基于AdaBoost的局部放电综合特征决策树识别方法.pdf

第３９卷第２ｌ期２０１１年１１月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｂ１－３９ＮＯ．２１ＮＯＶ．１，２０１１・基于ＡｄａＢｏｏｓｔ的局部放电综合特征决策树识别方法姚林朋，郑文栋，钱勇，王辉，黄成军，江秀臣（上海交通大学电气工程系，上海２００２４０）摘要：在ＧＩｓ局部放电模式识别研究中，为解决传统决策树方法中只针对单一特征及有限模式进行学习而导致决策树结构复杂、预测准确率不高、对噪声数据的抗干扰能力差等问题，提出综合多类特征的ＡｄａＢｏｏｓｔ决策树识别方法设计实验并通过超高频方法采集ＧＩＳ中高压导体毛刺放电、悬浮电板放电、气隙放电、微粒放电及手机、灯光干扰信号，从ｐ－ｑ－ｎ图谱的统计分布、ｑ－ｔ图谱的矩分布、ｑ－ｎ图谱的ｗｅｉｂｕｌ１分布三个不同角度提取特征，研究单一及综合形式的特征对ｃ４．５决策树及ＡｄａＢｏｏｓｔ决策树的识别效果的影响。实验及现场检测的识别结果表明综合三类不同特性的特征并通过ＡｄａＢｏｏｓｔ方法生成决策树，能有效优化决策树的识剐性能，提高决策树的时间和空间效率。关键词：气体绝缘组合电器；超高频；局部放电；决策树；ＡｄａＢｏｏｓｔ；Ｃ４．５；模式识别ＰａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＡｄａＢｏｏｓｔｄｅｃｉｓｉｏｎｔｒｅｅｆｏｒｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ——ＹＡＯＬｉｎｐｅｎｇ，ＺＨＥＮＧＷｅｎｄｏｎｇ，ＱＩＡＮＹｏｎｇ，ＷＡＮＧＨｕｉ，ＨＵＡＮＧＣｈｅｎｇ－ｊｕｎ，ＪＩＡＮＧＸｉｕ－ｃｈｅｎ（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２４０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｒｅｓｅａｒｃｈｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｏｎｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ（ＰＤ）ｉｎＧＩＳ，ｔｈｅｔｒａｄｉｔｉｏｎａｌｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄｆａｃｅｓｐｒｏｂｌｅｍｓｏｆｃｏｍｐｌｅｘｓｔｒｕｃｔｕｒｅ，ｌｏｗｒｅｃｏｇｎｉｔｉｏｎｒａｔｅａｎｄｖｕｌｎｅｒａｂｉｌｉｔｙｔｏｎｏｉｓｅｄａｔａｄｕｅｔｏｔｈｅｓｉｎｇｌｅｆｅａｔｕｒｅｓａｎｄｌｉｍｉｔｅｄｔｒａｉｎｉｎｇｐａｔｔｅｒｎｍｏｄｅｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｍｅｔｈｏｄｏｆｕｓｉｎｇＡｄａＢｏｏｓｔｄｅｃｉｓｉｏｎｔｒｅｅｉｎｔｅｇｒａｔｉｎｇｗｉｔｈｃｏｍｐｏｓｉｔｅｄｆｅａｔｕｒｅｓｉｓｐｒｅｓｅｎｔｅｄ．Ｆｅａｔｕｒｅｓａｒｅ—ｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｒｅｅａｓｐｅｃｔｓｉｎｃｌｕｄｉｎｇｓｔａｔｉｓｔｉｃａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｐ－ｑｎｄｉａｇｒａｍ，ｍｏｍｅｎｔｄｉｓｔｒｉｂｕｔｉｏｎｏｆｑ－ｔｄｉａｇｒａｍａｎｄＷｅｉｂｕｌｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｒａｍｅｔｅｒｓｏｆｑ－ｎｄｉａｇｒａｍａｎｄｓａｍｐｌｅｓａｒｅｃｏｌｌｅｃｔｅｄｆｒｏｍｔｈｅｔｙｐｉｃａｌｄｉｓｃｈａｒｇｅｓｆｒｏｍｈｉｇｈｖｏｌｔａｇｅｎｅｅｄｌｅ，ｆｌｏａｔｉｎｇｅｌｅｃｔｒｏｄｅ，ｖｏｉｄ，ｆｒｅｅｐａｒｔｉｃｌｅｉｎＧＩＳａｎｄｉｎｔｅｒｆｅｒｅｎｃｅｓｆｒｏｍｍｏｂｉｌｅｐｈｏｎｅａｎｄｌｉｇｈｔ．ＴｈｅｉｎｆｌｕｅｎｃｅｏｆｓｉｎｇｌｅｆｅａｔｕｒｅｓａｎｄｃｏｍｐｏｓｉｔｅｄｆｅａｔｕｒｅｓｏｎｔｈｅｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔｓｏｆＣ４．