0 引 言

局部放电信号一直都是国内外学者的研究热点，它也是油浸式变压器绝缘运行状态的评估依据。有研究证实通过局放信号的统计指纹[1]、韦伯分布[2]、分形维数[3]和数字图像矩特征等[4]可以对油纸绝缘不同老化阶段进行评估。奇异值分解(Singular Value Decomposition，SVD)特征提取可以在保留信号真实特征的前提下进行数据压缩。经验模态分解(Empirical Mode Decomposition，EMD)自适应的将原始信号拆分成由高到低多个频段的或多个窄带频率的固有模式分量(Intrinsic Mode Function，IMF)。基于EMD-SVD特征提取方法在生物信息识别、故障诊断等方面也取得了相应研究成果[5-6]。

已有中外学者成功将支持向量机(Support Vector Machines，SVM)和BP神经网络应用于电力系统状态诊断识别领域[7-8]。但BP神经网络缺点在于收敛速度慢，效率低，学习过程不稳定，SVM对某些特殊值存在识别障碍。随机森林(Random Forest，RF)是Leo Breiman 在2001年提出的一种组合学习算法[9]，因其准确率很高且对特殊值和环境噪声干扰具有较好的包容度，不易出现过拟合现象，在电力系统状态诊断中得到了很好的应用[10-11]。

基于此，提出局放信号的EMD-SVD特征和随机森林结合识别评估油纸绝缘老化状态。分别利用随机森林分类器与传统单一分类器BP神经网络和支持向量机对油纸绝缘热老化不同阶段局部放电信号EMD-SVD特征进行分类识别，并对比和分析各分类器的识别结果。

本期应纳增值税额的计算核算。月末，先将“应纳税额”专栏贷方余额结转至“一般计税未交增值税”明细科目贷方，记录当期一般计税应交增值税；再将“一般计税预交增值税”明细科目记录的按规定可于当期结转扣减的已预交增值税金额结转至本明细科目的借方，扣减当期一般计税应交增值税；最后，将“减免增值税额”明细科目记录的能在本期应纳税额中抵减的金额，结转至“一般计税未交增值税”及（或）“简易计税应交增值税”明细科目借方，结转计算后 “一般计税未交增值税”与“简易计税应交增值税”明细科目贷方余额（不含留待后期抵减的预交增值税）之和就是本期应纳税额合计，对应增值税纳税申报表的主表的第24行本月数。

1 试验及信号处理

1.1 试验与局部放电信号测量

设计老化实现试验的流程图如图1所示。

矿化对岩性选择不明显，属于全岩性铀矿化，但矿体主要产于断裂下盘次级破碎带或膨大部位，而断裂上盘的伟晶白岗岩仅有少量的铀富集(图9)。

图1 加速热老化试验流程 Fig.1 Process of accelerated thermal aging test

相比于SVM和BP神经网络等机器识别算法，RF是一种集成学习分类器。单一分类方法需将所有样本分为训练样本和测试样本两部分，再通过测试样本的识别率评估识别特征及识别方法的优劣，即输入训练样本利用分类器建模产生一系列规则，然后通过拟定的规则对测试样本进行数据分析得出预测结果。RF识别核心原理是bootstrap重抽样法[15]作为抽样数据第一步，从原始样本中得到多个样本数据，经过决策树建模，在每棵决策树节点对数据进行特征分裂，并汇总各决策树分类结果，最终投票得出最真实的识别结果。RF分类器不需要采用独立的测试样本数据就能实现分类误差的无偏估计，提高了对待评估样本的分类正确率。构建RF过程如图10所示。其构建过程如下所示:

(1)制作绝缘纸试品，采用普通纤维素绝缘纸(剪裁纸样、筛选纸样、真空浸油、油纸比例的调节、粘合绝缘纸气隙模型)，选用国产25#变压器矿物油作为绝缘油材料，将绝缘油和绝缘纸盛放在烧杯中；

(2)在无异常的老化箱内分批放置初处理过的试品，并将温度盘调节至130 ℃来加速热老化试验。保证每次试验试品初处理和每个阶段加速热老化过程完全相同，使得试验具备统一性；

