图1 典型缺陷模型
Fig.1 Typical defect models
摘要 由于变电站现场环境复杂多样，实测的局部放电（PD）数据存在大量的干扰信号。为提高含噪PD类型识别准确度，提出一种基于加速鲁棒特征（SURF）和改进支持向量机（BFO-SVM）的PD模式识别方法。首先，将单源PD数据与噪声及干扰数据叠加形成染噪PD数据，并构造脉冲序列分布（PRPS）模式；然后，利用SURF算法自动提取PRPS灰度图像的特征点及特征描述符，结合词袋模型思想和K-means聚类方法生成不同PD类型的视觉单词频率特征；最后，将提取的特征量输入BFO-SVM分类器，并将该算法与基于灰度梯度共生矩阵（GLCM）的特征提取方法和传统SVM优化算法的识别效果进行对比。结果表明：该算法在高幅值白噪声背景及典型干扰环境中具有较高的识别准确率及较强的抗干扰能力。研究结果可为现场PD检测和识别提供参考。
关键词：局部放电 特征提取 加速鲁棒特征 细菌觅食优化算法 支持向量机
局部放电（Partial Discharge, PD）是反映电气设备绝缘劣化的重要征兆，不同放电类型在绝缘劣化机理、放电发展过程及危害性方面存在差异[1-3]。因此，及时有效地检测和识别局放类型，对设备故障辨识和绝缘状态评估具有重要意义[4-5]。
针对局部放电模式识别问题，通常先构造合适的局放图谱模式，然后从中提取特征参量形成特征库，最后将特征矩阵输入分类器中进行故障识别[6]。文献[7]在实验室环境模拟了四种典型放电模型并建立了特高频图谱库，通过主成分分析和多分类相关向量机识别局放类型。文献[8]提出采用基于二维Littlewood-Paley经验小波变换对局放统计谱图做滤波处理，通过提取小波系数子图的图像特征，实现典型局放类型诊断。文献[9]将局放信号处理成基于变分模态分解的Wigner Ville分布时频谱图，输入堆叠稀疏自编码网络进行训练。文献[10]研究了稀疏表示分类器对局放缺陷类型的识别效果。然而当前对于局放模式识别的研究，主要采用无噪声的实验室数据，由于缺陷类型典型，且不存在外界干扰的影响，因此识别效果较好。但变电站的实际运行环境复杂多样，现场实测的局放数据存在大量干扰信号，与在实验室环境下检测的典型信号存在差异，因此所提相关模式识别方法的效果有待进一步的验证和讨论[11]。
对于含噪局部放电信号的诊断方法大部分采用如下两步实现：首先对混合信号进行降噪处理，得到“纯净”的脉冲信号；然后基于模式识别方法区分信号类别[12-13]。然而目前降噪技术并不完美，且业界没有通用的降噪标准[14-16]。同时降噪步骤复杂繁琐，耗费时间成本[17]。此外，考虑到现场局放检测数据通常以图片等非结构化数据形式存储，所以若能直接实现对含噪局放图谱图像的精准识别，将简化识别过程，提高识别效率[18]。
在局部放电图像特征提取环节，相比于传统的颜色特征[19]、形状特征[20]、纹理特征[8]等全局特征提取方法，局部特征提取算法具有良好的鲁棒性和不变性，适用于图像混叠和遮挡的情况。加速鲁棒特征（Speeded Up Robust Features, SURF）是一种典型的局部特征描述子，该算法在尺度、旋转、噪声等影响因素下具有较强的稳定性，同时其鲁棒性及计算速度均具有明显优势，适合于解决含噪局放信号的识别问题。因此，本文提出了一种基于SURF和改进支持向量机（Support Vector Machine, SVM）的局部放电模式识别方法，直接实现对含噪局部放电图谱图像的诊断。在单源局部放电数据中叠加不同幅值的白噪声，生成多种信噪比的局部放电数据，并构建PRPS（phase resolved pluse sequence）图谱库。提取图像的SURF特征，采用Bag-of-features重新编码提取的关键点和描述符，将特征输入优化的SVM分类器中进行识别。最后利用该识别算法对叠加典型干扰的局部放电数据进行分析，验证其有效性及抗干扰能力。
