SVDD是D. M. J. Tax等[8]在支持向量机理论之上提出的一种经典的单值分类器，能够有效地解决故障诊断问题中小样本、未知样本识别等问题，已在机械设备诊断、人脸识别和图像处理等领域表现出了良好的前景，但在PD类型的识别与分类中应用较少。
文献[9,10]采用SVDD算法分别对变压器和气体绝缘组合电器（Gas Insulated Switchgear, GIS）设备的不同类型故障样本进行了分类，但仍不能解决未知类型样本的准确识别问题。
马氏距离（Mahalanobis distance）是由印度统计学家R. D. Mahalanobis[11]提出的一种以数据间协方差距离计算两个未知样本集间相似度的距离度量方法。马氏距离独立于测量尺度，不受量纲影响，克服了传统欧式距离忽略各样本特征之间关联性的缺陷，其微小变量的识别较明显，对于不同类型的相似样本具有较好的区分度[12]。
本文所提出的识别方法中，首先利用SVDD算法对已知类型的放电样本进行训练，获得训练样本的超球体中心a和半径R及各类已知类别放电样本的球心ai；其次，利用Otsu准则的双阈值判定方法，根据求解出的阈值
R1和R2重新划分样本超平面，并设置不同区域内的判定准则；最后，依据各区域内的判定准则，利用基于 Mahalanobis 距离的分析方法对待测放电样本进行识别和分类。为验证所提出识别方法的有效性，本文对试验环境下实测放电样本进行识别，并将传统SVDD算法和欧式距离的识别结果进行对比。作者最后认为：
1）提出一种基于改进SVDD算法和马氏距离的未知PD类型的识别方法，通过改进SVDD算法确定不同阈值，对特征空间划分不同的样本区域，设定不同判定准则，再以马氏距离为度量条件识别采集样本的放电类型是否已知。将识别结果与传统SVDD算法进行对比，结果表明本文提出的方法具有较高的识别率。
2）依据Otsu准则设置双阈值识别待测样本的放电类型，为SVDD算法中阈值的确定提供了新思路。
3）利用待测样本到各类型放电中心的马氏距离作为判定样本放电类型的依据，相较于欧式距离的判定方法具有更好的识别效果。
4）本文只是采用试验数据对所提出的方法进行了验证，而实际工程中，可能存在更多种可能的已知和未知的放电类型。因此，在实际应用中，需将已经确定的样本作为训练样本，据此判断待测样本是否属于已知类。
图4 PD试验模型
閱讀更多 電氣技術 的文章