(3)对0 h、24 h、72 h、144 h、264 h、384 h和504 h时间段各取20个油纸绝缘样本。

(1) 在RF模型中导入全部原始数据，定义为样本数据，生成训练集X；

图3是油纸绝缘局放的人工气隙缺陷试品试验模型。依据CIGRE MethodⅡ基准制备试验电极，用AB胶粘合三层绝缘纸，位于上下两层的圆形绝缘纸试品厚度为0.5 mm，半径为40 mm，在中央夹着外内直径分别为80 mm和38 mm，且0.2 mm厚的绝缘纸圆环。

(3)对N个训练集分别进行分类回归树建模，针对某个训练集，找到将其作为袋外数据(out of bag，OOB)的最优分类精度，N个训练集得到对应数目的决策结果；

清翁方纲亦在其《石洲诗话》中云：“马戴五律……直可与盛唐诸贤侪伍，不当以晚唐论矣。”[13]如其《宿翠微寺》“积翠含微月，遥泉韵细风”[5]，《夜下湘中》“露洗寒山遍，波摇楚月空”[5]，其中“微月”妙，承“含”极妙。明杨慎评曰：“‘积霭沉斜月，孤灯照落泉’，喻凫诗也。‘积翠含微月，遥泉韵细风’，马戴诗也。二诗幽思同而句法亦相似。”[14]“含、韵、洗、摇”等动词的使用含蓄蕴藉，自然融洽，浑然天成，以动词巧妙连缀意象，还有如：“余霞媚秋汉，迥月濯沧波”(《秋郊夕望》)[5]、“微红拂秋汉，片白透长波”(《落照》)[5]、“霓虹侵栈道，风雨杂江声”(《送人游蜀》)[5]颇有盛唐之气象。

图2 试品取样时间对应DP变化 Fig.2 Sample sampling time corresponds to the DP change

图3 油纸绝缘局放气隙缺陷试验模型 Fig.3 Test model of oil-paper insulation-partial discharge air gap defect

图4 油纸绝缘试品局放测量电路 Fig.4 Partial discharge measurement circuit of oil-paper insulation test sample

1.2 基于EMD-SVD局部放电信号特征提取

用db8软阈值[13]对采集的阶段Ⅲ单周期信号进行消噪并分析。单周期消噪后局放信号如图5所示。

图5 去噪后的局部放电信号 Fig.5 Signals of partial discharge after de-noising

对时域中统计分析后的热老化局部放电信号采用EMD分解，分解后获得的一系列IMF分量筛选后构成多维矩阵并进行奇异值分解，获得的奇异值能反应矩阵的固有特性，上述过程简称为EMD-SVD特性提取，将奇异值组成的特征向量称为EMD-SVD特征向量。图6是提取EMD-SVD特征的流程图。

图6 提取EMD-SVD特征流程图 Fig.6 Flow chart of the EMD-SVD feature extracting

以老化72 h时刻对应阶段Ⅲ为例，介绍EMD-SVD特征提取过程：首先，将信号去噪后通过EMD方法获得多个IMF分量及余项，图7是分解后的IMF分量。

图7 分解后的IMF分量 Fig.7 IMF component after decomposition

在极富中国文化特色的十二生肖中，狗是忠诚与温厚的化身。相较于功名利禄，狗为人们带来的欢乐与友谊更加弥足珍贵，它的形象中寄寓着信任与忠诚，以及无比强烈的道德感与伦理观。享誉全球的珐琅工艺大师Anita Porchet充分发挥创造力，在独具个人风格的演绎中鲜明展现这一生肖的文化精神内涵。借助巧夺天工的掐丝珐琅技法，她将这种动物描绘为神采奕奕的忠实伴侣，以明暗浓淡层次分明的灰白色调创造出丰富细腻、纤毫毕现的精致观感。

