（高电压与绝缘技术专业论文）基于bp网络的局部放电模式识别.pdf

摘要 基于b p 网络的局部放电模式识别 摘要 局部放电水平是评估高压电器绝缘状态的重要技术指标之一，它不仅反 映绝缘状态，而且可以估算出电器设备绝缘的使用寿命。但是局部放电的随 机性影响了局部放电信号的采集，降低了局部放电模式识别的效果。论文 构造了基于b p 网络的新型分类器，探讨了该分类器用于局部放电信号 的特征提取及模式识别的可行性。同时也进行了信号去噪方法的实验探 索。其意义在于避免网络拓扑构成的盲目性，提高局部放电模式识别的效 果。 本论文对比研究了基于b p 网络的局部放电灰度矩特征提取及其模式识 另u 、基于正交小波神经网络局部放电统计特征量的模式识别和基于自适应特 征提取小波神经网络局部放电模式识别方法。 文中将局部放电脉冲信号波形看作是一幅具有某种灰度分布的图像，利 用灰度矩的概念，借助图像识别技术对局部放电脉冲信号灰度分布图像进行 特征提取，给出了特征量提取算法，对针板和球一板电极产生的局部放电信 号进行灰度矩特征量提取后，作为b p 神经网络的输入向量矩阵，经过学习 训练，使识别率达到7 5 。 本文利用局部放电信号的统计特征量作为i f 交小波神经网络的输入向 量，经过学习训练，得到该网络的识别率为8 2 。 在分析b p 网络和正交小波神经网络用于局部放电模式识别时存在不足 的基础上，本文提出并构建了自适应特征提取小波神经网络。按照前馈型网 络的构成方式将最优局部放电信号时频特征提取和模式分类功能集于一体， 通过小波神经网络隐层元的激励函数( 小波函数) 与局部放电信号的变换来 完成特征量的提取。实现了模式的可分性，也保证了分类器结构的最佳化， 避免了网络拓扑构成的盲目性，提高了模式识别效果。利用自适应特征提取 小波神经网络对三种典型电极( 针一板、针，针和球一板电极系统) 的局部放 电信号进行模式识别试验，经过特征量提取和网络学习i i 练后，网络的识刹 率达到9 0 。 此外，为了满足局部放电模式识别的需要，论文对局部放电脉冲信号、 晴尔滨理工人学t 学博士学位论文 典型干扰信号( 函数) 的奇异性以及在小波变换过程中，在不同尺度下表现 出的不同特征进行了理论分析和去噪仿真计算，同时针对局部放电信号采集 过程易受现场杂散信号干扰的特点，研究提出了多次小波和复合小波快速去 噪算法。通过对实验系统所产生的含周期噪声、白噪声的局部放电信号的小 波去噪处理，结果表明，本文提出的多次小波去噪和复合小波去噪算法具有 满意的效果。 以上研究成果不仅为局部放电在线检测中的模式识别进一步研究提供了 参考，而且也为信号处理的理论和实践提供了新的思路，为以后该领域的研 究奠定了基础。 关键词 局部放电；模式识别；复合小波去噪；小波神经网络；自适应特 征提取 p dp a t t e r nr e c o g n i t i o nb a s e do nb p n e t w o r k a b s t r a c t p a r t i a ld i s c h a r g e ( p d ) l e v e li so n eo fi m p o r t a n tt e c h n i c a li n d e x e sw h i c ha r e u s e dt oa s s e s s i n gt h ei n s u l a t i o ns t a t eo fh i g hv o l t a g ee l e c t r i c a la p p a r a t u s i ti sn o t o n l y r e f l e c t i o no ft h ei n s u l a t i o nc o n d i t i o n s ，b u ta l s op r e d i c t st h es e r v i c e e x p e c t a n c y l i f eo ft h ei n s u l a t i o nu s e di nt h eh i g hv o l t a g ee l e c t r i c a la p p a r a t u s h o w e v e r ，t h er a n d o m i c i t yo ft h ep a r t i a ld i s c h a r g ea f f e c t st h ep a r t i a ld i s c h a r g e s a m p l i n g m e a n w h i l e ，i ti sa l s om a k es o m et r o u b l e sf o rp a t t e r nr e c o g n i t i o no f p a r t i a ld i s c h a r g e t h ep r o j e c t sc a a r i e do u ti nt h i sd i s s e r t a t i o nh a v ed i s c u s s e dt h e p o s s i b i l i t yi n d e t a i l sf o rp dp a t t e r nr