林伟，王昕，郑益慧，李立学

(上海交通大学 电工与电子技术中心，上海 200240)

基金项目:国家自然科学基金项目(61673268)，国家自然科学基金重点项目(61533012)资助。

0 引 言

气体绝缘开关(Gas Insulated Switchgear，GIS)因其具有占地面积小、稳定性高等优点，在电力系统中占据重要的地位[1]。然而，由于GIS的封闭性，一旦发生故障，便会造成严重后果[2]。数据表明，绝缘故障在GIS 故障中占大多数[3]。局部放电(Partial Discharge，PD)作为一种有效表征GIS绝缘缺陷的现象，被广泛研究。

基于特高频电磁波的特高频(Ultra High Frequency，UHF)局部放电检测法具有高灵敏度、高精确度等优点，已经成为GIS局放检测的重要手段[4]。由于不同的绝缘缺陷所激发的特高频信号具有不同的特征，自上世纪90年代起，模式识别开始应用于局部放电类型识别分类领域。人工神经网络[5](Artificial Neural Network，ANN)、支持向量机[6](Support Vector Machine，SVM)和K近邻[7](K Nearest Neighbor，KNN)等方法都在GIS局部放电领域有所应用。在模式识别领域，反向传播神经网络(Back Propagation Neural Network，BPNN)作为ANN的一种算法应用十分广泛，具备良好的分类能力，但其样本需求量大、训练周期长、易陷入局部最优；SVM可解决小样本下的分类识别，可数据量大时，计算速度会变得非常慢；KNN算法运算速度较快，但效果受到近邻数目K的影响，且未考虑样本差异，均存在问题。另一方面，模式识别方法依赖于所输入的特征参量。因此，设计并选取具有代表性和区分度的特征参量至关重要。文献[8]使用基于灰度谱图的图像矩特征参量识别，可以较好地反映局放信号的形状纹理特征，但需要对图片进行缩放裁剪等预处理，破坏了数据的完整性，且该方法未考虑到局放信号的统计特征，对极性现象描述不够；……