图8 14个IMF分量的叠加信号 Fig.8 Superimposed signal of 14 IMFs

针对试验设计的老化七个阶段的油纸绝缘试品，分别采集到局部放电信号经EMD-SVD分解，最后得到奇异值对应于每个老化阶段，结果如表1所示。

及物性隐喻意味着在翻译过程中译者常常要做出不同的选择，在物质过程、心理过程、关系过程、行为过程、言语过程和存在过程这六种不同的过程类型做出一种选择，如物质过程，心理过程等；选择和这个过程相关的功能成分，如参与者、承受者、感觉者和现象等；选择能够体现这些功能的词类，如名词、动词和形容词等。对于动物学科英语的翻译，有时对过程的不同选择会使译文更加精炼和清晰。例如，

表1 不同老化阶段的奇异值 Tab.1 Singular value of the different stages

维数0 h24 h72 h144 h264 h384 h504 h10.831.300.864.304.214.194.2820.310.950.304.222.111.953.2930.170.860.272.040.831.901.4740.150.620.121.220.631.310.9850.140.560.120.860.530.890.8160.130.410.090.760.430.730.7270.110.380.090.690.410.640.7080.110.330.080.660.390.570.6590.110.300.080.500.310.550.59100.090.270.070.460.270.520.57110.090.260.060.460.260.500.49120.090.250.050.440.230.470.47130.080.240.050.420.190.440.44140.070.010.040.360.180.290.31

(4)根据N个分类结果对每个决定再进行投票表决得出该样本的最终分类结果。

图9 EMD-SVD特征量随老化时间变化 Fig.9 Change of EMD-SVD features with ageing time

2 油纸绝缘热老化阶段识别

2.1 RF原理

步骤如下：

目前，判断绝缘纸处在何种绝缘老化程度最为准确、有效、可靠的判据是其自身聚合度(Degree of Polymerization，DP)的水平，有规程约定：新绝缘纸的平均DP值约为1 000；DP值低至新绝缘纸的一半时代表变压器寿命已过半；DP值跌落至250时，变压器已经达到寿命的终点[12]。图2是各老化阶段的绝缘纸样品随时间变化趋势，验证了在进行加速热老化试验中七个取样点设置的合理性。

其次，计算每个IMF和消噪后原始复杂信号的互相关系数[14]，将其作为阈值来决定相应分量的保留与否，系数较大的前14位IMF分量构成特征矩阵，得到14个IMF分量的叠加信号，如图8所示，据图可直观看出14个IMF分量合成的信号能保留原信号的基本特征。最后，对14×20 000维的特征矩阵进行SVD分解，得到奇异值组成的14维向量，即EMD-SVD特征向量。

(2) 对训练集采用bootstrap重抽样法进行抽样，抽取N个训练集，记为训练集1，训练集2，……，训练集N，保证每个小的集合与X拥有相同的抽样数；

工科新教师培训为复杂系统工程。培训方式应根据培训内容、培训层次、培训目标的不同，本着服务为导向实施差异化选择［7］。两种或多种培训方式统合使用，是提高培训吸引力，激发工科新教师培训动力，提高培训质量的基本策略。

式中,定义ei=[1,exp(jωi),…exp(jωip)]T,i=1,2,3,M.由两子空间的正交性，构造出的功率谱估计函数为

不同老化时间的油纸试品分别进行局放信号测量，图4是具体测量电路。

图9是EMD-SVD分解值随老化时间加长变化规律。老化初期特征量值有明显增长趋势，接着趋于稳定，老化中期又有大幅增长趋势后又趋于稳定，老化末期有明显增长趋势且特征值量达到最大。老化七个时间阶段，EMD-SVD特征量分布有较明显的差异性，区分度较好，对进一步老化阶段识别研究有重要的参考意义。

图10 RF构建示意图 Fig.10 Schematic diagram of produce RF

2.2 老化阶段特征量识别

RF分类器学习效果的好坏与泛化误差的大小成反比，Breiman研究表明，可利用OOB对RF泛化误差进行无偏估计，OOB分类错误率越小，反映出RF分类力越强，识别可靠率越高。