５ｄｅｃｉｓｉｏｎｔｒｅｅａｎｄＡｄａＢｏｏｓｔｄｅｃｉｓｉｏｎｔｒｅｅｉｓｓｔｕｄｉｅｄ．Ｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌ￣ｏｆｌａｂｏｒａｔｏｒｙｔｅｓｔａｎｄｆｉｅｌｄｔｅｓｔｓｈｏｗｔｈａｔＡｄａＢｏｏｓｔｄｅｃｉｓｉｏｎｔｒｅｅｍａｄｅｗｉｔｈｆｅａｔｕｒｅｓｃｏｍｐｏｓｉｔｅｄｗｉｔｈｔｈｒｅｅａｓｐｅｃｔｓｃａｎｅｆｆｅｃｔｉｖｅｌｙｏｐｔｉｍｉｚｅｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅａｎｄｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｉｔｓｔｉｍｅａｎｄｓｐａｃｅｕｓｅ．Ｋｅｙｗｏｒｄｓ：ＧＩＳ：ＵＨＦ：ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ；ｄｅｃｉｓｉｏｎｂｅｅ；ＡｄａＢｏｏｓｔ；Ｃ４．５；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ中图分类号：ＴＭ８３５文献标识码：Ａ——文章编号：１６７４３４１５（２０１１）２１０１０４．０６０引言气体绝缘组合电器（ＧＩＳ）具有体积小、检修周期长、运行可靠、安装方便等优点，在电力系统中得到广泛应用。但由于其结构复杂、制造及检修工艺繁多，在运行时不免存在各种问题，因此有必要进行在线监测以保障其安全可靠运行。局部放电方法是目前公认的在线检测ＧＩＳ绝缘状况的有效手段之一ｌｊ。４Ｊ。由于局放脉冲特性能够在一定程度上反映放电来源及其位置和形状大小，因此进行局放现象的模式识别研究对于及时发现ＧＩＳ内部放电故障并诊断绝缘缺陷具有重要意义Ｊ。目前，针对电气设备故障诊断的模式识别方法主要有神经网络（ＮＮ）Ｊ、支持向量机（ＳＶＭ）［８１、决策树（ＤＴ）等。其中，神经网络法具有非线性判别和实现简单的特点，但无法避免训练时问长、解释性差的缺点。支持向量机法具有推广能力强、小样本学习及全局优化的特点，但处理多类问题时容易产生训练速度慢，计算规模大的问题。针对上述两种方法的不足，决策树方法由于具有解释性好、训练速度快及计算量小的特点得到广泛应用。然而通过决策树进行局放模式识别的传统做法大多只针对局放信号某一种特性（时域中的某种分布或频域中的某段频率）的特征进行学习，且用于学习的模式类别一般比较有限，将会影响生成算法的时间和空间效率。在现场应用时，易产生预测准确率不高、姚林朋，等基于ＡｄａＢｏｏｓｔ的局部放电综合特征决策树识别方法．１０５一对噪声数据的抗干扰能力差的问题。本文针对超高频法检测到的ＧＩＳ中四种不同放电的局放数据和手机、灯光等干扰数据，从中提取——Ｐｑ．ｎ图谱的统计分布特征、ｑ－ｔ图谱的矩特征及ｑｎ图谱的Ｗｌｅｉｂｕｌ１分布特征三大类不同特性的特征，采用Ｃ４．５决策树［１４－１５】生成算法，研究这三种不同特征分别生成单一决策树、投票决策树及综合特征决策树的对各种放电和干扰的识别性能，并采用综合特征的ＡｄａＢｏｏｓｔ决策树方法以获得最佳的识别性能，取得了较好的效果。’１Ｃ４．５及ＡｄａＢｏｏｓｔ算法理论１．１０４．５算法Ｃ４．５是决策树生成的有效算法之一，其算法思想基于信息论理论，通过寻找能够提供最大信息增益率的特征来构造决策树，能够对具有连续值或离散值特征的样本空间进行划分，同时对某些连续数值特征缺失的样本也具有较好的效果［¨】。其构造步骤如下：设训练样本集合Ｘ，样本个数为ｌＸＩ。类别集…合为Ｃ：｛ｃｌ，，，Ｃｍ），属于类别Ｃｆ的样本个数为ＩＩ。（１）初始信息期望为嘻一㈣（２）选择一个特征作为决策树根节点。…对某一特征Ａ，其值域为｛ａｌ，口：，，ａ），其每个取值日，的信息期望值定义为Ｉ（Ａ＝ａｊ）。Ｘｊ表示Ｘ中特征Ａ＝ａｊ的所有样本集合，ｌＸ，Ｉ为其个数。表示Ｘ中特征＝口，类别为ｃｉ的所有样本集合，１ｌ为其个数。则期望信息为＝罂一ｇ：特征的信息熵为ｅ（Ａ）＝薹）∑）＝・，（＝）信息增益为Ｇ（Ａ１－Ｅ（Ａ－Ｉ信息增益率为ＧＲ（选择信息增益率ＧＲ（Ａ）最大的对应ａ作为该特征分类的分割点，对特征集进行分割。