基于NSST-SR的GIL局部放电光电图谱融合算法

为解决气体绝缘输电线路局部放电光电联合检测过程中因信号缺失对模式识别造成干扰的问题，提出一种基于非下采样剪切波变换(non-subsampled shearlet transform,NSST)和稀疏表示(sparse representation,SR)的光电图谱融合算法，将光学局放相位分布(phase-resolved partial discharge,PRPD)图谱和特高频局部放电PRPD图谱通过NSST分解为低频和高频子带图，基于最大绝对值和SR进行子带图融合，然后经过NSST逆变换得到融合图谱。最后，提取图谱特征并降维，代入K近邻、支持向量机、朴素贝叶斯和决策树分类器进行模式识别，并与其他融合算法效果进行对比。实验结果表明：不论样本总体数量大小、样本训练集与测试集相对数量比例大小，该文提出的算法均能较完整地融合两种源图谱的信息，局放模式识别准确率高于单一NSST算法或SR算法。在小样本(150)情况下，准确率可达89.2%，样本足够大时，准确率最高可达98.5%；当训练集样本数小于测试集样本数时，准确率依旧在70.0%以上，最高达88.0%。该文提出的融合算法可为提高气体绝...