基于矩特征与概率神经网络的局部放电模式识别

来源：SCI期刊网 分类：电子论文 时间：2022-04-19 09:33 热度：

　　摘要：局部放电信号检测时易受随机噪声干扰，会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度，提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征，然后，将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型，将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明，所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。

　　关键词：局部放电;模式识别：局部放电相位分析：矩特征;概率神经网络

　　0引言

　　电气设备在强电场的作用下会产生局部放电，长时间的局部放电累积会引起电气设备一系列物理和化学反应，加速绝缘损坏过程，造成电气设备绝缘性能劣化。因此，对电气设备的局部放电状况进行监测是电气设备保护和故障诊断的重要内容。局部放电模式识别是局部放电状况监测的核心环节，它主要包括局部放电模式构造、特征量设计和识别器构造三个部分。

　　近年来，有多种方法应用于局部放电(PD)模式识别，如神经网络、模糊逻辑、小波变换和支持向量机【u等。其中，神经网络由于具有很强的联想能力、适应性以及自组织能力，使得它在广阔的领域获得了大量的应用和研究。人工神经网络的研究已经与模糊逻辑的研究相结合应用于放电类型识别以及放电点定位【2J。小波变换经常被应用于局部放电的特征量设计，这是由于小波变换能分析信号的时一频结构，表征信号的局部正则性，能够从极强的背景干扰中检测出微弱的局部放电信号，所以利用小波包与核主成分分析算法提取特征，引入二代小波与BP神经网络进行放电模式识别[3-53也是目前应用与研究的热点。极限学习机(ELM)是一种新型的快速学习算法，最大的特点就是相对于传统的神经网络，它的学习算法速度快得多。文献[6]将极限学习机应用于变压器故障诊断，并针对数据集中样本不均衡的问题提出了一种加权ELM算法。文献[7]将分形理论与支持向量机(SVM)结合应用于局部放电模式识别，取得了不错的效果，但SVM并不适合于解决多分类大样本的问题。

　　随着神经网络理论的发展，提出了概率神经网络(PNN)。文献[8】将相关系数矩阵和概率神经网络结合用于局部放电模式识别。文献[9】使用遗传算法优化概率神经网络的平滑因子，并把它应用于变压器故障诊断，得到了很不错的分类效果。概率神经网络实质是基于贝叶斯最小风险准则发展来的一种并行算法，它是完全前向的计算过程，分类正确率比较高，不论多复杂的分类问题，只要训练数据够多，就可以获得贝叶斯准则下的最优解，它的权值和阈值都是由训练样本一步确定，无需迭代，所以训练速度也很快。

　　设计特征量是另一个研究重点，利用小波变换去唰10]，利用小波包系数和LBG编码结果作为特征量均有研究。但是以灰度图中心矩作为特征量的研究文献并不多，矩可以全面地描述图像特征，二阶可以表示图像相对其垂直轴和水平轴的惯性矩，三阶表示图像对垂直轴和水平轴的不对称性，所以本文通过局部放电相位分布(PRPD)三维图谱【llJ生成灰度图，再计算出灰度中心矩输入概率神经网络，得出正确率以及识别速度，再和另外三种分类器分类效果进行对比。

　　1.2灰度图

　　本文采集尖板放电、球板放电两种局部放电类型。图l为针板电极局部放电脉冲信号波形，图2 为球板电极局部放电脉冲信号波形。

　　通过局部放电相位分布(PRPD)三维图谱生成灰度图，放电相位分成150份，灰度值的大小表示在每个相位区间每种幅值对应的放电重复率。灰度图像的灰度级为0-255，以最大放电次数对应最小灰度值，最小放电次数对应最大灰度值构成局部放电灰度图像，图3为针板电极局部放电，图4为球板电极局部放电。

　　2 基于PNN的局部放电模式识别

　　2.1概率神经网络

　　概率神经网络(PNN)是一种概率密度分类估计和并行处理的神经网络，它采用高斯函数为基函数形成概率密度分布估计和贝叶斯优化规则。PNN由输入层、隐含层和竞争层构成，它的隐含层传递函数为径向基函数，输出层采用竞争输出，最后只有一个神经元获胜，获胜神经元即表示输入的类别。在数学上，它的结构合理性可以由Cover定理证明，即将复杂的模式分类问题投射到高维空间将比投射到低维空间更容易解决，所以PNN的隐含层神经元较多。隐含层神经元数量越多，网络的逼近精度就越高，但网络复杂度也会随之提高。