本文设计了四种典型的局放模型，即金属尖端模型、悬浮电位模型、自由金属微粒模型和固体绝缘气隙模型。将设计的模型放置在气体绝缘组合电器（Gas Insulated Switchgear, GIS）模拟器中进行局放实验，使用特高频传感器采集典型缺陷的放电样本各200例，每例样本的时间长度为50个工频周期。
金属尖端模型、自由金属微粒模型、悬浮电位模型和固体绝缘气隙模型结构如图1所示。四种典型绝缘缺陷的PRPS模式如图2所示。
图1 典型缺陷模型
Fig.1 Typical defect models
图2 四种典型绝缘缺陷的PRPS谱图
Fig.2 Typical PRPS patterns under different defects
现场局放检测中的干扰源主要包括白噪声、离散频谱干扰和脉冲型干扰[21]。离散频谱干扰具有窄带频率，可以轻松识别和消除[22]。因此本文主要研究白噪声及典型脉冲型干扰对局部放电模式识别的影响。
为了模拟现场局放信号中可能存在的白噪声，在四种局放类型样本上叠加不同幅值的均值为零的高斯白噪声，构造不同信噪比（Signal-to-Noise Ratio, SNR）的局放数据，SNR为
（1）式中，X(i)为无噪声的局放信号；Y(i)为噪声信号；N为样本数。本文设置了五种SNR的含噪信号，分别为1dB、-1dB、-4.8dB、-8.1dB和-10.5dB。
信噪比为-4.8dB的GIS典型绝缘缺陷PRPS谱图如图3所示。
图3 含噪局部放电信号的PRPS谱图
Fig.3 PRPS patterns of contaminated PD
1.2节通过数学仿真手段生成了含有白噪声的局放PRPS谱图。然而，通过纯数学方法生成所有类型的干扰信号不现实，并且随机生成的噪声与实际环境干扰存在一定差距。因此，为了更好地模拟现场的实际干扰情况，评估不同干扰对局放类型识别的影响，本文在实验室环境下获取了60组典型的脉冲型干扰数据，包括：手机通信干扰、荧光灯干扰、雷达干扰等多种干扰源数据。部分典型的脉冲型干扰信号PRPS谱图如图4所示。
图4 典型脉冲型干扰的PRPS谱图
Fig.4 PRPS patterns of typical pulsed interference
SURF是一种局部特征检测描述方法，具有速度快、鲁棒性较好等优点[23]。本文将SURF特征提取方法应用于局部放电模式识别领域，具体步骤如下。
1）特征点提取
如图5所示，将PRPS图像转换为灰度图，并保持灰度图大小不变。用方框滤波器近似代替二阶高斯滤波器，采用不同尺寸的方框滤波器与灰度图像卷积，建立图像金字塔，构造尺度空间。
图5 图像金字塔
Fig.5 Image pyramid
SURF特征点的提取采用精确度较高的Fast-Hessian检测子。在图像中的点B处，尺度为σ的Hessian矩阵为
（2）式中，Lxx(B, σ)、Lxy(B, σ)、Lyy(B, σ)为高斯二阶偏导数在B处与图像的卷积。
为了提高运算速度，并且达到准确逼近高斯核函数的效果，H. Bay等[23]提出采用盒子滤波器的方法，分别用Dxx、Dxy、Dyy近似表示图像和高斯二阶导数的卷积。因此Hessian矩阵的行列式值可近似表示为
（3）为了确定图像特征点的具体位置，在3×3×3大小的近邻区域内采取非极大抑制的原则，选择Hessian矩阵行列式的最大值所在图像和尺度空间位置作为特征点[24]。
2）确定主方向
以特征点为中心，以6s(s为特征点的尺度)为半径，计算圆形区域内各点在x、y方向上的Haar小波响应，并根据各点与中心点的距离赋高斯权值，使靠近特征点的响应贡献大，而远离特征点的响应贡献小。使用大小为π/3的滑动扇形窗口围绕特征圆域区间旋转，并将60°扇形区域中的所有Haar特征相加，得到一组方向向量。选择圆域内模值最大向量的方向作为该特征点的主方向。
该步骤是针对图像存在旋转及视角变换情况时进行的操作。由于本文的局部放电PRPS谱图全部采用直立图像且不存在视角变换，因此该步骤不影响本文的识别效果。