e e o n g i n i t i o nc o n s t r u c t e dn e wk i n d so f c l a s s i f i e r s ，e x t r a c t e dn e wf e a t u r e sa n di n v e n t e dn e wm e t h o dt od e - n o i s e ，a i m e da t t oi m p r o v et h ec l a s s i f y i n ge f f e c t sa n db e e na v o i d e da i m l e s sc o n s t r u c t i n gt h e n e t w o r kt o p o l o g y t h ep dp a t t e r nr e c o g n i t i o nm e t h o d sa r ec o m p a r e da n dn e ww a y sa r e b r o u g h tf o r w a r di nt h i sd i s s e r t a t i o n ，i n c l u d i n gam e t h o dt ou s es t a t i s t i c a lf e a t u r e s o f p a r t i a ld i s c h a r g e 、g r e yi n t e n s i t yi m a g e s f o rp dp a t t e r n r e c o g n i t i o n ，t h e s t a t i s t i c a lf e a t u r e sa r ec o n s i s t e do fm o m e n t s ，a n ds t a t i s t i c a lf e a t u r e so ft h ep d s i g n a l sb a s e do nt h eo r t h o g o n a lw n na n da n o t h e ri ss e l f - a d a p t i v ee x t r a c t i n g f e a t u r ew a v e l e tn e u r a ln e t w o r kc o n s t r u c t e db ya u t h o r t h em o m e n t sb a s e do nt h e g r e yi n t e n s i t yi m a g e s ，w h i c hi ss h o r tf o rm o l la n das p e c i a lc h a r a c t e r i s t i c s ，a r e f i r s tu s e di nt h ef e a t u r e se x t r a c t i n go ft h ep ds i g n a l s t h ep ds i g n a l sa r et a k e na sap i c t u r ew h i c hh a ss o m ed i s t r i b u t i o no ft h e g r e yi n t e n s i t yi m a g e s ，s ot h em e t h o dd e a l i n gw i t hi m a g e sf o rr e c o g n i t i o nc a nb e u s e df o rt h er e c o g n i z i n gp d t h em g i if e a t u r e so fp ds i g n a l ss a m p l i n gi nt h e l a ba r oi n p u tt h eb p n nf o rl e a r n i n ga n dt r a i n i n g ，t h ec o r r e c tr e c o g n i t ：i n gr a t e c a nb eu d t 07 5 i i i 哈尔滨理 二大学工学博士学位论文 t h es t a t i s t i c a lf e a t u r e sa r em a k e nu s eo ft a k i n ga st h ei n p u tm a t r i xo ft h e o r t h o g o n a lw n nf o rc l a s s i f y i n gt h ep dp a a t r e ne x t r a c t e df r o mt h ep ds i g n a l sb y t h ee x p e r i m e n tm o d e l s ，b e c a u s et h ee x c i t i n gf u n c t i o n so fo r t h o g o n a lw n n p o s s e s so r t h o g o n a l i t y ，a n dt h er a t e so fp a t t e r nr e c o g n