[论文解读] A Pattern Recognition Method for Partial Discharge Detection on Insulated Overhead Conductors

Ming Dong, Jessie Sun+1 more|arXiv (Cornell University)|May 5, 2019

High voltage insulation and dielectric phenomena参考文献 6被引用 3

一句话总结

本文提出了一种新颖的模式识别方法，结合使用局部回归的季节性和趋势分解（STL）进行信号预处理，以及采用高斯径向基核的支撑向量机（SVM）对绝缘架空导线上的局部放电（PD）活动进行分类。该方法在VSB Kaggle数据集上实现了高分类准确率，有效检测到传统保护系统因缺乏过电流特征而遗漏的PD事件。

ABSTRACT

Today,insulated overhead conductors are increasingly used in many places of the world due to the higher operational reliability, elimination of phase-to-phase contact, closer distances between phases and stronger protection for animals. However, the standard protection devices are often not able to detect the conductor phase-to-ground fault and the more frequent tree/tree branch hitting conductor events as these events only lead to partial discharge (PD) activities instead of causing overcurrent seen on bare conductors. To solve this problem, in recent years, Technical University of Ostrava (VSB) devised a special meter to measure the voltage signal of the stray electrical field along the insulated overhead conductors, hoping to detect the above hazardous PD activities. In 2018, VSB published a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, looking for promising pattern recognition methods for this application. To tackle this challenge, we developed a unique method based on Seasonal and Trend decomposition using Loess (STL) and Support Vector Machine (SVM) to recognize PD activities on insulated overhead conductors. Different SVM kernels were tested and compared. Satisfactory classification rates on VSB dataset were achieved with the use of Gaussian radial basis kernel.

研究动机与目标

• 解决在不产生过电流、因而逃逸标准保护装置检测的绝缘架空导线局部放电（PD）活动检测难题。
• 开发一种鲁棒的模式识别方法，能够从杂散电场电压测量中识别出微弱的PD信号。
• 利用机器学习技术对VSB Kaggle数据集中的真实波形数据进行处理，以提高PD检测的可靠性。
• 评估并比较不同SVM核函数在PD信号分类中的最优分类性能。

提出的方法

• 该方法应用使用局部回归的季节性和趋势分解（STL）将原始电压信号分解为季节性、趋势和残差分量，从而提升PD检测的信号清晰度。
• 将STL分解得到的残差分量用作后续分类的主要输入，以隔离与瞬态PD相关的异常信号。
• 使用支持向量机（SVM）分类器对分解后的信号特征进行训练，评估多种核函数类型（如线性、多项式、高斯径向基）的性能。
• 基于性能指标，选择高斯径向基函数（RBF）核作为最优核函数，表现出卓越的分类准确率。
• 该方法在包含绝缘架空导线真实电压波形记录的VSB Kaggle数据集上进行训练与验证。
• 特征提取与分类在监督学习框架下完成，模型性能通过标准分类指标进行评估。

实验结果

研究问题

• RQ1 STL分解能否有效从噪声杂散电场电压信号中提取出对局部放电检测有意义的特征？
• RQ2 在VSB数据集中，哪种SVM核函数在区分PD事件与正常运行状态时能实现最高的分类准确率？
• RQ3 所提出的方法能否可靠检测到不产生过电流的局部放电活动，从而避免被传统保护系统遗漏？
• RQ4 STL与SVM的结合在该特定应用场景下，相较于其他信号处理与分类技术有何表现？

主要发现

• 所提出的方法在VSB Kaggle数据集上实现了高分类准确率，表现出在检测局部放电事件方面的强大性能。
• SVM分类器中的高斯径向基函数（RBF）核优于其他核函数类型，取得了最佳的分类结果。
• STL分解有效从原始电压信号中分离出瞬态PD相关分量，提升了分类的信噪比。
• 该方法成功识别出因无故障电流而无法被标准过电流保护装置检测到的局部放电活动。
• 该方法对真实世界信号数据的变异性具有鲁棒性，这从VSB数据集上一致的性能表现中得到验证。