3）SURF特征点描述符
以特征点为中心，选择一个20s×20s的正方形区域，结合H.Bay等[23]的实验，并通过多组参数分析验证，将该区域划分为4×4子区域的效果最佳。然后分别计算每个子区域内对应的4维特征向量V={Σdx, Σ|dx|, Σdy, Σ|dy|}。在每一个特征点形成4×4×4=64维的描述向量。
Bag-of-Features(BoF)是一种图像检索方法，借鉴了词袋模型(Bag-of-Words, BoW)的文本分类思想，将图像的特征向量集合当作图像的词袋。BoF就是基于词袋和SURF特征统计出的特征频率直方图。BoF主要包括两个步骤[25]：①构建视觉词典；②统计图像特征频率。
为了降低视觉词典的特征维数，本文利用K-Means根据SURF提取的特征点描述向量之间的距离，将其聚类成k类，作为视觉词典中的基础单词。根据构建的视觉词典，统计每幅图像SURF特征与视觉词典特征点的相似度，得到不同PD类型的视觉单词频率直方图如图6所示。
图6 SURF特征频率直方图
Fig.6 SURF characteristic frequency histograms
由图6可以看出，通过BoF-SURF特征包获取的不同局放类型的视觉单词频率直方图存在明显差异。整合所有图像的视觉特征频率向量形成局放特征库，将其输入分类器中进行下一步分类识别。
支持向量机是一种能够有效解决小样本和非线性特征问题的数据分类方法，具有高泛化能力和避免陷入局部极小的优点[26]。SVM本质是一个线性分类器，其核心思想是将输入空间映射到高维度的特征空间，寻找一个最优超平面使样本在特征空间内线性可分。
定义超平面为
（4）式中，ω为超平面的法向量；b为偏移量。
为求得几何间隔最大的超平面，将其转换为一个凸二次规划问题，即
（5）增加拉格朗日乘子αi，得到拉格朗日函数，即
（6）根据强对偶关系和KKT条件产生原问题的对偶问题，并引入核函数k(xi, x)，得到分类器的最终决策方程为
（7）式中，上标*表示对应变量的最优值。
由于SVM算法是一个二分类分类器，而局部放电模式识别属于多分类问题。因此需利用“一对一”或“一对多”的方法将多分类转换为多个SVM二分类问题。
细菌觅食优化（Bacterial Foraging Optimization, BFO）算法[27]是由K. M. Passion于2002年提出的一种模拟大肠杆菌觅食行为的仿生智能优化算法。该算法具有跳出早熟收敛、避免局部极小且鲁棒性强等优点，适合解决SVM参数寻优问题[28]。
BFO通过细菌特有的趋化、繁殖、迁徙行为实现位置更新和最优解探索。
1）趋化操作
细菌i的趋化运动方程为
（8）式中，
为细菌i在随机方向上的单位向量；C(i)为细菌i在随机方向上的移动步长。
菌群个体在觅食过程中通过相互间的引力和斥力达到聚集和分散的目的。细菌间聚集行为为
式中；d1为引力深度；ω1为引力宽度；h2为斥力高度；ω2为斥力宽度；
为细菌i的第m个分量；θm为菌群中其他细菌的第m个分量。上述公式实质上描述的是种群对某一细菌所处位置的作用力之和。一般情况下，取d1=h1。
由于Jcc(θ,P(j,k,l))表示种群之间的影响值，因此在趋化循环中引入聚集操作后，第i个细菌的适应度值的表达式变为
当细菌的移动步长超过固定步长，游动停止。趋化运动完成，细菌进入繁殖操作。
2）繁殖操作
定义细菌i的能量函数为
（11）将细菌能量按从小到大的顺序排列，淘汰能量值较小的一半细菌，同时复制能量值较大的一半细菌以维持种群规模不变。
3）迁徙操作
细菌以给定概率Ped执行迁徙。迁徙虽然破坏了趋化行为，但迁徙行为随机生成的新个体可能更靠近全局最优解，有利于细菌对全局最优值的探索。
SVM分类精度和性能主要受参数选择的制约，参数直接关系到分类器最终学习能力及泛化能力。为进一步提高SVM的性能，本文基于高斯核函数，利用BFO算法实现SVM参数组合(c,γ)最优化。参数优化的具体步骤如下：