（３）构造下一级树节点选择一个特征Ａ作为这下一级的节点，在所有分支上测试后，获得最大信息增益率并由此形成该级节点分支。（４）重复步骤（１）～（３），直至划分子集中样本在所有分类特征都相同，生成决策树。为提高多模式下的辨识效果，Ｃ４．５可以采用后剪枝的方法对分类器进行优化。通过去除树中不能提高预测准确率的分支，可以有效有效简化树的规模，节省识别所需的时间及空间，并能在一定程度解决分类器的过拟合问题，提高分类器的泛化能力。１．２基于Ｃ４．５的ＡｄａＢｏｏｓｔ算法本文在以Ｃ４．５算法作为基本分类器的基础上，采用ＡｄａＢｏｏｓｔ算法对其识别性能进行提升。ＡｄａＢｏｏｓｔ算法的基本思想是每次迭代时提高错分样本权重，使得下次迭代时分类器能够更关注这些样本以提高对错分样本的识别率。在每次迭代时，均产生一个新的分类器，最后将所有分类器的结果通过加权投票法综合后得出最终结论［１６－１７】。其算法描述如下：…设样本集合Ｘ＝｛，Ｘ２，，ＸＮ），每个样本对应…Ⅳ…的类别为Ｙ＝｛Ｙｌ，Ｙ２，，Ｙ），ＹｅＣ＝｛１，２，，ｋ），识…别算法ｈ，迭代次数为ｒ＝ｆ１，２，，１。初始时，设权重分布＝１／Ｎ。，Ｎ∑（１）调整分布＝Ｗｅ／，ｎ＝ｌ（２）在分布下，训练并得到分类器ｈⅣ一一∑≠（３）计算误差＝ｌｈ（Ｘｉ）ｃｉ，若ｎ＝ｌ—‘—。Ｅ＞１／２则设Ｔ＝ｔ一１并退出循环。ｆ（４）设＝，＿，调整权重‘１一Ｅ：一）Ｇｊ（５）重复进行步骤（１）～（４）Ｔ次。（６）依据投票法，给出最终分类函数为，，１、一一∑ｘｉ）＝ａｒｇｍａｘＪ［ｈｔｔ＝ｌ（）＝］＼／２特征选择特征选择是决定分类器识别性能和计算效率的关键，应在尽量简化特征维数的前提下，选择区别度高、代表性好、冗余度低、抗扰动能力强的特征。一１０６一电力系统保护与控制针对局放模式识别这一复杂问题，应从多个不同角度出发，选取能够表征局放不同特性的特征，以期达到最好的识别效果。由于系统采集的是经过超高频脉冲经过检波后的低频信号，无法获得其原始脉冲的频域信息。因此本文从信号的时域特性角度考虑，选择以下三类特征，共３４维特征。２．１Ｐ．ｑ．ｎ图谱的统计分布特征将相位Ｐ和放电量ｑ均匀划分后形成Ｐ．ｑ网格—平面，将信号提取放电脉冲后映射到Ｐｑ平面，统—计网格内的放电次数即可得到Ｐ．ｑ．ｎ图谱。从Ｐｑ．ｎ图谱中可以导出最大放电量相位分布（Ｈｑｍａｘ１，平均放电量相位分布（Ｈｑｍｅａｎ），放电次数相位分布（Ｈｑｎ），放电量次数分布（Ｆｑｎ）四种二维图谱。通过统计算子可以从四种图谱中提取正负工频半周的三阶统计量偏斜度船、一，四阶统计量突出度Ｋｕ、Ｋｕ一，正负半周之间的相关度ｃｃ和不对称度Ａｓｙｍ等特征Ｌ１引。各图谱中提取的分布特征参数如表１所示，共２０个特征参数。表１ｐ－ｑｎ统计分布特征列表Ｔａｂ．１Ｓｔａｔｉｓｔｉｃａｌｄｉｓｔｒｉｂｕｔｉｏｎｆｅａｔｕｒｅｓｆｒｏｍｐ－ｑ－ｎｄｉａｇｒａｍ２．２ｑ．ｔ图谱的矩特征将一个工频周期相位均匀划分为个区间，提…取每个区间内的放电量的／（／＝１，２，３，４，５，１阶矩参数作为衡量各区间放电强度及密度的特征。本文选取划分区间为Ｋ＝６时的各区间内放电量的３次矩及４次矩参数Ｌ１，共ｌ２个参数作为矩特征。∑∑∑Ｍ：｛１／｝・｛（ｆ）（１）＝去善｛等｝其中：为矩特征；（ｉ）为放电量，为区间数，Ｆ／为ｋ区间内放电次数。—２．３ｑｎ图谱的Ｗｅｉｂｕｌｌ特征两参数的Ｗｅｉｂｕｌ１分布能够描述单一局放源产生的脉冲信号］，其累积分布函数和概率分布函数分别为Ｆ（ｑｆ）＝１一ｅｘｐ［（一（生）】（３）ｆ（ｑｉ）：（）一ｅＸｐ［（一（）］（４）／２＂其中：ｑ为放电量；为尺度参数，起放大或缩小曲线的作用，与分布的形状无关；为尺度参数，决定了分布密度曲线的基本形状。ｉ２＇和参数可以通过极大似然法或最小二乘法来估计。由于参数与放电量大小相关，对模式识别无意义，因此一般只考虑参数。本文中分别统计正负工频半周的及一参数作为特征。３实验室模拟实验分析在实验室内对ＧＩＳ进行模拟放电实验，设计了悬浮电极、高压导体毛刺、绝缘内部气隙、自由金属微粒四种模型（图１）。悬浮电极是在ＧＩＳ外壳上放置一高１０ｍｍ的环氧树脂板，并在板上放置一直径１０ｍｌＴｌ，厚度１１ＴＩＩＴＩ的圆黄铜片，形成金属悬浮物。高压导体毛刺是在高压导体上固定一长２０ＩＴＩ１ＴＩ，曲率半径为０．１岬的钢针，以形成对金属接地外壳的电晕放电。