i t i o nf o rp df a i l u r e sa r e m u c hh i g h e ra n dm a y b eu dt o8 2 a f t e ra n a l y z i n gt h ed e f e c t so ft h eb pn e u r a ln e t w o r ka n do r t h o g o n a lw n n ， ak i n do fn e wc l a s s i f i e r , c a l l e ds e l f - a d a p t i v ee x t r a c t i n gf e a t u r ew a v e l e tn e u r a l n e t w o r kt h a tb o t ho p t i m u mf e a t u r ea r ee x t r a c t e da n dp a t t e r n sa r er e c o g n i z e d s i m u l t a n e o u s l y ，i sf i r s tp r e s e n t e da n dc o n s t r u c t e di nt h er e s e a r c hp r o j e c ta n di t s c l a s s i f i c a t i o ne f f e c t so fp dp a t t e r n r e c o g n i t i o n a r ed e m o n s t r a t e db yt h e t h e o r e t i c a la n de x p e r i m e n t ，a n di t sl e a r n i n ga n dt r a i n i n ga r i t h m e t i ca r ep r o v e db y t h em a t h e m a t i c sa n dt h ee x p e r i m e n tr e s u l t s t h es e l f - a d a p t i v ee x t r a c t i n gf e a t u r e w a v e l e tn e u r a in e t w o r ki sas o r to ff e e d f o r w a r dn e u r a ln e t w o r kt h a th a sb o t h f u n c t i o no fc h o o s i n gt h eb e s te f f i c i e n c yp dt i m e f r e q u e n c yf e a t u r e sa n dp a t t e r n s o r t s ，i no r d e rt oi n c r e a s et h en e t w o r kc o n v e r g e n c er a t e ，t h ea d a p t i v el e a r n i n g s t e ps i z ea r i t h m e t i ci se m p l o y e dt oa d j u s tt h en e t w o r kl e a r n i n gr a t e s i nt h e p r o j e c t ，s a m p l i n gt h r e ek i n d sp ds i g n a l s ( n e e d l e n e e d l e ，n e e d l e p l a n e ，s p h e r e p l a n ee l e c t r o d es y s t e m s ) a n dt h e i rf e a t u r e sa r ee x t r a c t e dt ot r a i nt h es e l f - a d a p t i v e e x t r a c t i n gf e a t u r ew a v e l e tn e u r a ln e t w o r k ；i t sr e c o g n i t i o nr a t e sa r e9 0 t om e e tt h ed e m a n df o rp dp a t t e r nr e c o g n i t i o n 。