基于相关性和类间差异度的放电声信号特征量选择与降维

获得信号特征频带及其对应的离散小波重构时域分量，提取不同类型放电声信号的多维时域特征；然FeatureSelectionandDimensionalityReducti(1.SchoolofAutomationandElectricalEngineeElectricPowerResearchInstitute,Lanzhou730070,China;3.CollegeofElectricalandIAbstract：Inordertoaccuratelyandefficientlydiagnosetheeffectivedimensionalityreductionofmulti-dimensionalfeatures,afeaturbasedoncorrelationandbetween-classdiffereforanalogdischargeisbuilt.Thecrosswavelettransformisusedtoanalyzenal,toobtainthesignalcharacteristicfrequencycomponents,andtoextractthemulti-dimensionalfeaturesintimedomainofdifferenttypesoThen,thePearsoncorrelatibetween-classdifferenceandwithin-classdifference,thefeataccuracyofparameteroptimizedsupportvectormachine(SVM)istakecomparedwiththetraditionaldimensionalityreductionalgorithm,andtheinfluenceofdifferenmethodisexplored.Theresultsshowthat,comparedwiththetraditionaldimensionamethodinthispaperretainstheoriginalfeatureattributesceeds96%,whichprovidesaneffectivecriterionforreduction;dischargetype基金资助项目：兰州交通大学天佑创新团队(TY202010)；国网甘肃省电rojectsupportedbyTianyouInnovationTeamSciencedGansuElectricPowerResearchInstitute(522722马建桥，杨广泽，曹盘盘，等：基于相关性和类间差异度的放电声信号特征量选择与降维1在网电气设备的可靠运行是保证电力系统安声音信号中蕴含丰富的电力设备运行状态信特征量的分类效果。文献[16]从时域、频域、信息之间的相关性问题。文献[18]研究了同类和异类分类特征的可比性和相关性，利用线性判别分析法analysis，PCA)对信号的多尺度熵特征向量进行降为了在保留原始数据特征属性的基础上更好对模拟放电可听声信号的多维特征量进行降维选电可听声信号；利用交叉小波变换(crosswaveletDWT)分解并重构该频带对应的时域分量，提取不交叉小波变换是在连续小波变换理论基础上时域信号x(t)的连续小波变换定义为x(t)ψ*()dt(1)对于信号x(t)和y(t)，两者之间的交叉小波变(a,τ)=W(a,τ)W(a,τ)(2) 两信号x(t)和y(t)的相关性越强。采样频率fs的关系为经式(3)可实现交叉小波谱图中信号频率与尺xp=xmax−xxp=xmax−xminσ=(xi−μσ=(xi−μ)2nxinxiXrms=ε1(xi−μ)2nn1(xi−μ)4K=i=n((xi−μ)2)2n1(xi−μ)3nγ=((xi−μ)2Xkf=arvka=skb=xk=pi=1A表示为⎡x11⎢A=⎢x21⎢M⎢⎣xm1x12xMxx⎥2n⎥⎥…xmn⎦i,jρxi,jcov(xi,xj)σσxxixx=E(xi−μxi)(xj−μxj)σσxxixxrMrn2r相关性；依据实际情况和统计思想，若某一列中马建桥，杨广泽，曹盘盘，等：基于相关性和类间差异度的放电声信号特征量选择与降维1分别计算相关特征集和独立特征集内每个特样本矩阵X，X={xj}，每个样本xj属于一个类b=P(i)(mi-m0)(mi-m0)wi-xk)2xk=类i）(7)特征下样本的类间差异度值Sb1—Sbn和类内离散度空气介质中的放电比油介质中的更强烈且持模拟常见绝缘缺陷的形态结构和产生的不均匀电Fig.1DimensionalityreductionselectioFig.2Schematicdiagramofsi Fig.3Designdrawingsofthreedischarge针尖角度为30°,沿面模型高压端柱电极直径和高mm。若高压端电极到纸板的距离太小，绝缘强度222222相位差为0°,逆时针转动相位差逐渐变大。在一定程度上规避了其他低相关性频段的噪声干为沿面放电类型，x73—x144为气隙放电类型，对A8时域特征提取结果进行Z-SCORE标准化马建桥，杨广泽，曹盘盘，等：基于相关性和类间差异度的放电声信号特征量选择与降维Fig.4Crosswaveletspectraofthreekindsofdischargeacous-处理，将不同量级的数据转化为统一量度的∗x=x−∗x=σ182934567Fig.5A8waveletreconsF1F2…F13F14x1…x2…x3…MMMMMx214…–0.63270x215–1.24771…–0.31071–0.40001x216…–0.20779 Fig.6Correlationc基于类间距离的差异性判据目前应用较为广准，总类内离散度作为辅助参考标准。如图8、9Fig.8EachfeaturesortedaccordinFig.9Eachfeaturesortedac马建桥，杨广泽，曹盘盘，等：基于相关性和类间差异度的放电声信号特征量选择与降维1201将待选特征集中的特征量按照总类间差异度识别准确率提高不足2%，甚至出现下降趋势。根强的待选特征集内选择类间差异度较小的平均值为进一步验证本文特征提取与降维方法的实利用本文交叉小波变换(CWT)和离散小波变换分析(PCA)、线性判别分析(LDA)和核主成分分析(KPCA)等传统降维方法与本文方法进行对比；同123Fig.10ThevariationcurveofaccuracywithdimensionoftTable6Comprehensive1F72F7,F83F7,F8,F51F32F3,F123F3,F12,F131F112F11,F73F11,F7,F10数寻优采用交叉验证法；BP神经网络的学习率 Fig.11Thevariationcurveofaccuracyofvariousdimensio不可分数据，对于本文数据的降维识别效果逊于1）局部放电检测能为电气设备故障诊断提供马建桥，杨广泽，曹盘盘，等：基于相关性和类间差异度的放电声信号特征量选择与降维无Table9Comprehensive12345673）相对通过映射获得抽象数据的传统降维方以上信噪比的运行环境干扰对本文方法的影响较部放电模式识别特征提取方法[J].高电压技术，2021，47(1)：CHENJiming,XUCh瓷悬式绝缘子放电严重程度评估[J].高电压技术，2021，47(2)：关电场分布与闪络特性的影响[J].高电压技术，2017，43(10)：MAJianqiao,LÜFangcheng,WANGFochi,etal.Influenceofboltin-rProceedingsoftheCSEE,2021,41(21):7529-7539.tionofonloadtapchanreductionforfastback-propagationforrecognition[C]//2015Inte contactor[J].TransactionsofChinaZHANGRuiqi.Researchontransformerfaultdiagnonacousticsignal[D].Wuhan,China:HKUANGJing.FaultdiagchargesignalsburiedinexcessivformerbasedonSVMclassificationofvibroperatingmechanismforcircuitbreakerbasedonmultiplesignalfea-forpartialdischargebaseZHAOLihua,ZHANGZhendong,ZHANGJmethodsfortransformerfaatingoperatingconditions[的断路器机械故障诊断方法[J].高电压技术，2022，48(3)：agnosismethodofcircuitbreakerbasedonblindsourcesNSVDDUnderNoisyBodsbasedonm