绝缘内部气隙是在高压导体和金属接地外壳之间夹一直径２０１ＴＵＴＩ、厚度１０ｍｌＴｌ的环氧树脂柱，柱内有一直径为１０１ＴＩＩＩ１、厚度为１ｍｍ的气隙。自由金属微粒是在金属接地外壳上放置一颗直径为１１ＴＩＩＴＩ的铜颗粒。另采集手机信号和一类灯光超高频信号作为干扰信号。图１ＧＩＳ局放试验系统结构及模型示意图Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐｌａｔｆｏｒｍａｎｄｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｏｆｄｅｆｅｃｔｓ实验采用超高频方法检测局放信号。由于ＧＩＳ的金属外壳对超高频信号具有较强衰减作用，因此将超高频传感器贴近支撑绝缘子外侧以耦合从绝缘子泄漏出的放电脉冲信号。所选用的超高频传感器在５００～１５００ＭＨｚ频段内具有良好的频率响应。由于超高频信号频率较高，直接采集信号数据量大，不利于现场采集分析，因此通过检波方式对超高频信号放大展宽后以１ＭＨｚ的采样率进行采集。每种模型连续采集１００条样本，每个样本为包含８０个工姚林朋，等基于ＡｄａＢｏｏｓｔ的局部放电综合特征决策树识别方法．１０７．频周期内放电信号数据。采集到的四种放电及两种—干扰信号的典型ｐ－ｑｎ图谱如图２所示。（ａ）悬浮电极放电（ｂ）毛刺电晕放电（ｃ）气隙放电０９０ｌ８０２７０３６０ＰｈａｓｅＰ（ｄ）自由微粒放电（ｅ）手机干扰（ｆ）灯光干扰‘图２放电及干扰信号的ｐ－ｑ．ｎ图谱Ｆｉｇ．２Ｔｈｅｐ－ｑ－ｎｄｉａｇｒａｍｏｆｄｉｓｃｈａｒｇｅｓａｎｄｉｎｔｅｒｆｅｒｅｎｃｅｓ—提取以上６种模型的Ｐ．ｑｎ图谱的统计分布特—征、ｑｔ图谱的矩特征、ｑ．ｎ图谱的Ｗｅｉｂｕｌｌ特征，通过Ｃ４．５方法生成统计决策树（ＳＴ）、矩决策树（ＭＴ）、Ｗｅｉｂｕｌｌ决策树（ＷＴ）。将这三个决策树算法的结果进行投票输出得到投票决策树（ＶＴ）。将三类所有特征综合从而得到综合决策树（ＡＴ）。以决策树对这６种缺陷识别的平均真正率（ＡＴＰＲ，即通常所指的识别率）和平均假正率（ＡＦＰＲ）作为标准，对算法的识别性能进行评价。ＴＰＲ（ｃ）＝。％㈦ＦＰＲ（ｃ）＝×－㈤ＰＲ＝丢喜眦（％㈩ＰＲ＝吉喜（％㈦ＡＴＰＲ越高、ＡＦＰＲ越低，则说明识别效果越好。以生成树的节点数作为评价树复杂度的标准，节点数越少则所耗费的时间和空间就越低。所得结果见表２。从中可以看出，ＡＴ方法ＡＴＰＲ最高（９６．７％），ＡＦＰＲ最低（０．７），且树的节点数最少（２９），表明将三种特征合并后的综合特征的对局放模式的区分度最好。以单类特征生成的决策树中，ＳＴ的ＡＴＰＲ—最高，ＡＦＰＲ最低，表明Ｐｑ．ｎ图谱的统计分布特征对局放模式的区分度较好，而ｑ．ｎ图谱的Ｗｅｉｂｕｌｌ特征则效果较差。ｖＴ方法性能介于ＳＴ、ＭＴ、ｗＴ方法之间，这与其将三者分类结果综合输出的本质是一致的。从对每种模式的识别数来看（表３），ＳＴ树对气隙、微粒类效果较差；ＭＴ树对手机信号类识别率不高；ｗＴ树对毛刺、气隙及手机类的识别率很低，这表明各类特征均存在对某些类型模式不敏感的现象。由于其对应的模式不尽相同，表明选取的三类特征之间冗余度低，将其综合后用于识别能够取长补短，获得最佳的识别效果。表２各决策树识别性能指标对比结果Ｔａｂ．２Ｉｎｄｅｘｅｓｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｃｉｓｉｏｎｔｒｅｅｓ表３各决策树对不同模式的正确识别数对比结果Ｔａｂ－３Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｐａ￣ｅｍｓ在此给出了综合特征决策树（ＡＴ）的结构图（图３），从图中可以看出，根节点处Ｈｑｍａｘ图谱相关度（Ｈｑｍａｘｃｃ）能够将高压导体毛刺放电、悬浮电极放电、手机信号这三类模式和其他模式区分开，这与这些模式脉冲的正负半周不对称性是一致的。且高压导体毛刺放电（ｃｏｒｏｎａ）的Ｈｑｎ图谱不对称度特征（Ｈｑｎ基本上均为大于２或者小于等于＿ａｓｙｍ）一１（等于一１表明正半周内没有放电），这表明该放电的正负半周不对称性最强。这些结论因形式简单且置信度高可以作为实现推理专家系统的有效规则。图中还可以看出，决策树中所有判断节点没有包含ｗｌｅｉｂｕｎ参数的判断，表明Ｗｅｉｂｕｌｌ参数的分类能力要弱于其他两类特征，这在本文中的其他分析．