t h es i n g u l a r i t yo fp dp u l s e s i g n a l sa n dt y p i c a ln o i s i n gs i g n a l s ( f u n c t i o n ) a r et h e o r e t i c a l l ya n a l y z e da n d d e m o n s t r a t e d ， r e s p e c t i v e l y ,f u r t h e r m o r e ，t h e i r d i f f e r e n tc h a r a c t e r i s t i c s a r e p r e s e n t e dd u r i n gt h ew a v e l e tt r a n s f o r m si nd i f f e r e n ts c a l e s ，t h e s ed i s t i n c tf e a t h e r s p r e s e n t e dt ot h ew a v e l e tt r a n s f o r m sc a nh e l pt oe x t r a c t i n gt h ep dp u l s es i g n a l s f r o mt h ea n yn o i s ed i s t u r b a n c e sa n dm a k es u r et h ep d p u l s es i g n a l sa r ef i d e l i t y a n dc o u l db er e a l l ye x p r e s s i v e 也ec h a r a c t e r i s t i co ft h ep ds o u r c e as o r to fd e n o i s em e t h o di sp r e s e n t e da n dt h ed e n o i s ep r o c e d u r ea n dv a l i da r i t h m e t i ca r e e x p l a i n e di nd e t a i l sa n dc a r r yo u ts u c c e s s f u l l ys i m u l a t i o nw i t ht h ec o m p u t e r t h e s er e s u l t sa c h i e v e df r o mt h er e s e a r c hp r o j e c tc o u l ds u p p l yf o rt e c h n i q u e a s s u r a n c ea n dt h e o r e t i c a lr e f e r e n c e sf o rp dd e t e c t i v eo n l i n e ，a n dt h er e s e a r c h a p p r o a c h e sa n di d e a so np dp a t t e r nr e c o g n i t i o na r er a d i c a lb a s i s e sf o rr e a l i z i n g t h e o r yb r e a k t h r o u g hi nt h ef u t u r e - i v a b s t r a c t k e y w o r d sp d ：p a t t e r nr e c o g n i t i o n ；m u l t i - w a v e l e td e n o i s e ；w a v e l e tn e u r a l n e t w o r k ；s e l f - a d a p t i v ef e a t u r ee x t r a c t i n g v 第1 章绪论 1 1 目的和意义 第1 章绪论 国际大电网会议( c i g r e ) 2 3 1 0 工作组的调查报告统计表明， 1 9 8 5 年以前 投入运行的高压电器故障中，绝缘故障占6 0 ，1 9 8 5 年以后投入运行的高压电 器故障中，绝缘故障占5 1 。从这些统计数字可以看出，高压电器中绝缘故障 占主要成分，而且，系统电压等级越高，发生绝缘故障的几率越大，这是由于 系统工作电压等级的提高、容量的增大，绝缘介质承受的工作场强也相应增大 所导致的必然结果。 高压电气设备的绝缘状态通常用介质损耗角正切值( t g6 ) 、泄漏电流和设 备的电容值等表征【4 】。电力部门通常对这些电器参数所采取的定期和预防性试 验就是保证发电机、变压器、g i s 等主要设备在两次大修期间的安全运行措施 之一。但是，这种措施存在固有的缺陷，主要表现为：定期停电不利于电 力系统经济运行，对设备进行一次检查，要花费大量的人力、物力和财力； 预防性试验及检测是在离线条件下对设备进行试验和检测，难以发现高压电器 潜伏性缺陷，更不可能实时预见和预测电气设备突发性事故。为此，世界各国 都在研究新的高压电器绝缘故障检测方法，其中，局部放电在线检测是研究的 热点之一。之所以成为研究热点，是因为绝缘局部放电是一个渐变过程，信号 虽然很微弱，但它却承载着高压电气设备的所有绝缘故障信息，是表征电介质 绝缘状态十分灵敏的量，是评价判断电气设备运行过程绝缘状态的重要参数之 一。 但是，由于高压电气结构特点和制造工艺的复杂性，使得其结构缺陷和绝 缘介质杂质存在具有不确定性，因而导致绝缘系统中发生电场畸变的不确定 性，亦即发生局部放电故障的随机性，即使相同的电场畸变( 缺陷) 在高压电 器中n 的不同位置引起的局部放电特征也不相同，给局部放电故障的诊断、监 测、定位和识别造成很大的困难。 