（电气工程专业论文）基于小波多尺度变换的局部放电去噪与识别方法研究.pdf

中文摘要摘要由于绝缘内部的局部放电是导致电气设备绝缘劣化的重要因素，而且放电模式与内部缺陷类型具有紧密的联系，因此，局部放电在线监测与模式识别技术是及时发现放电性故障并诊断出绝缘内部局部缺陷的重要手段，对于防止高压电气设备事故发生，提高高压电气设备运行的安全性和可靠性具有重要的意义。本文在分析国内外电力变压器局部放电在线监测与模式识别技术的基础上，系统地研究了抗干扰技术和图像分析中的小波多尺度变换的原理和方法，对局部放电监测中的小波去噪技术以及基于小波多尺度分析的局部放电图像识别技术进行了深入研究。本文主要研究内容如下：1 ) 系统地研究了小波多尺度分析的基本理论和具体算法，并对7 种常用小波进行了对比分析；通过对b l o c k s 和d o p p l e r 两种典型的仿真信号的小波多尺度分析，得到了信号的不同频率分量在小波分解各尺度上的分布规律；通过对w o m a n 和s i n s i n 图像的小波多尺度分析，得到了各尺度上低频子图像和高频子图像的性质及特点，以及图像的位置信息和类别信息随尺度的变化规律。2 ) 在分析局部放电信号、白噪声的小波多尺度变换特性以及小波闽值去噪法原理，分析和总结d o n o h o 提出的阈值估计及阙值处理方法的基础上，提出了一种应用于局部放电监测中去除白噪的自适应阈值选择方法：采用一种具有多阶导数的阈值函数，从而能够进行自适应迭代寻找到最优阈值。通过对b l o c k s 、b u m p s 、d o p p l e r 、h e a v i s i n 等四种典型仿真信号和仿真局部放电信号的去噪处理，证明该方法比软阈值法具有更有效的噪声抑制效果，同时具有较低的信号畸变率。3 ) 应用小波多尺度分析技术去除局部放电信号中自噪干扰的分析，发现了小波基的选取对去噪结果有很大的影响，并针对指数衰减型和衰减振荡型两种局部放电脉冲的特征，根据小波与局部放电脉冲波形相关性选取最佳小波基的原理，提出了一种新的最优小波基的自动选择算法；计算结果表明，在d a u b e c h i e s 小波系中，d b 2 小波最适合于去除指数衰减型局部放电脉冲和衰减振荡型局部放电脉冲信号中自噪声。4 ) 通过周期性窄带干扰的小波多尺度分析以及对用小波阈值去噪法去除周期性窄带干扰效果的分析，发现小波阈值去噪法对去除周期性窄带干扰并不理想，提出采用自适应小波阈值法和二阶级联f i r 格型陷波器的组合去噪方法，通过对仿真信号和变压器局部放电在线监测系统实测信号的分析表明，该方法对去除包含白噪声和窄带周期干扰的混合噪声具有良好的效果。5 ) 对设计的5 种放电模型进行了大量实验，并根据测得的放电数据，设计了重庆大学博士学位论文局部放电灰度图像的构造方法和统一的数据文件格式；在对图像的小波多尺度分析方法基础上，提出了一种基于图像小波多尺度变换的局部放电图像识别方法。通过样本数据的识别计算和分析表明，分别采用局部放电图像的低频子图像、高频子图像、高低频子图像组合图像作相似度计算而得到识别结果不同，而且识别结果与图像的小波分解尺度有关；相比较而言，采用局部放电图像的低频子图像进行模式识别能够获得较高的识别正确率，而且对于本文中的5 类放电样本，采用d b 2 小波作4 尺度小波分解的低频子图像进行识别时的识别正确率相对最高，其最低识别正确率高于9 0 。以上研究表明，小波多尺度分析技术特有的时频特性与其他信号处理技术结合起来能有效、稳定地去除在线监测系统中混杂在局部放电信号中的各种干扰；同时小波多尺度分析在图像识别中的应用，提高了局部放电图像识别的能力，这些应用证明小波多尺度分析在局部放电监测中具有广阔的应用前景。关键词：局部放电，小波多尺度分析，最优小波，自适应阈值法，图像识别英文摘要p a r t i a ld i s c h a r g e ( p d ) i n s i d ei n s u l a t i o ni sc o n s i d e r e da so n em a i nr e a s o nt h a tl e a dt oe l e c t r i c a le q u i p m e n t sd a m a g e ，a n dd i s c h a r g ep a t t e r n sa r ec l o s e dr e l a t e dt ot h et y p e so fi n t e r n a ld e f e c t s a so n eo ft h em a j o rm e t h o d st of i n do u td i s c h a r g ef a u l t sa n dd i a g n o s ei n t e r n a ld e f c e t s ，t h et e c h n o l o g i e so fp do n - l i n em o n i t o r i n ga n dp a t t e r nr e c o g n i t i o na r eo fi m p o r t a n c ef o rt h ed i a g n o s i so f t h eq u a l i t yo f h vi n s u l a t i o ns y s t e m ，a n do f i m p o r t a n c et ot h es a f e t ya n dr e l i a b i l i t yo f e l e c l r i c a le q u i p m e n ti ns e r v i c e t h en a t i o n a la n di n t e r n a t i o n a lt e c h n i q u e so f t r a n s f o r m e rp do n - l i n em o n i t o r i n ga n dp a t t e r nr e c