1）对实验样本进行预处理
将数据集按一定比例分为训练集Xtrain、测试集Xtest、验证集Xvalidation，并对数据做归一化处理。
2）初始化细菌觅食算法的相关参数
初始化细菌个数s、细菌的前进步长Ns，趋化次数Ne、繁殖次数Nre、迁移次数Ned、每次向前游动的最大步数、迁移概率、种群之间传递信号的影响值Jcc的四个参数。
3）初始化各细菌的位置(x1, x2)
利用式（12）初始化细菌位置。其中rand为均匀分布在[0 1]区间内的随机数。
（12）4）计算细菌的适应度值
以细菌i为例，以其位置(ci, gi)对应数值作为SVM参数，使用Xtrain训练模型，Xvalidation验证模型，并将识别的综合错误率作为各细菌的适应度值不断迭代更新。
5）趋化操作
（1）产生一个随机方向
，细菌沿此方向翻转。
（2）定义灵敏度
（13）（3）各细菌的游动步长采用自适应游动步长，即
（14）6）繁殖操作
对各细菌的适应度值排序，适应度值较差的一半细菌消亡，适应度值较好的一半细菌繁殖再生。
7）迁移操作
生成一个随机概率，将其与固定迁移概率Ped比较，若小于Ped就执行迁移，否则保持原位置不变。
8）循环结束
输出适应度值最小的细菌对应的c和g，作为最优的SVM参数。
9）利用最优SVM参数建立BFO-SVM模型。
本文以Matlab R2018a为运行环境，以Libsvm 3.24为工具对样本训练、验证和测试。实验流程如图7所示。
图7 基于SURF和BFO-SVM的局放类型识别流程
Fig.7 Flow chart of PD pattern recognition based on SURF and BFO-SVM
为了验证本文算法在局部放电模式识别中的效果，在相同的实验数据下，采用多种特征提取及分类识别的组合方法进行对比实验。本文共用到如下几种特征提取及分类方法：
1）特征提取方法：BoF-SURF特征、灰度梯度共生矩阵（Gray Level-gradient Co-occurrence Matrix, GLCM）。
2）不同智能算法优化SVM：遗传算法（Genetic Algorithm, GA）优化SVM、粒子群（Particle Swarm Optimization, PSO）算法优化SVM、BFO优化SVM。
四种不同组合方法编号见表1。
表1 不同特征提取及分类组合方法
Tab.1 Different combination methods of feature extraction and classification
组合编号方法 特征提取分类器 1GLCMGA-SVM 2BoF-SURFPSO-SVM 3GLCMBFO-SVM 4BoF-SURFBFO-SVM
将1.2节构造的五种SNR等级的含噪局放PRPS谱图作为数据样本，从中随机挑选500组数据。其中280组数据作为训练集，100组作为验证集，120组作为测试集。迭代次数为200次。分别计算不同SNR和不同算法对局放类型的识别效果。识别结果见表2和图8。
表2 不同算法在不同SNR下的总体分类准确率
Tab.2 Classification accuracy of different algorithms under different SNR
编号分类准确率（%） 1dB-1dB-4.8dB-8.1dB-10.5dB 198.390.687.580.378.5 298.796.992.887.985.9 397.593.391.183.079.0 410098.896.792.689.2
图8 不同信噪比下不同算法的识别准确率
Fig.8 Recognition accuracy of different algorithms under different SNR