由于高速数字化信号采集技术及其检测设备的发展，可实时监测、记录和 存储高压电气设备运行参数，提高局部放电信号在线可测性，运用相应理论方 法对局部放电信号分析处理，可以有效地推断高压电器设备绝缘缺陷属性、故 障位置和介质劣化程度，为综合评价电力设备运行状态和绝缘性能提供了可 哈尔滨理工人学工学博e 学位论文 能。 由上可知，绝缘局部放电信号的采集和处理是局部放电在线检测的关键技 术，本文所进行的放电模式识别方法的研究，就是试图在众多的模式识别中寻 求一种识别率高的算法，为局部放电在线检测提供强有力的软件支持。 理论分析和试验表明，电介质在电场作用下发生局部放电，除电介质本征 特性、含杂质特性及绝缘配合因素以外，取决于施加电场种类和绝缘结构中的 电场分布。当电场分布不均匀或者发生畸变，局部区域电场强度达到或超过介 质的耐电场强时，将发生局部放电。所以，本文在进行局部放电模式识别的基 础上，通过典型电极间电场不均匀程度( 针一针、针一板和球一板电极系统) 的 模拟实验，试图进一步获取局部放电相关信息，如局部放电信号波形同典型电 极间电场不均匀程度的相关性等，为局部放电在线检测和预警提供参考判据。 1 2 国内外研究现状 为满足电力系统电力检修的需求，高压电器设备的局部放电在线检测等技 术，特别是其中的关键技术局部放电模式识别，得到了长足的发展。目前， 每年在国内外杂志上发表了数以千计的论文归纳起来，主要集中在以下几方 面：局部放电信号基本量的提取，特征量的提取，局部放电分类器的研究以及 相关技术小波去噪也得到了相应的发展。 1 2 1 绝缘局部放电基本量的提取 由于局部放电发生过程伴随着物理化学现象出现，所以，可以利用这些伴 随着局部放电过程产生的物理化学信息作为基本量表征局部放电现象。 t o k a m o t o m h i k i t a 等人研究发现，局部放电引起的电流脉冲相位分布形 态与产生局部放电的绝缘缺陷之间有着密切的对应关系，它可以反映绝缘缺陷 处发生的物理过程】。 文献【9 】、 1 0 】和 1 1 研究发现不同类型放电与其电流脉冲信号波形的形状 是相对应的，可直接运用测得的局部放电脉冲信号的波形特征对放电源属性进 行分类。b o r s c h et ，h i l l e rw 等人研究以油绝缘和气体绝缘电器中绝缘缺陷引 起的放电现象，并给出与其相应的电脉冲电流信号波形。 文献 1 3 的试验结果表明：局部放电过程所辐射的电磁波频谱特性与局部 放电源的几何形状以及放电间隙绝缘强度有关。当放电间隙比较小或放电间隙 绝缘强度高时，则放电时间短，电流脉冲的陡度大，辐射高频电磁波能力也增 第1 章绪论 强。 由于g i s 中存在支撑绝缘子，造成其特性阻抗及波阻抗不连续，当局部放 电脉冲激发的电磁波在g i s 中传播时会激发出谐振现象。这种高频波在g i s 中 多次折反射，不仅以横向电磁波( t e m ) 方式传播，而且还会建立高次模波即 横向电波( t e ) 和横向磁波( t m ) 。a o s e l l a r s 、s o k a b 研究发现在g i s 中由 自由导电微粒、悬浮导体、支撑绝缘子表面导电微粒所造成的电晕具有不同的 电磁波谱【“】【”l 【”】i ”】l ”】f ”】。先导电晕、流注、电晕发光也导致不同的电磁波谱； 这些电磁波信号的频率与无线电视频信号频率区别明显，运用电磁波信号作为 g i s 局部放电故障的检测量，可以实现对高压电器绝缘状态监测和故障识别。 r u t g e r swr ，a a r d w e gpv a l ld e 等人经过试验研究提出，当电力变压器内部 发生局部放电时，也伴随电磁波辐射【2 0 】。这种放电激发的电磁波具有很宽的频 谱，它以t e m 波的形式向外传播。文献 2 1 给出在实验室中变压器油局部放电 脉冲电流波形及其所辐射的高频电磁波信号试验模型和检测分析方法。利用超 高频传感器耦合接收这些电磁波的实验结果表明，变压器油中的局部放电电流 脉冲具有极快的上升沿，可以激励出1 5 g h z 以上的高频电磁波。文献 2 2 2 3 用实验的方法验证了变压器油中局部放电所激励的电磁信号的超高频特性。给 出实验室条件下，模拟变压器油中几种电极形式放电产生的超高频电磁波波 形。 不论气体、液体、固体绝缘介质，在外施电压作用局部放电发生过程，介 质分子问产生剧烈的碰撞，宏观上形成一种以声波形式表现出来的压力 2 4 1 1 2 5 i 【2 6 】 2 7 】。 一些研究人员利用声信号波形序列和声信号频谱序列进行局部放电的模式 识别。g i s 中的声源来自带电粒子的运动碰撞设备的壳体和局部放电而引起的 外壳震动，虽然这种震动加速度是很微小的，但是可以用灵敏的检测仪器如加 速度传感器、超声波探头等进行检测。由于传感器与设备电器回路无任何联 系，因此，环境电磁干扰不影响声测法的灵敏度2 8 】f 2 q 【”】口”。 b s h a n s e na n df l e v r i n g 研究指出存在于气体绝缘电器中的局部放电过程 发射光子，电离、激发、复合过程具有不同的光谱，不同气体介质的放电光谱 不相同【3 2 1 1 ”们”。另外，发射光子的数量与光波波长均依赖于气体介质种类、气 体压力和电场强度。局部放电的光输出测量方法是所有检测技术中最敏感的 1 3 5 。