o g n i t i o na r ei n v e s t i g a t e di nt h i sp a p e r , b a s e do nw h i c ht h et e c h n i q u e so fn o i s e - s u p p r e s s i o na n dm u l t i r e s o l u t i o nw a v e l e tt r a n s f o r mn o r m a l l ya p p l i e di ni m a g ep r o c e s s i n ga r ci n l x o d u c e di nt os o l v et h ep r o b l e m so fs i g n a ld e - n o i s i n ga n dp a t t e r nr e c o g n i t i o nf o rp do n l i n em e a s u r e m e n to ft r a n s f o r m e r s n l em a i nc o n t e n t sa r ea sf o l t o w s ：( 1 ) t h ef u n d a m e n t a lt h e o r ya n dd e t a i l e da l g o r i t h ma l ep r e s e n t e di n t h i sp a p e r c o m p a r i s o na m o n gs e v b 。rk i n d so fs t a n d a r dw a v e l e t si sc a r r i e do u t t w ot y p i c a ls i m u l a t i o ns i g n a l s , b l o c k sa n dd o p p l e r , a r ea n a l r z e du s i n gm u l t i - r e s o l u “d o nw a v e l e t ,t h r o u g hw h i c ht h ed i s t r i b u t i o nr u l e sa b o u td i f f e r e n tf r e q u e n c yc o m p o n e n t so fs i g n a li nd i f f e r e n tw a v e l e td e c o m p o s i t i o ns c a l e sa l ea c h i e v e d t h ew o m a na n ds i n s i np i c t u r e sa r ea n a l y z e du s i n gm u l t i - r e s o l u t i o nw a v e l e tt r a n s f o r m t h r o u g hw h i c ht h ep r o p e r t i e so f l o wa n dh i g hf r e q u e n c ys u b - i m a g e 躺i n v e s t i g a t e da n dt h ep r i n c i p l e so fi m a g ep o s i t i o na n dp a t t e r nc h a n g i n gw i t hw a v e l e ts c a l e sa r eo b t a i n e d ( 2 ) i nt h i sp a p e r , t h ep r o p e r t i e sa b o u tm u l t i - r e s o l u t i o nw a v e l e tt r a n s f o r mo fp da n dw h i t e - n o i s es i g n r d sa n dt h ed e - n o s i n gm e t h o du s i n gt h r e s h o l d se s t i m a t i o ni sd e v e l o p e d , a n das e l fa d a p t i v et h r e s h o l d ss e l e c t i o nm e t h o di st h e np r o p o s e dt os o l v et h ep r o b l e mo f w h i t e - - n o i s es u p p r e s s i o n ：an wm u l t i p l ed e r i v a t i v et h r e s h o l df u n c t i o ni si n t r o d u c e di ns e l f a d a p t i n gi t e r a t i o np r o c e s st os e a r c hf o rt h eo p t i m a lv a l u e f o u rt y p i c a ls i m u l a t i n gp ds i g n a l sa r eu s e df o rd e - n o s i n gr e s e a r c h i ti sp r o v e dt ob em o r ee f f e c t i v et h a ns o f t - t h r e s h o l dw h e na p p l i e di nn o i s e - s u p p r e s s i o n ( 3 ) t h em u l t i - r e s o l u t i o nw a v e l e tt r a n s f o r mi sa p p l i e di nw h i t e n o i s ei n f e r e n c es u