　　2.3设计网络结构

　　网络输入即为表征局部放电信号的特征参数，本文根据局部放电相位分布图谱得出灰度图，根据式(6)计算两种局部放电灰度图像三阶以下中心矩，消除相同的部分，剩下6个中心矩风：，“。，风，，鸽o，M2，鸬l。

　　本文对每种放电类型采集1 15组数据，80组为训练样本，所以网络隐含层有160个节点，对应160个训练样本，其中盯为平滑因子，对分类结果有很大的影响，此参数一般是由经验给出，本文取盯=0.1。

　　网络输出有两个节点，分别对应两种类型的局部放电，即尖板和球板放电，PNN的输出即为诊断出的局部放电类型。

　　2.4结果分析

　　本文采集两种典型电极(针板、球板电极系统) 的局部放电信号进行模式识别试验。最终以识别率和程序运行10次平均的运行时间作为评估标准。使用概率神经网络最终分类结果如表1所示，运行时间为0.35 S。

　　表1中行表示实际类型，列表示预测类型，例：第一行数字33和2分别表示35组实际为针板放电类型数据被判别为33组针板放电类型，2组球板放电类型。

　　3 局部放电放电类型识别对比

　　BP神经网络是神经网络中应用最广泛的算法，它的结构比较简单，可调整的参数和训练算法也多。但是学习收敛速度太慢，不能保证收敛到全局最小点，网络结构也不易确定u 31。本文采用单隐含层BP 神经网络，隐含层传递函数为双曲正切S型传递函数 tansig，输出层传递函数为线性函数purelin。隐含层神经元个数对BP神经网络性能影响较大，本文选用决定系数作为评价指标，其计算公式如式(8)。

　　本文来源于：《电力系统保护与控制》(半月刊)创刊于1973年，是由国家电网中电装备许继集团有限公司主管、国家电网中电装备许昌智能电网装备试验研究院(原许昌继电器研究所)主办的全国性电工技术类科技期刊。设有：继电保护、电力系统分析与控制、电网规划设计与性、电力市场、电能质量等栏目。

　　极限学习机是一个基于单隐层前馈神经网络的新算法，该算法只需要设置神经网络的隐含层节点数量(本次试验默认为样本个数)以及激活函数，运行的过程中不需要调整网络的输入权值以及隐含层神经元的阈值，并且产生唯一的最优解，具有学习速度快、泛化性能好的优点，因此越来越多的研究人员开始关注这一算法，并提出了很多改进方法。 ELM和PNN有一定的相似性，因为它的隐含层神经元个数和训练样本个数相等，不同之处则是PNN 的输入层和隐含层连接权值以及隐含层神经元阈值是固定的，但ELM是随机的且激活函数不同。ELM 的运行速度和PNN相当。本文ELM隐含层传递函数选择sign函数，即符号函数，最终分类结果如表 3，平均运行时间为0.12 S。

　　为了对比以上神经网络的分类效果，本文选择了朴素贝叶斯算法。此算法被很多研究人员用于局部放电模式识别，有着坚实的数学基础以及稳定的分类效率。同时，模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单，模型与其他分类方法相比具有最小的误差率。但是朴素贝叶斯算法的分类效果受属性相关性影响，如果各属性之间相互独立，那分类效果会比较好，相关性越大，分类效果越差，最终分类结果如表4，平均运行时间为0.25 s。

　　朴素贝叶斯算法对各属性的相关性要求很高，而针对不同的属性如何进行离散化目前并没有很好的方法。BP算法是神经网络中很有代表性的算法，但它需要设置的参数比较多，网络结构也比较复杂，运行时间比较长。ELM的设置参数很少，结构比较简单，目前对它的研究与应用并没有很多。PNN增加训练样本时无需对网络重新进行训练，而且仅有平滑因子盯对分类效果影响较大19J，使用前也不需要对各属性进行离散化，需要设置的参数也比较少。从以上对比可见，PNN的分类效果令人满意。

　　4 结论

　　为了提高局部放电模式识别的识别率以及识别速度，本文提出了基于矩特征与概率神经网络的识别器。首先，使用局部放电相位分布模式(PRPD)解释PD信号。PRPD已经被证明是一个很有用的局部放电模式【l 3。14j，就是缈一q一珂模式。通过采集尖板、球板放电类型的相位、放电量、放电次数生成灰度图，然后通过式(6)计算中心矩，中心矩能够对妒一q～胛所生成的灰度图像进行很好的描述，最后输入概率神经网络进行识别。实验结果表明，以灰度图像中心矩作为特征值，以概率神经网络作为识别器的分类效果令人满意。——论文作者：周沙，景亮

　　参考文献

　　[1] CHO S I.On-line PD(partial discharge)monitoring of power system components[D】.Finland：Aalto University, 2011.