SVM寻优区间设置为2-6＜c＜26，2-6＜g＜26。BFO算法中的种群参数设置如下：种群规模s=20，寻优空间维度D=2，Ne=20，Nre=5，Ned=2，Ped=0.25，d1=0.1，ω1=0.2，ω2=10，h2=0.1。
由表2和图8可以看出，在保持PRPS图像预处理方法及SVM参数寻优迭代次数一致的情况下，本文所提算法识别率均明显优于其他算法。首先分析特征提取方法对分类结果的影响。在局放信号强度较大时，由于缺陷类型典型，不同的图像提取方法的识别效果均达到97%以上，SURF特征提取方法的识别效果略有优势。随着白噪声幅值的增加，各算法整体识别准确率逐渐下降。由于典型局放数据中叠加了不同程度的干扰数据，产生信号的混叠和遮挡现象，而SURF作为一种鲁棒性较强的局部特征点描述子，能较为精准地提取未混叠部分的局部特征，因此可在一定程度上解决目标遮挡问题，使分类准确率得到提升。对于SVM分类器优化方面，本文BFO算法在趋化过程中采用自适应步长，改善了固定步长对寻优能力的局限，同时结合繁殖、迁徙的优点，有效地避免细菌陷入局部极小值，增强了算法的鲁棒性，使其能够在有限的迭代次数内寻得全局最优解。在信噪比为-10.5dB时，本文算法依然能达到89.2%的准确率。上述结果表明，本文所提算法具有较强的抗干扰能力和类型识别能力。
实际局放信号检测环境中存在多种噪声干扰，为了进一步评估和验证本文算法的性能，在单源局放数据中随机叠加1.3节采集的典型干扰数据，形成染噪的局放数据，以模拟现场测试环境。局放信号与典型干扰信号的PRPS谱图叠加方式如图9所示。染噪局放信号的信噪比为-4dB。部分染噪局放PRPS谱图如图10所示。
图9 染噪局放PRPS谱图叠加方式
Fig.9 Superposition method of PRPS patterns of contaminated PD
图10 部分染噪局放PRPS谱图
Fig.10 Part of the PRPS patterns of contaminated PD
随机抽取400组染噪局放数据和40组实际干扰数据，生成含440组数据的样本库，其中160组作为训练集，60组作为验证集，220组作为测试集。为了提高模型的抗干扰能力，将典型干扰数据单独作为一类输入分类器中。识别目标共包括五类，分别为金属尖端放电、自由金属微粒放电、悬浮电位放电、固体绝缘气隙放电和干扰信号。不同算法的总体分类准确率对比结果见表3。
由表3可见，SURF算法能够有效地提取出染噪局放数据的特征信息，其识别准确率明显优于GLCM特征提取方法。在分类器方面，相比于GA、PSO算法，通过BFO获取的SVM最优参数能更好地区分不同类别。综上所述，本文算法具有较高的分类准确度和较强的抗干扰能力。本文所提算法的总体识别准确率较其他特征提取及分类方法提高了11%～14%。
表3 不同算法的总体分类准确度
Tab.3 Classification accuracy of different algorithms
分类方法分类准确率(%) 特征提取分类器 GLCMGA-SVM75.49 GLCMBFO-SVM78.27 BoF-SURFPSO-SVM85.50 BoF-SURFBFO-SVM89.71
针对含噪局部放电信号的诊断问题，本文提出了一种基于SURF和BFO-SVM的局部放电模式识别方法。
1）SURF算法能够有效提取含噪局部放电PRPS谱图的特征信息，避免了传统特征提取过程中繁琐的模式构造及降噪步骤。
2）采用BFO算法优化SVM参数，同时在BFO的趋化操作中引入自适应步长，避免细菌陷入局部极小值，提高了SVM分类准确率。
3）与其他图像特征提取方法及传统SVM优化算法相比，本文算法在高幅值白噪声背景及典型脉冲型干扰环境中具有较强的抗干扰能力及较好的识别效果，总体分类准确率较其他算法提高了11%～14%。
参考文献
[1] 张连根, 路士杰, 李成榕, 等. GIS中线形和球形金属微粒的运动行为和危害性[J]. 电工技术学报, 2019, 34(20): 4217-4225.
