In this paper, an algorithm for feature extraction and classification of high-pressure gas insulation system defects based on statistical analysis of time-domain parameters of partial discharge (PD) signals is presented. The algorithm focuses on the measurement and interpretation of PD signals in the time domain in completion of our previous paper on multiple-source phase resolved patterns. In this procedure, the PD measurements are conducted in different artificial defects that commonly happen in gas-insulated substations (GIS) such as corona, moving particles, floating electrodes, and metallic protrusions. To overcome the noise problem, wavelet transform (WT) technique is applied on the recorded signals. The PD pulse waveform parameters, namely rise time, fall time, slew rate, and pulse width are calculated, investigated and used as the discriminative features to represent each type of PD signals. The separation of PD sources is implemented based on Weibull distribution and K-means unsupervised clustering technique. The higher level statistical based features of each cluster are calculated, studied and used as the inputs of a kernel support vector machine (KSVM) classifier in order to classify multiple PD sources in a robust way. The results of this work demonstrate that the presented probabilistic diagnostic algorithm to extract features from time-domain PD pulse waveforms and their corresponding probabilistic distribution can be employed to cluster and classify PD signals based on their source of origin.

中文翻译：

---

使用基于统计的特征分析对并发局部放电信号进行分离和分类

本文提出了一种基于局部放电(PD)信号时域参数统计分析的高压气体绝缘系统缺陷特征提取与分类算法。该算法侧重于时域中 PD 信号的测量和解释，以完成我们之前关于多源相位分辨模式的论文。在此过程中，局部放电测量是在气体绝缘变电站 (GIS) 中常见的不同人工缺陷中进行的，例如电晕、移动颗粒、浮动电极和金属突起。为了克服噪声问题，小波变换 (WT) 技术应用于记录的信号。计算PD脉冲波形参数，即上升时间、下降时间、压摆率和脉冲宽度，研究并用作区分特征来表示每种类型的 PD 信号。PD 源的分离是基于 Weibull 分布和 K-means 无监督聚类技术实现的。每个集群的更高级别的基于统计的特征被计算、研究并用作内核支持向量机 (KSVM) 分类器的输入，以便以稳健的方式对多个 PD 源进行分类。这项工作的结果表明，所提出的从时域局部放电脉冲波形中提取特征的概率诊断算法及其相应的概率分布可用于基于局部放电信号的来源对局部放电信号进行聚类和分类。PD 源的分离是基于 Weibull 分布和 K-means 无监督聚类技术实现的。每个集群的更高级别的基于统计的特征被计算、研究并用作内核支持向量机 (KSVM) 分类器的输入，以便以稳健的方式对多个 PD 源进行分类。这项工作的结果表明，所提出的从时域局部放电脉冲波形中提取特征的概率诊断算法及其相应的概率分布可用于基于局部放电信号的来源对局部放电信号进行聚类和分类。PD 源的分离是基于 Weibull 分布和 K-means 无监督聚类技术实现的。每个集群的更高级别的基于统计的特征被计算、研究并用作内核支持向量机 (KSVM) 分类器的输入，以便以稳健的方式对多个 PD 源进行分类。这项工作的结果表明，所提出的从时域局部放电脉冲波形中提取特征的概率诊断算法及其相应的概率分布可用于基于局部放电信号的来源对局部放电信号进行聚类和分类。研究并用作内核支持向量机 (KSVM) 分类器的输入，以便以稳健的方式对多个 PD 源进行分类。这项工作的结果表明，所提出的从时域局部放电脉冲波形中提取特征的概率诊断算法及其相应的概率分布可用于基于局部放电信号的来源对局部放电信号进行聚类和分类。研究并用作内核支持向量机 (KSVM) 分类器的输入，以便以稳健的方式对多个 PD 源进行分类。这项工作的结果表明，所提出的从时域局部放电脉冲波形中提取特征的概率诊断算法及其相应的概率分布可用于基于局部放电信号的来源对局部放电信号进行聚类和分类。