因为一个光电倍增管可以测到甚至一个光子的发射1 3 6 m 7 1 。但是由于射线会 被气体、绝缘支撑件等强烈地吸收，而且会有“死角”出现，并且由于壳体内 壁光滑而引起的反射所带来的影响，故灵敏度还不高。 h a m i l t o n d j ：p e a r s o n ，j s 等人的研究指出，在g i s 中发生的局部放电会 引起s f 6 气体的分解，其分解物随着局部放电量的不同而不同。故可以通过测 量局部放电引起的气体分解物的含量，分析局部放电特性。但是由于气室中的 吸附剂和干燥剂以及断路器动作时产生的电弧可能会影响测量精度，此外，短 放电脉冲不一定产生足够的分解物。因此，化学方法的灵敏度不是很高，但 是，这种基于等离子体化学反应的监测方法对小的气室来说是有效的口8 ”。 m a s a n z b o b i ，a g a r i c a c e r r a d a j r o l a na n da l u e n g o 等人研究利用绝缘 油中特征气体含量对变压器等油浸纸绝缘电器的放电故障诊断【4 0 l 。因油纸绝 缘结构发生故障时所产生气体的成分和含量与故障类型和严重程度有密切关 系，对于不同性质的故障，绝缘分解后将产生不同的气体；而同一性质的故 障，由于故障程度不同，产生气体含量也不相同，所以，根据油中气体的组份 和含量可以判断有无故障、故障的性质和程度”。 局部放电过程发生的物理化学现象具有不同的时空表现形式，每一种形式 都可以表述局部放电现象，以揭示局部放电现象与电场畸变之间的内在联系。 不同类型的高压电器，不同种类的测试技术，不同的信号处理方法，应该选择 不同的局部放电表现形式作为基本量，以便对局部放电发生、发展及其相关性 进行分析研究。 1 2 2 局部放电信号特征量提取 用于描述局部放电故障模式识别系统的一组与分类有关的参数就是该识别 系统的特征量。特征量提取的基本任务是如何从系统的话多特征中找出那些最 有效的特征量及研究如何把高维特征空间压缩到低维特征空间以便有效地设计 分类器。目前，多采用以下方法进行局部放电信号特征量提取。 1 相位统计特征在工频交流电压作用下，局部放电的发生具有明显的 相位特征。每个局部放电脉冲具有特定的幅值以及相对于工频实验电压特有的 相位角。囡此可以把局部放电基本参数：放电量q 和脉冲放电次数n 看作放电 发生相位角p 的函数，用以表示局部放电特征。若在整个相位轴上进行测量， 则可以得到相位函数的分布；咏冲次数分布h 。( 1 和平均脉冲高度分布 以。( ) ；在交流电压的正半周和负半周，上述分布明显不同，于是就得到四种 分布函数，对电压的正半周有比( 矽1 和联( 妒) ，对电压的负半周有日二( 庐1 和 日j ( ) 。因此这四种分布可以作为描述绝缘缺陷的局部放电特征。 h o z u m in 和k r e u g e rf h 为了方便对这些特征分布进行定量分析，引入有 关标准正态分布的统计算子：畸变度s 。、针峰度足：，、针峰数p f 、正交相关系 数p 、修正的相关系数m n c ，将这些算子应用于上述的四种分布，得到1 5 个 参数，这些算子化的参数不但将局部放电信号浓缩，而且也表征不同的局部放 电源( 4 3 】。 2 。脉冲波形特征在局部放电测量中应用高速采样和宽带检测技术，可 以记录每个放电脉冲的时域波形。不同类型放电与其电流脉冲信号的波形是相 对应的，可直接用测得的局部放电脉冲信号的波形特征对放电源进行分类。提 取局部放电信号波形的特征量，包括时域、幅值域、频域等特征量作为分类器 的学习训练输入样本。提取脉冲信号波形的联合时频特征用于表征局部放电模 式也是一种有效的方法，这种特征的提取可以采用时一频联合函数分析信号的 方法，其主要包括短时f o u r i e r 变换( s t f t ) 、w i g n e r - v i l l e 分布( w v d ) 和c o h e n 时频分布等【4 6 1 。 文献 4 7 采用自回归模型( a 釉参数作为波形特征量，a r 模型是根据波形 模拟均方误差为最小原则建立的。研究结果表明由a r 模型得到的一组描述局 部放电波形的系数，在一定程度上能反映波形的特征，可以作为局部放电模式 分类器的输入量。但由于局部放电的复杂性，以及某些类放电波形的相似性， 只用a r 模型系数作为特征量会导致对某些放电的识别率不高。 3 放电统计特征由于局部放电具有明显的随机性，而且它可能随放电 位置的不同以及局部场强和电压作用时间而发生变化，因此可以采用与随机特 性有关的识别方法，即提取统计参数特征作为局部放电信号特征量1 。 高压电器中可能同时存在多种不同的缺陷，不同类型的局部放电会产生具 有不同幅值分布的脉冲族。w e i b u l l 统计参数与每个局部放电之间都存在着对 应关系，可以采用混合的w e i b u l l 函数法对局部放电信号进行特征提取和分 类，并用w e i b u l l 参数值作为样本构成特征量的知识库。文献 4 9 对放电脉冲 幅值分布进行w e i b u l l 分析，将得到的统计参数特征作为人工神经网络的输 入，从而实现局部放电的模式识别。研究结果证实单一放电的幅值分布符合两 参数w e i b u l l 分布，混合放电的幅值分布符台混合w e i b u l l 分布。 