一小部分的样本点会落在超球面外，因此求解最小超球体的过程可转化为原始优化问题。
利用超球面支持向量机进行模式识别分析，其分类精度是由惩罚因子C和核函数参数δ共同决定的。
2.2 粒子群寻优算法
粒子群算法 [2]是一种具备全局寻优能力的群体智能优化算法。在参数寻优过程中，任一个（C，δ）组合被称为一个“粒子”，所有粒子均匹配有速度和位置这两个特征，具有全局性和快速性。采用粒子群优化算法对HSVM的参数组合进行寻优，其具体寻优步骤为：
（1）初始化粒子群的初始值，即设定惩罚因子C和核函数参数δ的范围，设定进化迭代次数、粒子维数、种群规模数，并随机产生一组（C，δ）参数作为初始解空间。
（2）利用基于粒子（C，δ）组合的HSVM对训练样本集进行训练分析。
（3）当所有群体粒子计算完毕后，若判断出其不满足终止条件，则对粒子进行更新，产生新的粒子群，然后重复步骤2，直到停止计算，并输出最优参数组合（C，δ）。
（4）将步骤3中得到的最优粒子组合代入到HSVM中，构成最优超球面支持向量机，并将测试样本集输入到最优超球面支持向量机中进行识别分类。
3 基于自回归模型和超球面支持向量机的局部放电模式识别
基于自回归模型和超球面支持向量机的模式识别算法，该方法对不同放电类型的信号建立自回归模型[3]，将得到的模型系数特征矩阵输入到超球面支持向量机中，从而对放电信号进行识别分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类准确率起着重要的作用，因此采用粒子群算法寻找最优的惩罚因子和核函数参数组合。
本文采用AIC准则来确定自回归模型阶数，采用BURG算法确定自回归模型参数，并将其作为局部放电信号特征。利用粒子群寻优算法对超球面支持向量机进行粒子优化，采用5折交叉验证的分类准确率作为粒子群算法的适应度函数，用以评价其分类能力。
为了更好地进行训练和识别，将经过归一化后的特征向量矩阵输入到超球面支持向量机中进行训练，并利用粒子群优化算法寻找最优参数组合（C，δ），构成最优超球面支持向量机即PSO-HSVM，并对测试样本进行识别分类。
PSO-HSVM的局部放电平均识别率达到了97%，识别准确率比其他几类都高，说明基于自回归系数特征，经过粒子群优化的超球面支持向量机对于局部放电模式识别效果更好。
4 结论
本章为了进一步提高局部放电的模式识别率，采用粒子群优化后的最优超球面支持向量机对局部放电类型进行模式识别分析，取得了令人满意的识别效果。
参考文献：
[1]高翔.超球支持向量机在语音识别中的应用研究[J].太原：太原理工大学， 2011.
[2]罗新，牛海清，来立永，等.粒子群优化自适应小波神经网络在带电局放信号识别中的应用[J].电工技术学报， 2014， 29（10）： 326-333.
[3]桂晓雷.基于自回归模型深度恢复算法CUDA加速[J].天津：天津大学， 2014.