随着电网电压等级和输电容量的不断增大，特高压输变电装备绝缘可靠性要求也越来越严格[1,2]。局部放电（Partial Discharge, PD）是造成电力设备绝缘故障的主要原因，识别不同放电类型在工程实际中具有重要意义[3]。国内外对电气设备内部PD缺陷类型的诊断和识别进行了大量的研究工作。

目前，常用的PD识别方法主要包括线性判别法、人工神经网络、支持向量机和聚类分析等[4-7]。但这些方法大都是通过对已知放电类别样本的训练和学习，实现待识别样本的分类与诊断，它们只能识别出样本库中已有的放电类型，当有新类别的放电样本出现时，将会产生错误的分类结果。

而在实际的工程应用中，电力设备故障复杂多样，已有的训练样本库中不可能包含所有放电类型，必然存在一定的疏漏，而构建绝对完备的样本库工作量巨大，并不可行。因此，如何利用有限的放电样本对未知的放电类型进行准确分类，对于电气设备PD诊断具有重要意义，而有关这一方面的研究却鲜有涉及。

为了弥补这些缺陷，新能源电力系统国家重实验室（华北电力大学）的高佳程、朱永利、贾亚飞、郑艳艳、刘帅，在2018年第15期《电工技术学报》上撰文，提出了一种基于改进支持向量数据描述（Support Vector Data Description, SVDD）与马氏距离的未知样本识别方法，并将其用于PD的模式识别中。

SVDD是D. M. J. Tax等[8]在支持向量机理论之上提出的一种经典的单值分类器，能够有效地解决故障诊断问题中小样本、未知样本识别等问题，已在机械设备诊断、人脸识别和图像处理等领域表现出了良好的前景，但在PD类型的识别与分类中应用较少。

文献[9,10]采用SVDD算法分别对变压器和气体绝缘组合电器（Gas Insulated Switchgear, GIS）设备的不同类型故障样本进行了分类，但仍不能解决未知类型样本的准确识别问题。

马氏距离（Mahalanobis distance）是由印度统计学家R. D. Mahalanobis[11]提出的一种以数据间协方差距离计算两个未知样本集间相似度的距离度量方法。马氏距离独立于测量尺度，不受量纲影响，克服了传统欧式距离忽略各样本特征之间关联性的缺陷，其微小变量的识别较明显，对于不同类型的相似样本具有较好的区分度[12]。

本文所提出的识别方法中，首先利用SVDD算法对已知类型的放电样本进行训练，获得训练样本的超球体中心a和半径R及各类已知类别放电样本的球心ai；其次，利用Otsu准则的双阈值判定方法，根据求解出的阈值R1和R2重新划分样本超平面，并设置不同区域内的判定准则；最后，依据各区域内的判定准则，利用基于 Mahalanobis 距离的分析方法对待测放电样本进行识别和分类。为验证所提出识别方法的有效性，本文对试验环境下实测放电样本进行识别，并将传统SVDD算法和欧式距离的识别结果进行对比。

作者最后认为：

1）提出一种基于改进SVDD算法和马氏距离的未知PD类型的识别方法，通过改进SVDD算法确定不同阈值，对特征空间划分不同的样本区域，设定不同判定准则，再以马氏距离为度量条件识别采集样本的放电类型是否已知。将识别结果与传统SVDD算法进行对比，结果表明本文提出的方法具有较高的识别率。

2）依据Otsu准则设置双阈值识别待测样本的放电类型，为SVDD算法中阈值的确定提供了新思路。

3）利用待测样本到各类型放电中心的马氏距离作为判定样本放电类型的依据，相较于欧式距离的判定方法具有更好的识别效果。

4）本文只是采用试验数据对所提出的方法进行了验证，而实际工程中，可能存在更多种可能的已知和未知的放电类型。因此，在实际应用中，需将已经确定的样本作为训练样本，据此判断待测样本是否属于已知类。

图4 PD试验模型