１０８一电力系统保护与控制也能得到相同的结论。Ｈｑｍａｘ—ｃｃ＜ｚ８．１１６６８９７ｌ—Ｈｑｎａｓｙｍ＜＝２ｌ—‘ＩＨｑｎａｓｙｍ＜一１：ｃｏｒｏｎａ２０．０）ｌ—ＩＨｑｎａｓｙｍ＞一１ＩＩＩ—ｂ３（０－０３８５０７ｌｌＩ—ＩＨｑｍａｘｈｕ￣＜一１．５：ｍｏｂｉｌｅ（６．０）ＩＩｌ—ｌＨｑｍａｘｋｕ＋＞～１．５：ｖｏｉｄ（２１．ｎ）ｌＩＩｂ一４＿３＞９．９３８５９７ＩＩｌＩＸｑｍａｘ＿ｃｃ＜＝～８．１６６６６７：ｍｏｂｉｌｅ（７３．９１１．０）ｌＩＩｌＨｑｍａｘ＿ｃｃ＞一８．４６６６６７ＩｌＩＩ—ｌＨｑｎｃｃ＜９．６２１９０７ｌｌｌｌＩｌｂ一４＿３（＝１．８０７０１：ｍｏｂｉｌｅ（２１－０／２．０）ＩＩｌｌｌＩｂ一４＿２＞１．８８７０１ｌＩｌｌｌＩ—Ｉ８ｑｍｅａｎｋｕ＋＜一１．２９４：ｍｏｂｉｌｅ（３．０）ｌｌＩＩＩＩ—ｌＨｑｍｅａｎｋｕ￣）一１．２９４：ｐａｒｔｉｃｌｅ（９ｈ．ｑ）ＩＩ—ｌＩＩＨｑｎｃｃ＞９．６２１９０７：ｌｉｇｈｔ（５．０／１－０）—ｌＨｑｎａｓｙｍ＞２：ｃｏｒｏｎａ（７Ｂ．０）Ｈｑｍａｘ—ｃｃ＞０－４６６０９７Ｉｂ一４＿ｋ＜；９．６２８９９：ｌｉｇｈｔ（９３．８／１－０）ｌｂ＞ｉＤ－６２８９９ｌｌｂ一４２＜＝０．５５７６６３：ｖｏｉｄ（７８．０）ＩＩｂ一／－１＿２＞８．５５７６６８ｌｌ—ＩＨｑｎｓｈ一＜＝０－１８２６７１ＩｌＩＩ‘Ｈｑｍａｘ一５ｋ＋＜；９．１４７８８：ｐａｒｔｉｃｌｅ４．０／１．０）ｌＩｌｌ—Ｈｑｍａｘｓｋ＋＞９．１ｋ７８８：ｌｉｇｈｔ（１１－０）ｌＩ—ＩＨｑｎｓｋ一）９．１８２６７１ｌｌＩｌＨｑｍａｘ＿ｓｋ一＜１．１１３１０９：Ｆｌｏａｔｉｎｇ（１００－０）ＩＩｌ—ＩＨｑｍａｘｓｋ一＞１．１１３１８９：ｖｏｉｄ（５．Ｂ）图３综合特征决策树（ＡＴ）的推理结构Ｆｉｇ．３ＩｎｆｅｒｅｎｃｅｓｔｒｕｃｔｕｒｅｏｆｔｈｅＡＴｄｅｃｉｓｉｏｎｔｒｅｅ以Ｃ４．５为基本分类器，采用ＡｄａＢｏｏｓｔ算法生成决策树（ＡＢＡＴ）。分别统计迭代次数为２到８的结果（迭代次数为Ｉ时即为原始ＡＴ树），其迭代次数及其识别效果对比见表４。可以看出，随着迭代次数的增加，ＡＴＰＲ指标有逐渐提高的趋势。当迭代次数为３时，ＡＴＰＲ超过９８％，当迭代次数超过５时，ＡＴＰＲ接近甚至超过９９％。而ＡＦＰＲ指标则随之减少，当迭代次数为５时，减少到０．２％。而从平均节点数指标来看，没有出现大的波动，这表明每次迭代只是针对错分样本对决策树结构进行了微调，这能够保证本算法的稳定性和一致性。表４ＡｄａＢｏｏｓｔ综合决策树的性能指标Ｔａｂ．４ＰｅｒｆｏｒｍａｎｃｅｉｎｄｅｘｏｆＡｄａｂｏｏｓｔｃｏｍｐｏｓｉｔｅｄｅｃｉｓｉｏｎｔｒｅｅ迭代次数２３４５６７８ＡＴＰＲ／％９６．８９８．２９８－３９９９８．８９８．８９９．２ＡＦＰＲ／％０．７Ｏ．４Ｏ－３０－２０．２０．２０．２平均节点数２９２９２８２５．８２７．３２７．６２８．３４现场检测分析对华东地区某１１０ｋＶ变电站内的ＧＩＳ进行现场超高频局放检测时，在某支撑绝缘子处能测到较明显的局放信号。超高频传感器频带为５００～１５００ＭＨｚ，现场检测情况如图４（ａ）所示。将该信号经过放大检波后，得到５０工频周期的最大放电量一相——位图谱和Ｐｑｎ图谱如图５所示。采用以上六种决策树方法对５０组样本进行识别后结果见表５。从识别结果可以看出，六种方法中除ｗＴ外，其他五种方法均判断该放电为悬浮电极放电的可能性为高。综合特征的ＡＴ判断有３２个样本为悬浮电极放电，而经过ＡｄａＢｏｏｓｔ后的ＡＢＡＴ判断有３８个样本为悬浮电极放电，远高于其他方法结果。对该ＧＩＳ进行解体检查后发现，在检测部位附近通管内的支撑绝缘子处有较明显的放电烧蚀痕迹，经分析可能由于支撑绝缘子底部金属与通管接触不良造成的悬浮电极放电。该结果与本文方法所判断的结果是一致的，有力验证了本文方法的有效性。一（ａ）现场检测情况（ｂ）ＧＩＳ解体后放电痕迹图４现场检测及缺陷照片Ｆｉｇ．４ＰｉｃｔｕｒｅｓｏｆｆｉｅｌｄｔｅｓｔａｎｄｄｅｆｅｃｔｏｆｔｈｅＧＩＳ（ａ）５０工频周期的最大放电量．相位图谱（ｂ）ｐ－ｑ－ｎ图谱图５现场检测到的放电信号图谱Ｆｉｇ．５Ｄｉａｇｒａｍｏｆｄｉｓｃｈａｒｇｅｓｉｎｔｈｅｆｉｅｌｄｔｅｓｔ表５各决策树对不同缺陷及干扰识别结果Ｔａｂ．