提取了14维的EMD-SVD特征，EMD-SVD特征样本集大小为3 500。文应用RF作为分类器。图11是基于EMD-SVD特征的OOB误差与决策树数量的关系，设R为森林中树的数量，由文献[17]可知，当R=100时，RF分类准确度最高。

图11 EMD-SVD特征的OOB分类误差估计 Fig.11 Out-of-bag classification error of EMD-SVD feature

RF具有的随机性会造成每次测试结果的微小差异，所以设置同样参数进行多次测试，取其中5次分类结果的平均值作为样本的最终识别率。5次分类识别见表2，平均识别正确率90.42%。

表2 RF分类识别结果 Tab.2 Classification recognition results of RF

次数12345分类结果/%91.4290.3289.6291.0289.72

利用MATLAB平台分别利用BP神经网络、SVM和RF对上文获得的各热老化局部放电信号特征向量进行老化阶段分析识别。三种分类器对各热老化阶段的识别效果有所区别，呈现在表3中。

文中将原始训练集大小为3 500的14维的EMD-SVD特征中2 100个样本数据组成训练集，另外1 400个样本组成测试集，分别运用BP神经网络和SVM进行分类识别，识别出的结果分别为84.32%和87.00 %；将七个热老化阶段的全部样本输入RF分类器进行分类，油纸绝缘老化阶段的总识别率为90.42 %，如表4所示。

Caco-2人结肠腺癌细胞(源自中国科学院上海细胞资源中心)系由桂林医学院生物技术学院邹先琼教授馈赠，本研究室保种传代。DMEM高糖型细胞培养液(含10% FBS与1%青-链霉素双抗液)置于37 ℃、5% CO2环境下湿化培养。细胞贴壁长至80%时，胰蛋白酶-EDTA液按比例消化传代后用于实验。DMEM培养液(含LPS：2 μg/mL)处理细胞24 h制备细胞模型。模型细胞以辣木多肽(10 μg/mL、50 μg/mL、100 μg/mL、150 μg/mL)继续培养24 h并进行后续实验。正常组为未经过任何处理的正常Caco-2细胞。

对比两种单一分类器与RF分类器对油纸绝缘热老化阶段样本的EMD-SVD特征识别结果可知：基于EMD-SVD特征，RF表现出优于传统非集成分类器的识别效果。RF分类器不需要独立的测试样本就能实现分类误差的无偏估计，故其样本利用率高，与BP神经网络、SVM识别结果相比，其识别分类力更强，并且RF分类器识别稳定性更高。

表3 对比分类器各老化时间的识别效果 Tab.3 Compare the recognition effect of the aging time of the classifier

老化时间/h识别结果/(%)BP神经网络SVMRF089.5091.0091.102472.3072.0086.007278.5178.0079.1814489.4592.0092.4326483.4182.0099.3038488.0094.0094.7050488.40100.0099.90

表4 对比分类器的识别效果 Tab.4 Compare the effect of the classifier

分类器总识别率/(%)BP神经网络84.32SVM87.00RF90.42

3 结束语

首次将EMD-SVD特征与随机森林分类器结合应用于油纸绝缘热老化阶段识别中。首先提取局部放电信号EMD-SVD特征，利用BP神经网络、SVM这两种单一分类器与RF分类器分别对信号特征量分类，对老化阶段的识别结果进行对比，结果表明：利用RF分类器进行识别的结果比独立使用BP神经网络或SVM好；较之BP神经网络和SVM需要进行确定训练样本与测试样本的分类，利用RF分类器对老化阶段进行识别是采用独立的训练样本数据，实现了分类误差的无偏估计，识别可靠度提高。由分析得：基于EMD-SVD特征和随机森林分类器结合对变压器油纸绝缘热老化阶段评估具有一定的工程指导价值。

参 考 文 献

[1] 杨丽君,孙才新,廖瑞金,等.油纸绝缘老化状态判别的局部放电特征量[J].电力系统自动化,2007,31(10): 55-59.

Yang Lijun,Sun Caixin,Liao Ruijin,et al.Partial discharge features applied in aging condition discrimination of oil-paper insulation[J].Automation of Electric Power Systems,2007,31(10): 55-59.

