基于S变换和双向二维主成分分析的局部放电模式识别

被引：6

作者：

廖瑞金 ^{[1
]}

袁磊 ^{[1
,2
]}

汪可 ^{[1
,3
]}

杨丽君 ^{[1
]}

聂仕军 ^{[1
]}

机构：

[1] 重庆大学输配电装备及系统安全与新技术国家重点实验室

[2] 厦门供电局

[3] 中国电力科学研究院

来源：

重庆大学学报 | 2013年 / 36卷 / 05期

关键词：

局部放电; 模式识别; S变换; 双向2DPCA; 粒子群优化算法; 支持向量机;

D O I：

暂无

中图分类号：

TM835 [高电压测量技术];

学科分类号：

080803 ;

摘要：

为对不同类型局部放电信号进行识别,笔者提出一种新的特征提取方法。首先,制作了4种典型的局部放电人工缺陷模型,并通过S变换对采集的局部放电UHF信号进行时频分析;然后,采用双向二维主成分分析(2DPCA)对S变换幅值矩阵进行压缩以提取特征;最后,引入基于粒子群算法优化参数的支持向量机对样本特征集进行模式识别。识别结果表明:4种特征维数组合中,(10,5)组合的平均识别率最高,(5,5)组合最低;粒子群优化算法的引入大幅提高了支持向量机的分类性能,平均识别率均在94.43%以上,最高可达到97.67%。由此可见,经过S变换和双向2DPCA提取的特征集在维数显著约减的同时,保留了原始数据大部分信息量,能够获得较为理想的分类识别率。

引用

页码：56 / 63

页数：8

共 18 条

[1]

Robust Heteroscedastic Probabilistic Neural Network for multiple source partial discharge pattern recognition – Significance of outliers on classification capability.[J].S. Venkatesh;S. Gopal.Expert Systems With Applications.2011, 9

[2]

( 2 D ) 2 PCA : Two-directional two-dimensional PCA for efficient face representation and recognition.[J].Daoqiang Zhang;Zhi-Hua Zhou.Neurocomputing.2005, 1

[3] SUPPORT-VECTOR NETWORKS [J].