５Ｒｅｓｕｌｔｏｆｃｌａｓｓｉｆｙｉｎｇｄｅｆｅｃｔｓａｎｄｉｎｔｅｒｆｅｒｅｎｃｅｏｆｄｉｆｆｅｒｅｎｔｄｅｃｉｓｉｏｎｔｒｅｅ评价标准ＳＴＭＴｗＴＶＴＡＴＡＢＡＴ悬浮电极２３１９１５２２３２３８毛刺００００００气隙１９１１１７１４８８微粒６１０１１７５２手机０６３４３ｌ灯光２４４３２１５结论（１）本文针对ＧＩＳ局放的超高频检波信号，提取统计分布特征、矩特征及Ｗｅｉｂｕｌｌ特征三类特征，通过决策树方法对四种放电及两种干扰模型进行模式识别，并采用平均真正率、平均假证率和树姚林朋，等基于ＡｄａＢｏｏｓｔ的局部放电综合特征决策树识别方法．１Ｏ９．节点数为指标进行了对比。结果表明，每类特征均对各类模式的区分度有差异，因此将各类特征综合后获得的决策树识别性能及树结构复杂性都为最优。综合后，对六种模式识别的平均真正率可达９６．７％，树节点数减少到２９。（２）对综合特征生成的决策树进行分析，发现高压导体毛刺放电、悬浮电极放电、手机信号这三类模式Ｈｑｍａｘｃｃ特征较小，而高压导体毛刺放电的Ｈｑｎ特征较大，这些结论因形式简单且置＿ａｓｙｍ信度高可以作为实现推理专家系统的有效规则。决策树中所有判断节点没有包含Ｗｅｉｂｕ１ｌ参数的判断，表明Ｗｅｉｂｕｌｌ参数的分类能力要弱于其他两类特征。（３）将ＡｄａＢｏｏｓｔ方法与综合特征决策树结合能够较好地提升其识别性能。当迭代次数为３时，即可将ＡＴＰＲ提升至９８％以上；迭代次数为５时，ＡＴＰＲ接近９９％。但ＡｄａＢｏｏｓｔ方法本身有着可能随迭代次数增多而产生过拟合现象的问题，因此如何确定合适的迭代次数需要做进一步研究。参考文献［１］钱勇，黄成军，江秀臣，等．基于超高频法的ＧＩＳ局部放电在线监测研究现状及展望［Ｊ】．电网技术，２００５，２９（１）：４０．４３，５５．ＱＩＡＮＹｏｎｇ，ＨＵＡＮＧＣｈｅｎｇ－ｊｕｎ，ＪＩＡＮＧＸｉｕ－ｃｈｅｎ，ｅｔａ１．Ｐｒｅｓｅｎｔｓｉｔｕａｔｉｏｎａｎｄｐｒｏｓｐｅｃｔｏｆｕｌｔｒａｈｉｇｈ—ｆｒｅｑｕｅｎｃｙｍｅｔｈｏｄｂａｓｅｄｒｅｓｅａｒｃｈｏｆｏｎｌｉｎｅｍｏｎｉｔｏｒｉｎｇｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｉｎｇａｓｉｎｓｕｌａｔｅｄｓｗｉｔｃｈｇｅａｒ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００５，２９（１）：４０－４３，５５．［２］张言苍，张毅刚，徐大可．变压器局部放电在线检测Ⅲ的现状及发展．继电器，２００４，３２（２２）：７０．７５．——ＺＨＡＮＧＹａｎ－ｃａｎｇ，ＺＨＡＮＧＹｉｇａｎｇ，ＸＵＤａｋｅ．ＰｒｅｓｅｎｔｓｔａｔｕｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆＰＤｏｎｌｉｎｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｉｎｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒ［Ｊ］．Ｒｅｌａｙ，２００４，３２（２２）：７Ｏ．７５．［３］苏文辉，鞠平，丁晓群．变压器绕组局部放电故障的定位［Ｊ１．继电器，２００２，３０（８）：４０．４２．—ＳＵＷｅｎ－ｈｕｉ，ＪＵＰｉｎｇ，ＤＩＮＧＸｉａｏｑｕｎ．Ｌｏｃａｔｉｏｎｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｓｆａｕｌｔｉｎｔｒａｎｓｆｏｒｍｅｒｗｉｎｄｉｎｇ［Ｊ］．Ｒｅｌａｙ，２００２，３０（８）：４０．４２．—［４］赵妍，董爽，李天云．局部放电信号检测的ＨＨＴＭＤＬ自适应阈值算法『Ｊ］．电力系统保护与控制，２０１０，３８（１５）：４５．５０．ＺＨＡＯＹａｎ，ＤＯＮＧＳｈｕａｎｇ，ＬＩＴｉａｎ－ｙｕｎ．ＡｎｅｗａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍｔｏｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｐｒｏｃｅｓｓｉｎｇｂａｓｅｄｏｎＨＨＴ－ＭＤＬｃｒｉｔｅｒｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１５）：４５－５０．［５］李信，李成榕，丁立健，等．