[2] 胡文堂,高胜友,余绍峰,等.统计参数在变压器局部放电模式识别中的应用[J].高电压技术,2009,35(2): 277-281.

[3] R Candela,G Mirelli,R Schifani.PD recognition by means of statistical and fractal parameters and aneural network[J].IEEE Transations on Dielectrics and Electrical Insulation,2000,7(1): 87-94.

[4] 李剑,孙才新,杜林,等.局部放电图像组合特征提取方法[J].高电压技术,2004,30(6): 11-13.

Li Jian,Sun Caixin,Du Lin,et al.Method for extraction combination features of partial discharge images[J].High Voltage Engineering,2004,30(6): 11-13.

[5] 罗忠亮,林土胜,杨军,等.基于EMD和SVD的虹膜特征提取及识别[J].华南理工大学学报,2011,39(2): 65-70.

Luo Zhongliang,Lin Tusheng,Yang Jun,et al.Extraction and recognition of iris features based on empirical mode decomposition and singular value decomposition[J].Journal of South China University of Technology,2011,39(2): 65-70.

[6] 汤宝平,蒋永华,张详春.基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法[J].机械工程学报,2010,46(5): 37-43.

Tang Baoping,Jiang Yonghua,Zhang Xiangchun.Feature extraction method of rolling bearing fault based on singular value decomposition-morphology filter and empirical mode decomposition[J].Journal of Mechanical Engineering,2010,46(5): 37-43.

[7] 唐炬,林俊亦,卓然,等.基于支持向量数据描述的局部放电类型识别[J].高电压技术,2013,39(5): 1046-1053.

Tang Ju,Lin Junyi,Zhuo Ran,et al.Partial discharge type recognition based on support vector data description[J].High Voltage Engineering,2013,39(5): 1046-1053.

[8] Hao L,Lewin P L.Partial discharge source discrimination using a support vector machine[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(1): 189-197.

[9] Breiman L.Random Forests[J].Machine Learning,2001,45(1).

[10]王德文,孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报,2015,35(3): 527-537.

Wang Dewen,Sun Zhiwei.Big Data analysis and parallel load forecasting of electric power user side[J].Proceedings of the CSEE,2015,35(3): 527-537.

[11]黄新波,李文君子,宋桐,等.采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断[J].高电压技术,2016,42(5): 1617-1623.

Huang Xinbo,Li Wenjunzi,Song Tong,et al.Application of bagging-CART algorithm optimized by genetic algorithm in transformer fault diagnosis[J].High Voltage Engineering,2016,42(5): 1617-1623.

[12]周家斌.油中悬浮微粒产生的局部特性与特征提取研究[D].重庆: 重庆大学,2012.

[13]刘卫东,刘尚合,胡小锋,等.小波阈值去噪函数的改进方法分析[J].高电压技术,2007,33(10): 59-63.

Liu Weidong,Liu Shanghe,Hu Xiaofeng,et al.Analysis of modified methods of wavelet threshold de-noising function[J].High Voltage Engineering,2007,33(10): 59-63.

[14]Ali Komaty,Abdel-Ouahab Boudraa,Benoit Augier,et al.EMD-based filtering using similarity measure between probability density functions of IMFs[J].IEEE Transactions on Instrumentation and Measurement,2014,63(1): 27-34.

[15]曹正凤.随机森林算法优化研究[D].北京: 首都经济贸易大学,2014.

[16]赵腾,王林童,张焰,等.采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J].中国电机工程学报,2016,36(3): 604-614.

Zhao Teng,Wang Lintong,Zhang Yan,et al.Relation factor identification of electricity consumption behavior of users and electricity demand forecasting based on mutual information and random forests [J].High Voltage Engineering,2016,36(3): 604-614.

[17]刘敏,郎荣玲,曹永斌.随机森林中树的数量[J].计算机工程与应用,2015,51(5): 126-131.

Liu Min,Lang Rongling,Cao Yongbin.Number of trees in random forest[J].Computer Engineering and Applications,2015,51(5): 126-131.