Zhang Liangen, Lu Shijie, Li Chengrong, et al. Motor behavior and hazard of spherical and liner particle in gas insulated switchgear[J]. Transactions of China Electrotechnical Society, 2019, 34(20): 4217-4225.
[2] 唐志国, 唐铭泽, 李金忠, 等. 电气设备局部放电模式识别研究综述[J]. 高电压技术, 2017, 43(7): 2263-2277.
Tang Zhiguo, Tang Mingze, Li Jinzhong, et al. Review on partial discharge pattern recognition of electrical equipment[J]. High Voltage Engineering, 2017, 43(7): 2263-2277.
[3] 朱煜峰, 许永鹏, 陈孝信, 等. 基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J]. 电工技术学报, 2020, 35(3): 659-668.
Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.
[4] Rudd S, McArthur S D, Judd M D. A generic knowledge-based approach to the analysis of partial discharge data[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2010, 17(1): 149-156.
[5] 臧奕茗, 王辉, 钱勇, 等. 基于三维光学指纹和NPSO-KELM的GIL局部放电定位方法[J]. 中国电机工程学报, 2020, 40(20): 6754-6764.
Zang Yiming, Wang Hui, Qian Yong, et al. GIL partial discharge localization method based on 3D optical fingerprint and NPSO-KELM[J]. Proceedings of the CSEE, 2020, 40(20): 6754-6764.
[6] 邓冉, 朱永利, 刘雪纯, 等. 基于变量预测-谷本相似度方法的局部放电中未知类型信号识别[J]. 电工技术学报, 2020, 35(14): 3105-3115.
Deng Ran, Zhu Yongli, Liu Xuechun, et al. Pattern recognition of unknown types in partial discharge signals based on variable predictive model and tanimoto[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3105-3115.
[7] 律方成, 金虎, 王子建, 等. 基于主成分分析和多分类相关向量机的GIS局部放电模式识别[J]. 电工技术学报, 2015, 30(6): 225-231.
Lü Fangcheng, Jin Hu, Wang Zijian, et al. GIS partial discharge pattern recognition based on principal component analysis and multiclass relevance vector machine[J]. Transactions of China Electrotechnical Society, 2015, 30(6): 225-231.
[8] 秦雪, 钱勇, 许永鹏, 等. 基于2D-LPEWT的特征提取方法在电缆局部放电分析中的应用[J]. 电工技术学报, 2019, 34(1): 170-178.
Qin Xue, Qian Yong, Xu Yongpeng, et al. Application of feature extraction method based on 2D-LPEWT in cable partial discharge analysis[J]. Transactions of China Electrotechnical Society, 2019, 34(1): 170-178.
[9] 高佳程, 朱永利, 郑艳艳, 等. 基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别[J]. 中国电机工程学报, 2019, 39(14): 4118-4129.
