基于随机森林的局部放电特征提取和优选研究

姚 锐，惠 萌，李 俊，白 璘，武奇生

(1.长安大学,陕西 西安 710064；2.国网陕西省电力公司电力科学研究院，陕西 西安 710049)

0 引 言

通过不同的特征提取方法得到的局部放电模式识别所需的特征空间，或者称为特征集，不同特征集的特征参数之间既有差异性，又有互补性，因此将不同特征集进行组合，得到组合特征集。由于组合特征集的维度较高，相应的样本量也会增大，需要的存储空间和计算量也随之增大；特征参数中存在有与类别相关度较小的特征，特征参数相互之间可能包含有冗余信息。为了节省存储空间，减少计算所需时间，获取本质特征，降低分类模型的难度。因此，需要对特征集进行最优特征子集选择[1-4]。

需要移除的特征通常分为两类：一类是冗余特征，即特征出现重复；另一类是不相关特征。这种从d维特征到d’维特征的子集变换称为特征选择，最终使用这些d’维的特征进行模型训练。常见的特征选择方法大致分为三类：滤波方法(Filter approach)、包装方法(Wrapper approach)和嵌入方法(Embedding approach)。这些特征选择方法已被应用于多种领域并取得了较好的识别结果。文献[5]对基于局部放电灰度图像分解通过二维主成分分析提取的水平和垂直方向上的9个具有代表性的特征参数，为了进一步提高识别性能，基于非支配排序遗传算法的特征选择技术被用于降低特征维数。文献[6]提出了一种基于随机森林的局放特征优选新方法用于高压电缆局部放电特征构建与优化。文献[7]为了降低局部放电识别参量的维度，定义了特征向量可分性评估准则，并使用浮动前向搜索算法选取了可分性最优的9组特征参量。……