基于超高频信号检测ＧＩＳ局放模式识别［Ｊ］．高电压技术，２００３，２９（１１）：２６．３０．ＬＩＸｉｎ，ＬＩＣｈｅｎｇ－ｒｏｎｇ，ＤＩＮＧＬｉ－ｊｉａｎ，ｅｔａ１．ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＰＤｐａｔｔｅｒｎｓｉｎｇａｓｉｎｓｕｌａｔｅｄｓｗｉｔｃｈｇｅａｒ（ＧＩＳ）ｂａｓｅｄｏｎＵＨＦｓｉｇｎａｌｓ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅ—Ｅｎｇｉｎｅｅｒｉｎｇ，２００３，２９（１１）：２６３０．［６］Ａｂｄｅｌ－ＧａｌｉｌＴＫ，ＳｈａｒｋａｗｙＲＭ，ｅｔａ１．Ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｐａｔｔｅｍｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅｆｕｚｚｙｄｅｃｉｓｉｏｎｔｒｅｅａｐｐｒｏａｃｈ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｓｔｒｕｍｅｎｔａｔｉｏｎａｎｄＭｅａｓｕｒｅｍｅｎｔ，２００５，５４（６）：２２５８－２２６３．［７］肖燕，胡浩，郁惟镛．基于ＡＲＴＮＮ的ＧＩＳ绝缘故障识别新方法『Ｊ］．高电压技术，２００７，３３（１２）：７５．７９．—ＸＩＡＯＹａｎ，ＨＵＨａｏ，ＹＵＷｅｉ－ｙｏｎｇ．ＮｅｗＡＲＴＮＮｂａｓｅｄａｌｇｏｒｉｔｈｍｆｏｒｐａａｅｒｎｒｅｃｏｇｎｉｔｉｏｎｏｆｉｎｓｕｌａｔｉｏｎｄｅｆｅｃｔｉｎＧＩＳ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００７，３３（１２）：７５．７９．［８］司文荣，李军浩，袁鹏，等．气体绝缘组合电器多局部放电源的检测与识ＮｒＪ［ｊ］．中国电机工程学报，２００９，—２９（１６）：１ｌ９１２６．ＳＩＷｅｎ－ｒｏｎｇ，ＬＩＪｕｎ－ｈａｏ，ＹＵＡＮＰｅｎｇ，ｅｔａ１．Ｄｅｔｅｃｔｉｏｎａｎｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｔｅｃｈ—ｎｉｑｕｅｓｆｏｒｍｕｌｔｉＰＤｓｏｕｒｃｅｉｎＧＩＳ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００９，２９（１６）：１１９．１２６．［９］ＹａｚｄａｎｄｏｕｓｔＡＲ，ＨａｇｈｊｏｏＦ，ｅｔａ１．Ｉｎｓｕｌａｔｉｏｎｓｔａｔｕｓａｓｓｅｓｓｍｅｎｔｉｎｈｉｇｈｖｏｌｔａｇｅｃａｂｌｅｓｂａｓｅｄｏｎｄｅｃｉｓｉｏｎｔｒｅｅａｌｇｏｒｉｔｈｍ［Ｃ］．／／２００８ＩＥＥＥＥｌｅｃｔｒｉｃａｌＰｏｗｅｒａｎｄＥｎｅｒｇｙ—ＣｏｎｆｅｒｅｎｃｅＥｎｅｒｇｙＩｎｎｏｖａｔｉｏｎ，Ｏｃｔ６－７，２００８，Ｖａｎｃｏｕｖｅｒ，ＢＣ，Ｃａｎａｄａ，２００８．［１Ｏ］ＬａｉＫＸ，ＰｈｕｎｇＢＴ，ＢｌａｃｋｂｕｒｎＴＲ．Ｄｅｓｃｒｉｐｔｉｖｅｄａｔａｍｉｎｉｎｇｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｕｓｉｎｇｄｅｃｉｓｉｏｎｔｒｅｅｗｉｔｈｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＡｕｓｔｒａｌｉａｎＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇ，２００９，６（３）：２４９－２５９．［１１］ＨｉｒｏｓｅＨ，ＨｉｋｉｔａＭ，ＯｈｔｓｕｋａＳ，ｅｔａ１．Ｄｉａｇｎｏｓｉｓｏｆｅｌｅｃｔｒｉｃｐｏｗｅｒａｐｐａｒａｔｕｓｕｓｉｎｇｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＤｉｅｌｅｃｔｒｉｃｓａｎｄＥｌｅｃｔｒｉｃａｌＩｎｓｕｌａｔｉｏｎ，２００８，１５（５）：１２５２．１２６０．—［１２］ＡｂｄｅｌＧａｌｉｌＴＫ，ＳｈａｒｋａｗｙＲＭ，ｅｔａ１．Ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｐｕｌｓｅｐａ￣ｅｒｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇａｎｉｎｄｕｃｔｉｖｅｉｎｆｅｒｅｎｃｅａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＤｉｅｌｅｃｔｒｉｃｓａｎｄＥｌｅｃｔｒｉｃａｌＩｎｓｕｌａｔｉｏｎ，２００５，１２（２）：３２０．３２７．［１３］ＨｉｒｏｓｅＨ，ＺａｍａｎＦ．Ｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｉｎｅｌｅｃｔｒｉｃｐｏｗｅｒａｐｐａｒａｔｕｓｃｏｎｄｉｔｉｏｎｓｕｓｉｎｇｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＤｉｅｌｅｃｔｒｉｃｓａｎｄＥｌｅｃｔｒｉｃａｌＩｎｓｕｌａｔｉｏｎ，２０１Ｏ，１７（１）２７１．２７９．［１４］ＱｕｉｎｌａｎＪＲ．Ｂａｇｇｉｎｇ，ｂｏｏｓｔｉｎｇ，ａｎｄＣ４．５［ｃ１．／／Ｐｒｏｃｅｅｄｉｎｇｓ１３ｔｈＡｍｅｒｉｃａｎａｓｓｏｃｉａｔｉｏｎｆｏｒａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ，Ｊｕｌｙ，１９９６，ＭｅｎｌｏＰａｒｋ，ＣＡ．［１５］ＲｕｇｇｉｅｒｉＳ．ＥｆｆｉｃｉｅｎｔＣ４．５．ｋｎｏｗｌｅｄｇｅａｎｄｄａｔａｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ，２００２，１４（２）：４３８．４４４．［１６］涂承胜，刁力力，鲁明羽，等．Ｂｏｏｓｔｉｎｇ家族ＡｄａＢｏｏｓｔ系列代表算法［Ｊ】．计算机科学，２００３，３０（３）：３０．３４，１４５．—ＴＵＣｈｅｎｇ・ｓｈｅｎｇ，ＤＩＡＯＬｉ－ｌｉ，ＬＵＭｉｎｇｙｕ，ｅｔａ１．ＴｈｅｔｙｐｉｃａｌａｌｇｏｒｉｔｈｍｏｆＡｄａＢｏｏｓｔｓｅｒｉｅｓｉｎｂｏｏｓｔｉｎｇ—ｆａｍｉｌｙ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２００３，３０（３）：３０３４，１４５．（下转第１１４页ｃｏｎｔｉｎｕｅｄｏｎｐａｇｅ１１４）一１１４一电力系统保护与控制（上接第１０９页ｃｏｎｔｉｎｕｅｄｆｒｏｍｐａｇｅ１０９）—［１７］ＦｒｅｕｎｄＹ，ＳｃｈａｐｉｒｅＲＥ．Ｄｅｃｉｓｉｏｎｔｈｅｏｒｅｔｉｃｇｅｎｅｒａｌｉｚａｔｉｏｎｏｆｏｎ－ｌｉｎｅｌｅａｒｎｉｎｇａｎｄａｎａｐｐｌｉｃａｔｉｏｎｔｏｂｏｏｓｔｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒａｎｄＳｙｓｔｅｍＳｃｉｅｎｃｅｓ，１９９７，５５（１）：ｌ１９．１３９．［１８］唐炬，王静，李剑，等．统计参数用于局部放电模式识别的研究［Ｊ］．高电压技术，２００２，２８（８）：４－６，３７．ＴＡＮＧＪｕ，ＷＡＮＧＪｉｎｇ，ＬＩＪｉａｎ，ｅｔａ１．ＳｔａｔｉｓｔｉｃａｌｐａｒａｍｅｔｅｒｍｅｔｈｏｄｆｏｒＰＤｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００２，２８（８）：４－６，３７．［１９］胡文堂，高胜友，余绍峰，等．统计参数在变压器局部放电模式识别中的应用［Ｊ］．高电压技术，２００９，３５—（２）：２７７２８１．—ＨＵＷｅｎ４ａｎｇ，ＧＡＯＳｈｅｎｇ・ｙｏｕ，ＹＵＳｈａｏｆｅｎｇ，ｅｔａ１．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｔａｔｉｓｔｉｃｐａｒａｍｅｔｅｒｓｉｎｒｅｃｏｇｎｉｔｉｏｎｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｉｎｔｒａｎｓｆｏｒｍｅｒｓ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅ—Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，３５（２）：２７７２８１．收稿日期：２０１０－１１－１３；修回日期：２０１０－１２－２８作者简介：姚林朋（１９８１．），男，博士研究生，研究方向为大型电—气设备在线监测和智能诊断；Ｅｍａｉｌ：ｙａｏｌｉｎｐｅｎｇ＠ｓｊｔｕ．ｅｄｕ．ｃｎ