Gao Jiacheng, Zhu Yongli, Zheng Yanyan, et al. Pattern recognition of partial discharge based on VMD-WVD and SSAE[J]. Proceedings of the CSEE, 2019, 39(14): 4118-4129.
[10] Majidi M, Fadali M S, Etezadi-Amoli M, et al. Partial discharge pattern recognition via sparse representation and ANN[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2015，22(2): 1061-1070.
[11] 宋辉, 代杰杰, 张卫东, 等. 复杂数据源下基于深度卷积网络的局部放电模式识别[J]. 高电压技术, 2018, 44(11): 3625-3633.
Song Hui, Dai Jiejie, Zhang Weidong, et al. Partial discharge pattern recognition based on deep convolutional neural network under complex data sources[J]. High Voltage Engineering, 2018, 44(11): 3625-3633.
[12] 刘宇舜, 程登峰, 夏令志, 等. 基于单通道盲源分离算法的局部放电特高频信号去噪方法[J]. 电工技术学报, 2018, 33(23): 5625-5636.
Liu Yushun, Cheng Dengfeng, Xia Lingzhi, et al. Partial discharge ultra-high frequency signal de-noising method based on single-channel blind source separation algorithm[J]. Transactions of China Electrotechnical Society, 2018, 33(23): 5625- 5636.
[13] Tang Ju, Jin Miao, Zeng Fuping, et al. Assessment of PD severity in gas-insulated switchgear with an SSAE[J]. IET Science, Measurement & Technology, 2016, 11(4): 423-430.
[14] Sriram S, Nitin S, Parbhu K M M, et al. Signal denoising techniques for partial discharge measurements[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2005, 12(6): 1182-1191.
[15] 钱勇, 黄成军, 陈陈, 等. 多小波消噪算法在局部放电检测中的应用[J]. 中国电机工程学报, 2007, 27(6): 89-95.
Qian Yong, Huang Chengjun, Chen Chen, et al. Application of multi-wavelet based on denoising algorithm in partial discharge detection[J]. Proceedings of the CSEE, 2007, 27(6): 89-95.
[16] 谢军, 刘云鹏, 刘磊, 等. 局放信号自适应加权分帧快速稀疏表示去噪方法[J]. 中国电机工程学报, 2019, 39(21): 6428-6439.
Xie Jun, Liu Yunpeng, Liu Lei, et al. A partial discharge signal denoising method based on adaptive weighted framing fast sparse representation[J]. Proceedings of the CSEE, 2019, 39(21): 6428-6439.
[17] Raymond W J K, Illias H A, Abu Bakar A H. High noise tolerance feature extraction for partial discharge classification in XLPE cable joints[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, 24(1): 66-74.
[18] 万晓琪, 宋辉, 罗林根, 等. 卷积神经网络在局部放电图像模式识别中的应用[J]. 电网技术, 2019, 43(6): 2219-2226.
Wan Xiaoqi, Song Hui, Luo Lingen, et al. Application of convolutional neural networks in pattern recognition of partial discharge image[J]. Power System Technology, 2019, 43(6):2219-2226.
[19] 魏振, 齐波, 左健, 等. 基于局部放电图像特征的换流变压器油纸绝缘缺陷诊断方法[J]. 电网技术, 2015, 39(4): 1160-1166.
Wei Zhen, Qi Bo, Zuo Jian, et al. A method to diagnose defects in oil-paper insulation of converter transformer based on image feature of partial discharge[J]. Power System Technology, 2015, 39(4): 1160-1166.
[20] 周沙, 景亮. 基于矩特征与概率神经网络的局部放电模式识别[J]. 电力系统保护与控制, 2016, 44(3): 98-102.
Zhou Sha, Jing Liang. Pattern recognition of partial discharge based on moment features and probabilistic neural network[J]. Power System Protection and Control, 2016, 44(3): 98-102.
[21] Satish L, Nazneen B. Wavelet-based denoising of partial discharge signals buried in excessive noise and interference[J]. IEEE Transactions on Industrial Electronics, 2003, 14(1): 3-14.
