第32卷，第6期 2012年6月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.32,No.6,pp1535-1540
June，2012
基于多尺度加权主成分分析的SF。红外光谱分析
玺"，王先培"，黄云光2 彭
1.武汉大学系统集成与故障诊断实验室，湖北武汉430079 2.广西电力科学研究院，广西南宁530023
摘要利用红外光谱法分析SF。气体及其衔生物是判断气体绝缘组合电器（GIS)运行状态和故障的一种重要手段。传统的诊断方法过程繁项、效率低下，面且受主观因素的影响较大。本文指出可以采用机器学习的方法实现GIS设备的故障诊断，并提出了多尺度加权主成分分析的特征提取方法。多尺度加权主成分分析结合了主成分分析和多尺度分解的特点，保证了尺度特征信息的最大化，并且修正了特征向量在数据分类时的权重。通过对广西电力研究院提供的SF：及其衔生物的红外光谱进行分析，证明了多尺度加权主成分分析算法对训练样本的分类效果要比标准的主成分分析算法好3～4倍。
关键词红外光诺技术；六氟化硫；气体绝缘组合电器；多尺度加权主成分分析
中图分类号：0657.3
引言
文献标识码：A
DOlI; 10. 3964/j. issn. 1000-0593(2012)06-1535-06
GIS设备故障诊断就是对光谱数据的识别与分类。一些经典的机器学习算法都可以用来解决这个识别与分类问题。但关于这类方法在GIS设备故障诊断方面的研究还不多见，
气体绝缘组合电器（gasinsulatedswitchgear，GIS)因其絮密的结构和较高的可性而广泛应用于高压线路中(2)，并以 SF，气体作为绝缘和灭弧介质，然而，在长期的运行过程中， GIS设备在制造和装配环节中的一些潜在绝缘缺陷，往往会导致不同程度的局部放电。放电的能量使SF，气体分解成一些低氟硫化物，并和设备中存在的少量氧气和水发生化学反应，生成一些衔生物，如：SOF，SOF，SOF，SO，HF，HS 等，这些活性物质会离蚀金属表面，加速器件的老化，最终导致GIS设备的故障()。通过检测SF。及其衔生物的化学成分，能够有效的监测GIS设备的运行状态并确认故障类型[，及时采取必要的维护措施，避免造成重大的损失。
SF。气体衍生物成分的化学分析方法包括气相色谱法"]，离子迁移谱法[，气体检测管法[}，红外光谱法["等。其中，红外光谱法既不影响样本的化学成分，义能达到一定的精度，而且技术成熟，操作简单。因此本文采用红外光谱法分析SF。气体及其衍生物的化学成分，实现GIS设备的故降诊断。传统的步骤是先检测吸收峰的位置，再查找对应的化合物成分，最后根据化合物产生的物理化学条件，判断 GIS设备的运行状态，如是否存在放电、放电类型、绝缘性能等。这种方法步骤紫锁，效率低下，而且分析结果受主观因素的影响较大。实际上，基于SF，气体红外光谱分析的
一般来说，实际间题中的数据往往都是高维数据。如果直接在高维空间内进行识别与分类，不但增加计算量，而且增加分析间题的复杂性。因此，必须对高维数据进行降维处理。主成分分析（principlecomponentanalysis，PCA），又称作KarhunenrLoeve变换，是一种经典的多元统计分析方法，能够实现数据的降维（特征提取），它的优点在于它是通过分析数据而得到各维之间内在的结构关系，不受主观因素的影响，面且得出的主成分(PC)互不相关，交义信息少，非常利于分析评价。早在20世纪90年代它就已经被运用于人脸的表示()和人脸的识别领域("]，PCA遵循的是使原样本数据信息和特征向量所承载的数据信息的均方根误差最小的原则，因此它更适用于数据的表示，而不适用于数据的分类。还有一些算法在数据的分类方面要优于PCA，如线性判别分析2)(linear descrimination analysis，LDA)，独立成分分析(independent component analysis, ICA)[(u4)和 kermelized PCA"]LDA遵循的是使分类误差最小的原则；ICA和 KPCA则是充分利用了离维数据各维之间的高次相关性。但这些方法都以辆牲计算复杂度为代价。
本文提出多尺度加权主成分分析的特征提取算法。运用该算法能够获得一个低维的特征空间以提取SF。及其衔生物的红外光谱样本的特征信息，通过分析样本光谱在特征空间
收日期：2012-03-18，修订日期：2012-05-02
基金项目：国家自然科学基金项目(50677047)和潮北省自热科学基金项目(2010CDZ051)资助
作者简介：彭玺，1984年生，武汉大学系统集成与故障诊断实验室博士研究生万方数据
e-mail; pengxi@whu edu, cn