p p r e s s i o n an e wa l g o r i s mf o ro p t i m i z i n gt oc h o o s ew a v e l e ti sp u tf o r w a r di no r d e rt og e tn i c ee f f e c tf o rn o i s e - s u p p r e s s i o n t h em e t h o df o rc h o o s i n gt h eb e s tw a v e l e tu s i n gr e l a t e df u n c t i o ni ss t u d i e da n dt h es e a r c h i n ga l g o f i s mi sm a d e a c c o r d i n gt ot h ec h a r a c t e r i s t i c so ft w ok i n d so ft y p i c a lp ds i g n a lr e s p e c t i v e l ya t t e n u a t i o nm o d e la n d重庆大学博士学位论文a t t e n u a t i o na n ds u r g i n gm o d e l ，i th a sb e e nd e m o n s t r a t e dt h a td b 2i st h eb e s to n ei nd a u b e c h i e sf o rw h i t en o i s es u p p r e s s i o n ( 4 ) m u l t i p l e - r e s o l u t i o nw a v e l e tt r a n s f o r ma n dt h r e s h o l dd e - n o s i n gm e t h o d sa r ei n v e s t i g a t e dt or e m o v en a r r o w - b a n dn o i s ew h i l et h ee f f e c t sa r en o ts os a t i s f i e d t h e r e f o r e ，an e wd e - n o i s i n gm e t h o db a s e do ns e l f - a d a p t i v et h r e s h o l d sc o m b i n e dw i t ht h e2 n dc a s c a d eh rn o t c hd i g i t a lf i l t e ri sp r o p o s e d b yc o m p a r i n gt h es i m u l a t e dp d s i g n a l sw i t hr e a lp d - s i g n a l sm e a s u r e db yo n l i n em e a s u r i n gs y s t e ma tas p e c i f i cs u b s t a t i o n , i ts h o w st h a tt h ep r o p o s e dm e t h o di sa ne f f e c t i v et o o lt or a f n o v en o i s ea n di m p r o v es e n s i t i v i t yo f p do n l i n em e a s u r i n gs y s t e m s ( 5 ) al a r g en u m b e ro fe x p e r i e n c e sa l ec a r r i e do u tu s i n g5a r t i f i c i a lp dm o d e l s u n i t i z e dd a t af i l es t y l ea n dp dg r a yi m a g ec o n s t i t u t i o nm e t h o da r ed e s i g n e da c c o r d i n gt ot h em e a s u r e dp dd a t a - ap di m a g i n er e c o g n i t i o nm e t h o db a s e du p o nm u l t i - r e s o l u t i o nt r a n s f o r mi sp r o p o s e di nt h i sp a p e r i ts h o w st h a td i f f e r e n tr e c o g n i t i o nr e s u l t s 眦o b t a i n e dt h o u g ht h ec o r r e l a t i o np a r a m e t e r sc a l c u l a t e dr e s p e c t i v e l yb yl o w , h i g hf r e q u e n c ya n dt h e i rc o m b i n e ds u b - i m a g e b yc o o p e r a t i o n , ah i g h e rd i s c r i m i n a t i o nc a nb eo b t a i n e du s i n gl o w - f r e q u e n c ys u b i m a g e f u r t h e r m o r e ，t h eb e s td i s c r i n l i n a t i o ni sa c h i e v e dt h r o u g hw a v e l e tt r a n s f o r m1 1 s i n gd b 2a tt h