　　[2] 程相杰，高沁翔.模糊神经网络在变压器油中溶解气体故障诊断中的应用【J].电气技术，2007(11)：58-59，62. CHENG Xiangjie，GAO Qinxiang.Application of fuzzy neural network to transformer fault diagnosis by dissolved gas—in-oil[J].Electrical Engineering，2007(1 1)： 58-59.62.

　　[3] 姚海燕，张静，留毅，等.基于多尺度小波判据和时频特征关联的电缆早期故障检测和识别方法【J】.电力系统保护与控制，2015，43(9)：115-123. YAO Haiyan，ZHANG Jing，LIU Yi，et a1.Method of cable incipient faults detection and identification based on multi--scale wavelet criterions and time··frequency feature association[J].Power System Protection and Control，2015，43(9)：1 15一123.

　　[4] 邓雨荣，郭丽娼，郭飞飞，等.引入二代小波的自适应 BP神经网络局部放电故障识别[J】.电力建设，2013， 34(61：87—91. DENG Yurong，GUO Lijuan，GUO Feifei，et a1.Partial discharge fault identification by using adaptive BP neural network based on second generation wavelet[J].Electric Power Construction，2013，34(6)：87·91.

　　[5] 关维国，姚清志，高阳，等.基于db4小波的配电网暂态电能质量扰动的检测与定位[J】.电力系统保护与控制，201 5，43(8)：102.106. GUAN Weiguo，YAO Qingzhi，GAO Yang，et a1. Transient power quality detection and location of distribution network based on db4 wavelet transform[J]. PowerSystemProtectionandControl，2015，43(8)：102—106.

　　[6] 遇炳杰，朱永利.加权极限学习机在变压器故障诊断中的应用【J】。计算机工程与设计，2013，34(12)： 4340—4344. YU Bingjie，ZHU Yongli.Transformer fault diagnosis using weighted extreme learning machine[J].Computer Engineering and Design，2013，34(12)：4340—4344.

　　[7] MASHESWARI R V SUBBURAJ E VIGNESHWARAN B.et a1.Non linear support vector machine based partial discharge patterns recognition using fractal features[J]. Journal of Intelligent and Fuzzy Systems，2014，27(5)： 2649·2664.

　　[8] 苑津莎，尚海昆，王瑜，等.基于相关系数矩阵和概率神经网络的局部放电模式识另jeJ[j].电力系统保护与控制，2013，4l(13)：110一115。 YUAN Jinsha,SHANG Haikun，WANG Yu，et a1.Pattem recognition for partial discharge based on correlation coemcient matrix and probabilistic neural networks[J]. Power System Protection and Control，2013，41(13)： 110.115.

　　[9] 陈波，郭壮志.基于优化平滑因子仃的概率神经网络的变压器故障诊断方法研究【J】.现代电力，2007，24(2)： 44—47. CHEN Bo。GUO Zhuangzhi。Fault diagnosis method research oftransformer based on optimized smooth factor of probability neural network[J].Modem Electric Power, 2007，24(2)：44—47.

　　[10J ZHANG Hao，BLACKBURN T R，PHUNG B T’et a1.A novel wavelet transform technique for on—line partial discharge measurements part l：WT de-nosing algorithms[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2007，14(1)：3-14.

　　[11]周凯，李旭涛，黄华勇，等.电缆终端安装刀痕缺陷的局部放电特性分析[J].电力系统保护与控制，2013， 41(101：104—110. ZHOU Kai，LI Xutao，HUANG Huayong，et a1.Analysis of partial discharge characteristics for installing cutting defects in cable terminations[J].Power System Protection and Control，2013，41(10)：104-110.

　　E12]李剑.局部放电灰度图像识别特征提取与分形压缩方法的研究[D].重庆：重庆大学，2001. LI Jian.Smdy on methods of recognition feature extraction and fractal compression for partial discharge gray intensity images[D】.Chongqing：Chongqing University, 2001.

文章名称：基于矩特征与概率神经网络的局部放电模式识别

文章地址：http://www.sciqk.com/lwfw/dzlw/13184.html