4 分形特征 分形学是以复杂事物( 信息) 为研究对象的新兴学科，其分 形信息论是用信息度量理论原理和方法来研究信号的分形及其度量和属性1 。 由于电器结构的复杂性和局部放电的随机性，导致局部放电信号不规则性：但 局部放电本身又有许多规律性，因此表现为一种无周期的有序态，总体表现为 无序性与局部规律性，这使得局部放电信号具有分维性质。基于分形特征的局 部放电模式识别研究也表明，局部放电的多种模式集合具有分形特性，属于分 哈尔演理工大学下学博l 。学位论文 形几何研究的对象范畴口1 1 ”。 l ot l e u g nh ，f a l c o n e r 将分形特征引入局部放电模式识别研究领域，采 用分维数和空缺率两个分形特征可以区分人造1 0 种缺陷，并成功识别出已经 运行2 0 年的1 7k v 三相电缆终端存在沿面放电缺陷 5 3 。文献 5 4 5 5 将分 维数、空缺率与威布尔分布参数作为局部放电模式识别特征参数，正确识别了 3 种人工放电模型分别在3 个试验电压下的放电类型。文献 5 6 采用h 。( 1 分 布的分维数，正确区分五种人造缺陷放电类型。 5 矩特征矩特征是种被广泛应用的图象识别特征，它在统计意义上 描述了一幅灰度图象中所有象素点的整体分布情况，与一些最基本的图象形状 特征有直接关系。局部放电信号有其自身的特点：如果按照局部放电发生的工 频相位分布，可将三维统计图谱划分成工频正、负半波两部分，不同类型局部 放电的两幅图象具有不同的相关程度”7 1 1 5 ”。因此，研究描述这种相关程度的统 计特征，将有助于局部放电模式识别的应用。文献 5 9 3 6 0 3 从变压器局部放电 在线检测应用的实际问题出发，提出并研究采用由局部放电图象灰度重心、主 轴方向矩特征以及相关统计特征构成的统计特征集识别内部放电与外部放电的 方法。 6 小波变换系数及分形混和特征文献 6 1 将小波理论应用于局部放电 信号的特征分析，研究结果表明，随着放电量的增大，小波变换的图谱分布由 高频区移向低频区，同时低频分量的时延亦增大：不同的故障类型具有不同的 放电量，亦即具有不同的小波变换的图谱分布。文献 6 2 6 3 将小波分析技术 与分形理论结合对局部放电信号进行分析。先将局部放电信号进行小波包分 解，使信号变为各个频段的信号，然后计算各个频段信号的分维数，并通过分 维数的变化，来量化分析信号的特征，得到各频段放电信号的分形特征。文献 6 4 6 5 儿6 6 6 7 研究小波理论与分形理论的互补性，从局部放电信号小波分 解后的能量谱图中提取放电特征，将局部放电信号的逼近能量谱和精细结构能 量谱的分形维数作为局部放电模式特征，不同放电源具有不同的分形维数。 1 2 3 局部放电模式分类器 上世纪9 0 年代，模式识别方法开始应用于局部放电类型的识别，以代替 放电谱图的目测判断 6 s 1 1 6 9 1 1 7 。显著提高了识别的科学性和有效性。模式识别理 论正在朝着智能化的方向发展，即增强系统的自适应能力、学习能力以及容错 能力等川【7 2 】f 7 = i 】。 第1 章绪论 但是，一方面由于很多非确定性因素影响局部放电信号的采集：另一方面 对局放信号中所包含信息的内涵及规律尚未完全清楚，至今没有一种成熟的诊 断理论或标准；所以，局部放电模式识别技术目前尚处于研究阶段。局部放 电信号的测量方法都是以局部放电过程所产生的各种现象为依据，通过某种现 象的物化量来表征绝缘介质局部放电特性的。 高压电器设备绝缘内部发生局部放电检测方法有：脉冲电流法、声测法、 光测法以及色谱分析法等。不同的测量系统需要构造不同的局部放电模式特征 空间，选择不同的分类器用于局部放电故障模式分类。 文献 7 4 、 7 5 将人工神经网络用于局部放电的数据处理上，从理论和实 践上详细阐明该方法的应用原理和算法，阐明人工神经网络对放电指纹( 放电 量仃、放电发生相位、放电重复率”三维谱图) 识别的意义、价值及其人工 神经网络识别局部放电的能力，同时讨论用于局部放电模式识别的人工神经网 络( 前馈网络、自组织特征映射网络、训练向量分区网络、自适应共振网络) 的 拓扑结构、工作原理、输入向量构成和识别效果。 文献 7 6 给出故障空间划分方法以及组合神经网络构造方式。在讨论变压 器故障空间划分方法基础上，针对已积累的故障变压器的大量溶解气体数据，分 析不同种类故障的气体特征及聚类分析结果，在此基础上构造组合神经网络分 层结构模型，实现变压器故障由粗到细的逐级划分，提高故障诊断的准确性。 文献 7 7 分析指出，虽然专家系统集各方面专家经验和实践经验，形成规 则，利用规则匹配关系，诊断故障原因和部位，其应用已有很多成功的先例。 但是，却存在着知识获取的“瓶颈”问题以及诊断推理能力弱，故障诊断的准 确性得不到保证。神经网络已经成功地应用于高压电器故障诊断领域，它通过 现场采集大量标准样本学习与训练，所获得的知识隐式分布于整个网络，而不 存储在知识库中。显然，a n n 有强大的知识获取能力，但如果故障现象样本 与a n n 训练样本差异太大，则由a n n 推理得到的诊断结果的正确性就值得 商榷。 