电力变压器局部放电信号识别：一种样本加权FCM聚类新方法

"基于样本加权FCM聚类的未知类别局部放电信号识别" 本文针对电力变压器局部放电识别中的一个重要问题，即待识别信号中可能存在未知类别的样本，提出了一种创新性的解决方案。该方法结合了样本加权模糊C均值（FCM）聚类和支持向量机（SVM）进行模式识别，旨在有效地区分和处理未知类别样本。 首先，文章介绍了FCM聚类在已知类别局部放电信号上的应用。通过FCM聚类，可以将已知类别的局部放电信号归类，从而确定各类别的聚类中心。这一过程有助于理解不同类型的局部放电特征，为后续的识别步骤奠定基础。 接下来，文章提出了样本加权的概念。对于已知类别的局部放电信号和待识别的信号，分别计算它们的样本权值。权值的计算考虑了样本与各类聚类中心的距离，反映了样本与类别的关联程度。然后，利用Otsu准则确定样本权值的自适应阈值。Otsu准则是一种自动二值化的方法，用于确定最佳的分割阈值，以便区分背景和前景。 通过对待识别局部放电信号的权值与设定阈值进行比较，可以判断这些信号是否属于已知类别。若权值超过阈值，说明信号可能属于已知类别；反之，则可能是未知类别。对于那些属于已知类别的信号，进一步采用支持向量机（SVM）进行精细分类。SVM是一种强大的监督学习模型，能有效地处理分类问题，尤其在小样本情况下表现优秀。 对于被判定为未知类别的局部放电信号，文章建议进行人工分析判断，因为这些信号可能代表新的放电类型或者异常情况，需要专家的深入理解和判断。这种人为介入确保了识别的准确性和鲁棒性。 实验部分，作者在实验室条件下对放电信号进行分析，结果显示，所提方法能够有效地识别和区分待识别局部放电信号中的未知类别样本，从而提高了电力变压器局部放电检测的效率和准确性。 总结来说，这篇文章提出的基于样本加权FCM聚类和SVM的识别方法，为解决电力变压器局部放电识别中的未知类别样本问题提供了一个有效途径。这种方法不仅利用了聚类分析和机器学习技术，还结合了人工分析，实现了对未知样本的有效管理和处理，对于提升电力系统安全性具有重要意义。