[22] Karimi M, Majidi M, MirSaeedi H, et al. A novel application of deep belief networks in learning partial discharge patterns for classifying corona, surface, and internal discharges[J]. IEEE Transactions on Industrial Electronics, 2019, 67(4): 3277-3287.
[23] Bay H, Ess A, Tuytelaars T, et al. Speeded-up robust features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.
[24] 刘翠响, 李敏, 张凤林. 基于词包模型和SURF局部特征的人脸识别[J]. 河北大学学报(自然科学版) , 2017, 37(4): 411-418.
Liu Cuixiang, Li Min, Zhang Fenglin. Face recognition based on BOW and SURF local features[J]. Journal of Hebei University (Natural Science Edition), 2017, 37(4): 411-418.
[25] 李康顺, 王福滨, 张丽霞, 等. 基于改进BOF算法的图像识别和分类[J]. 中南大学学报(自然科学版), 2016, 47(5): 1599-1605.
Li Kangshun, Wang Fubin, Zhang Lixia, et al. Image recognition and classification based on improved BOF algorithm[J]. Journal of Central South University (Science and Technology), 2016, 47(5): 1599-1605.
[26] 邱志斌, 阮江军, 黄道春, 等. 基于支持向量机的棒-板空气间隙击穿电压预测方法及其应用[J]. 电工技术学报, 2017, 32(19): 220-228.
Qiu Zhibin, Ruan Jiangjun, Huang Daochun, et al. Breakdown voltage prediction method of rod-plane air gaps based on support vector machine and its applications[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 220-228.
[27] Passino K M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE Control Systems Magazine(S0272-1708), 2002, 22(3): 52-67.
[28] 商立群, 朱伟伟. 基于全局学习自适应细菌觅食算法的光伏系统全局最大功率点跟踪方法[J]. 电工技术学报, 2019, 34(12): 2606-2614.
Shang Liqun, Zhu Weiwei. Photovoltaic system global maximum power point tracking method based on the global learning adaptive bacteria foraging algorithm[J]. Transactions of China Electrotechnical Society, 2019, 34(12): 2606-2614.
Pattern Recognition of Partial Discharge in the Presence of Noise Based on Speeded up Robust Features
Abstract Due to the complex environmental impacts, the patrial discharge (PD) data obtained at substation always contain lots of noisy signals. To improve the accuracy of PD recognition, a PD pattern recognition method based on speeded up robust features (SURF) and improved support vector machine (BFO-SVM) is proposed. Contaminated PD data were made by fusing the pure PD data with noise and the phase resolved pulse sequence (PRPS) patterns were constructed. Then the SURF algorithm was used to extract the feature points and feature descriptors of the PRPS grayscale images automatically. After that, visual word frequency features of different PD types were generated by using bag-of-words and K-means clustering method. The features were input into the BFO-SVM classifier, and the recognition results were contrasted with those acquired from the gray gradient co-occurrence matric (GLCM) and the traditional SVM optimization algorithm. Results show that the algorithm has high recognition accuracy and strong anti-interference ability under high-amplitude white noise background and typical interference environment. The finding results can be used as reference for PD detection and identification on the spot.
keywords：Partial discharge, feature extraction, speeded up robust features(SURF), bacterial foraging optimization algorithm, support vector machine
DOI:10.19595/j.cnki.1000-6753.tces.210018
中图分类号：TM85
国家自然科学基金资助项目（62075045）。
收稿日期 2021-01-07
改稿日期 2021-03-15
李 泽 女，1997年生，博士研究生，研究方向电力设备局部放电状态监测与智能化。E-mail：lize123@sjtu.edu.cn
王 辉 男，1982年生，博士，研究方向电力设备绝缘状态诊断与在线监测技术。E-mail：wanghui8203@sjtu.edu.cn（通信作者）
（编辑 赫蕾）