模糊理论提出用隶属函数表示不确定性，将不确定性知识或定性知识转换 为定量表示，弥补了专家系统知识获取的不足和a n n 输入与输出形式的确立 等问题。 k a r a y i a n n i s 的研究成果表明，在故障诊断领域中，模糊逻辑理论和神经 网络技术在知识表示、知识存储、推理速度及克服知识窄台阶效应等方面起到 了很大的作用 7 ”。文献 8 0 1 的研究结果表明将模糊逻辑和神经网络有机结合起 来，形成具有学习、联想、自适应性，又能进行模糊推理的模糊神经网络 哈尔滨理工大学1 _ 学博士学位论文 f i n n ) ，能有效地进行变压器故障的智能诊断。 1 2 4 局部放电信号去噪 局部放电信号微弱，检测中易受现场杂散信号干扰，成为了现场局部放电 检测的瓶颈问题，特别是对于局部放电模式识别，如果干扰信号不能清除，将 使识别不可能。为此，作为信号的预处理，在局部放电模式识别的研究中，成 为了重点研究对象之一。 小波去噪的方法有多种：文献 8 1 、 8 2 提出多分辨分析的概念，使小波变 换具有带通滤波的特性，因此可以利用小波分解与重构的方法滤波降噪：文献 8 3 j 又提出了奇异性检测的理论，从而可利用小波变换模极大值的方法去嗓。 此后，d o n o h od l 提出非线性小波变换阂值法去噪，该方法去噪得到广泛的应 用1 “胆5 8 6 1 ；文献 8 7 在阈值法的基础上提出了平移不变量小波去噪法，它是对闽 值法的种改进【“i s 9 聊1 ”1 。 文献 8 7 证明了用软阈值的方法去噪能够使估计信号实现最大均方误差最 小化，即去噪后的估计信号是原始信号的近似最优估计，且估计信号至少和原 始信号同样光滑而不会产生附加振荡【9 2 j 。 文献 9 3 根据概率论的基本原理进行推断，得到随机序列的细节小波变换 系数符合正态分布。基于此结论，可以利用最大熵原理确定一个阈值，使得绝对 值小于此阈值的小波系数组成的序列符合正态分布。该阕值在统计意义下能够 最佳地区分信号与噪声的小波系数。采用光谱数据的仿真分析以及与其他方法 的对比实验证明，这种最大熵小波去噪方法不仅在提高信噪比方面显示出了优 势，而且去噪效果不易受信噪比变化的影响。 尽管小波变换可以看作是一种解耦器，它使信号分解后得到的小波系数之 间更趋独立，但是小波变换并不能完全解耦实际信号，系数之间仍然存在残留 的相关性。于是c r u s e 和n o w a k 提出种基于统计数据和隐式马尔可夫模型的 信号处理方法，文献【9 4 】c 9 5 】使用小波域h m m s 方法去除发电机局部放电信号 中的白噪声。为验证方法的有效性，采用实验室的线棒放电信号和电厂发电机 中性点局放信号进行实验验证。 文献【9 6 】、 9 7 】、 9 8 1 、 9 9 研究了应用非线性的数学形态滤波器抑制局部 放电在线检测的窄带周期性干扰的方法，该方法在频域有效地滤除窄带周期性 干扰的离散谱线，而很好地保留了局部放电信号本身特征谱线，噪声抑制比 高，干扰频带的变化和新的干扰谱线出现对滤波效果影响小。 第1 幸绪论 1 3 存在的问题 局部放电信号模式识别是多学科相互交叉、相互渗透的综合性理论和技 术，它将人工智能、信号处理、模式识别、人工神经网络以及小波技术用于高 压电气设备的局部放电信号采集、分析、处理和模式识别，具有很高的理论水 平和应用价值。但是目前所应用的局部放电模式识别还存在一定的问题。如 识别率不高，网络拓扑结构没有相应依据，网络学习训练可能陷入局部极小 等。局部放电识别理论和实践表明，对于模式识别问题，由于三层前向网络已 经可以有效地映射各种任意函数，因此，确定神经网络的结构也就成为主要确 定隐层的神经元数目m o j 【圳。隐层单元数的选取与网络所处理问题的复杂程度 有关。隐层单元过少会使网络划分的空间粗糙，其知识表达和联想记忆能力下 降。但当隐层单元数达到某一数值后，再增加隐层单元数对提高网络的性能并 不利，反而会使网络泛化能力下降，收敛速度减慢，降低网络运行效率。最佳 隐层单元数的确定可以采用自适应算法进行神经网络结构优化，提高网络训练 学习效率并加快其收敛速度。但是，有陷入局部极小的可能，而网络初始权值 只能凭经验选取而没有理论依据；同时网络的结构与输入特征量( 矩阵向量) 的提取相分离：以上问题的存在，影响局部放电模式识别的正确率【l “u ”。 小波神经网络概念和算法的基本思想是用小波元代替神经元，即用确定的 小波函数代替s i g m o i d 函数作为神经网络的激活函数，通过仿射变换建立起小 波变换与网络系数之间的连接，并应用于逼近l ( r n ) 中的函数f ( x ) c ”4 ”j 。 小波网络用于局部放电模式识别领域需要进行理论探讨和试验研究，这是 因为，尽管神经网络具有固有的学习能力、泛化能力、自适应能力及非线性映 射能力，而小波分析是种全新的时频两维分析技术，对高频突变信号和低频 缓变信号的分析有着独特的优点，它具有带通滤波、消除噪声等功能。理论上应 该继承它们各自的优势并具有：( 1 ) 、小波神经元及整个网络结构的确定有可靠 的理论依据，可避免b p 网络等结构设计上的盲目性；( 2 ) 、网络权系数线性分布 和学习目标函数的凸性，使网络的训练过程从根本上避