内容发布更新时间 : 2024/5/12 19:11:15星期一 下面是文章的全部内容请认真阅读。
龙源期刊网 http://www.qikan.com.cn
神经网络在局部放电模式识别中的应用
作者：李梅芳 郑殿春
来源：《中国校外教育·理论》2008年第04期
[摘要]高压电器绝缘缺陷容易引起局部放电，对局部放电属性进行模式识别，可以找出产生局部放电的原因，从而可以预防事故的发生，本文结合以上内容分析小波神经网络在局部放电模式识别中的应用，结果表明它能对局部放电模式进行有效识别。 [关键词]局部放电 模式识别 神经网络 一、概述
高压电器中存在着如金属突起、自由移动的金属粒子、绝缘内部气隙等形式的绝缘缺陷，这些绝缘缺陷将会在一定的条件下在高压电器内部引起局部放电，从而引发事故，为此需要对高压电器定时进行检修维修，这样必然会造成人力财力方面的浪费。解决的办法就是利用局部放电的模式识别技术。模式识别理论诞生于20世纪60年代，70年代被首次应用于局部放电识别中。进入90年代，神经网络理论开始应用于局部放电模式识别领域。
研究发现，局部放电信号虽然很微弱，但它却包含有关绝缘的丰富信息。对局部放电进行模式识别，从而确定引起局部放电的绝缘缺陷类型，有利于电力系统中高压电器运行状态监测、预报和维护方案的确定。
对局部放电模式的识别关键是对局部放电信号的时域特征和频域特征进行分析研究。但局部放电时频特征量大，若要使模式识别率达到更高，就必须将这些无用的时频特征从特征向量中剔除出去——模式分类器，模式分类器的质量直接影响到局部放电模式识别率。传统模式分类器BP神经网络，其识别率受隐层单元数目的影响大，如何选择隐层单元数目却没有理论依据指导。小波神经网络是小波变换和神经网络相结合构造的一种新型网络，它具有很高的网络学习速度，能最大限度地对信号进行特征提取，对函数的逼近效果好。因此，小波神经网络作为一种新型的模式分类器，在局部放电模式识别领域得到应用。
二、局部放电信号的采集
龙源期刊网 http://www.qikan.com.cn
实践证明不同电场分布导致的局部放电具有不同的表现形式。依据高压电器运行过程发生局部放电故障统计数据，可以将局部放电形式归纳为极不均匀电场、不均匀电场和稍不均匀电场分布条件下，绝缘介质局部发生放电的表现。为此，作者制作尖对尖、尖对板、球对板三种局部放电模型，用以模拟上述三种不同电场分布情况下的局部放电。运用脉冲电流法采集局部放电信号，采集到的局部放电信号经由同轴传输线数据进行操作，如下图所示。
通过DSO-2902数据采集装置直
接输送到计算机内指定存储单元，由自行研制的局部放电数据采集软件系统对计算机内的信号
三、局部放电模式识别特征
从原始信息得到特征通常需要经过复杂的非线性运算。很多实际问题中常常不容易找到那些最重要的特征，或受条件限制不能对它们进行采集和测量，使得如何生成特征成为构造模式识别系统最困难的任务之一。模式識别中，特征提取的任务就是根据具体模式识别任务从众多特征中提取最优的特征，也就是提取那些在特征向量空间中类间距离大而类内方差小的特征。 常用的局部放电特征有：统计特征、图像灰度矩特征和时频特征。近年来，时频分析作为一种有效的信号分析工具得到广泛的应用，特别是对于处理具有时变频谱的非平稳信号，具有独特优势。局部放电信号是非平稳信号，它包含长时低频和短时高频不同尺度的信号，对局部放电信号进行联合时频分析提取局部放电信号的时频特征，既能把握信号时频的全貌，又能使其局部特性得到很好的体现，更容易揭示局部放电的本质特征。
四、神经网络在局部放电模式识别中的应用
龙源期刊网 http://www.qikan.com.cn
若要对局部放电信号进行时频分析，用一般的变换方法很难达到要求。傅立叶变换是一种纯频率变换，虽然具有最优的频率分辨率，但它基本上不具有时间分辨能力，不能提供任何局部时间段上的频率信息。短时傅立叶变换虽然具有一定的时频分析能力，但它不能根据高、低频信号的特点，自适应地调整时-频窗，在时-频局部化的精细方面和灵活方面表现欠佳。小波变换是一种多尺度分解的时频变换，具有良好的时间域和频率域局部化特性，是信号时频分析的有效手段。
正交小波神经网络是小波神经网络的一个分支，它的基本思想是用小波元替代神经元，用已定位的小波函数替代Sigmoid函数作激励函数，通过仿射变换建立起小波变换与网络参数之间的联系。它继承了小波框架的优点，而且由于小波基函数的正交性，使得正交小波神经网络对函数的逼近效果更好。
一维正交小波神经网络结构为三层前馈型网络，它包括一个输入层，一个隐层，一个输出层。输入层单元为直通型，输入层和隐层之间的连接权值为
（M为小波分析中尺度函数
的尺度）；隐层单元的激励函数为尺度函数，相应隐层单元的阈值用尺度函数的平移量替代（隐层第k个单元的阈值为k），隐层和输出层之间的连接权值可调；输出层单元的激励函数是求和函数。这样，一维正交小波网络可用数学式表示为：
由上式可以看出，当对正交小波神经网络进行训练时，其待定的参数只有隐层和输出层之间的权值，待训练参数少，所以正交小波神经网络学习速度快。同时，对于正交小波神经网络，当训练样本数N无穷增大时，网络输出将无限逼近网络的期望输出，即说明有较高的模式识别率。
综上所述，正交小波神经网络能对局部放电模式进行有效的识别，它在局部放电模式识别领域具有一定的普遍意义。
（作者单位:黑龙江建筑职业技术学院；黑龙江哈尔滨理工大学）