e4s c a l e ，a n dt h el o w e s td i s c r i m i n a t i o ni sm o r et h a n9 0 i ng e n e r a l ，w a v e l e tm u l t i - s c a l ea n a l y s i si sag o o dw a yt or e s 衄i nw h i t e - n o i s e ，a n da l s on a r r o w - b a n dn o i s ea n do t h e r sw i t hm o d e ms i g n a lp r o c e s st e c h n o l o g i e s m e a n w h i l e ，t h ea p p l i c a t i o no f w a v e l e tm u l t i s c a l ea n a l y s i si m p r o v e st h ea b i u t yo f p di m a g er e c o g n i t i o n ；i tw i l lh a v eb r o a da l e a si nt h ef i e l do f p dm o n i t o r i n g k e yw o r d s ：p a r t i a ld i s c h a r g e ，w a v e l e tm u l t i s c a l ea n a l y s i s ，o p t i m a lw a v e l e ta d a p t i v et h r e s h o l d , i m a g er e c o g n i t i o n1 绪论1 绪论1 1 研究局部放电在线监测与模式识别技术的意义电气设备绝缘材料多为有机材料，如矿物油、绝缘纸或各种有机合成材料。绝缘体各区域承受的电场一般是不均匀的。而电介质本身通常也是不均匀的，有的是由不同材料组成的复合绝缘体，如气体固体复合绝缘，液体- 固体复合绝缘，以及固体固体复合绝缘等。有的虽是单一的材料，但在制造或使用过程中会残留一些气泡或其它杂质；于是在绝缘体内部或表面就会出现某些区域的电场强度高于平均电场强度，某些区域的击穿场强低于平均击穿场强，因此在某些区域就会首先发生放电，而其他区域仍然保持绝缘的特性，这就形成了局部放电【1 4 j 。在电场作用下，导体间绝缘仅部分区域被击穿的电气放电现象称为局部放电。对于被气体包围的导体附近发生的局部放电，可称之为电晕。局部放电可能发生在导体边上，也可能发生在绝缘体的表面或内部，发生在表面的称为表面局部放电，发生在内部的称为内部局部放电。高压电气设备局部放电的产生主要有以下几个原因：由于绝缘体内部或表面存在气泡而导致气泡内的放电。如采用固体绝缘的电工产品，如塑料电缆、电机、胶纸套管以及浇注变压器等，都难免在绝缘结构中含有气隙。产生气隙的原因很多，有的是在产品制造中就残留在绝缘结构中，有的是在使用中有机材料进一步固化或裂解而放出气体形成的，有的是在使用中承受机械应力如震动、热胀冷缩等造成的局部开裂。因为气体的介电常数总是小于液体或固体材料的介电常数，在交变电场下，电场强度的分布反比于介电常数，则气泡的电场强度要比周围液体或固体介质的高，而气泡的击穿场强在大气压力附近总是比液体或固体介质低很多，因此气泡在电场作用下就会产生局部放电。另外，干式绝缘的互感器、电机线棒、电瓷等在制造过程中总是会不同程度上残留气隙，或者即使有些产品在制造中很大程度上已消除了气泡，但在运行过程中，由于热胀冷缩，不同材料特别是导体与介质的膨胀系数不同，也会逐渐出现裂缝，在运行中由于有机高分子的老化而分解出各种挥发物，或者在高场强的作用下，电荷不断地由导体注入到介质中，在注入点上就会使介质气化，这些都可能使绝缘体中出现气泡而导致局部放电。绝缘体中若有导电杂质存在，则在此杂质边缘由于电场集中，也会出现局部放电。针尖状的导体，或导体表面有毛刺，则在针尖附近电场集中，也会产生局部放电。此外在电工产品中，若有某一金属部件没有电的连接，成为个悬浮电位体，或是导体间连接点接触不好，都会在该处出现很高的电位差，从而产生局部放电。重庆大学博士学位论文 在电工设备的高电压端头上，如电缆的端头，电机线棒的出槽口等部位，由于电场集中，而且沿面放电的场强又比较低，往往就沿着介质与空气的交界面上产生表面局部放电。若高压导体的周围都是气体，如高电压架空线和高压设备的高压出线端头，由于导体附近的电场强度达到了周围大气的击穿场强，于是就在导体附近出现电晕。局部放电对电气设备绝缘会产生严重的危害，主要表现在由于放电产生的局部发热、带电粒子的撞击、化学活性生成物以及射线等因素对绝缘材料的损害。这种对绝缘的破坏作用是一个缓慢发展的过程，而且从局部开始，受多种因素影响，对运行中的高压电气设备是一种隐患。由于电力系统中保护措施的日趋完善，各种过电压对设备绝缘的破坏作用相对减小，而运行中的工作电压对绝缘的劣化起着主导作用，局部放电对工作电压下的电气设备的影响越来越被人们重视。随着对高压电网运行可靠性要求的不断提高，对大型高压电气设备的运行安全性要求的也越来越高。据统计，在2 0 0 0 年至2 0 0 3 年间，高压电气设备故障占全国电网事故的4 5 1 6 ；而且，绝缘故障是影响高压电气设备正常运行的主要原因1 1 】。因此加强对高压电气设备绝缘状况的监督是保障电力系统安全稳定运行的重要手段。由于局部放电与电气设备绝缘缺陷具有紧密联系，为了提高对高压电气设备局部放电的监视能力，局部放电在线检测与自动识别技术从2 0 世纪8 0 年代开始逐步发展起来并受到广大研究人员的重视。电气设备绝缘局部放电在线检测和自动识别是通过监测获得设备内部局部放电信息，利用计算机及信号处理技术对放电信号进行处理和提取，并代替人对局部放电进行描述和分类，以便进一步判断电气设备绝缘可靠性。然而，由于在局部放电测量方法和测量仪器等方面还存在不少问题，如抗干扰、放电定位、放电识别等，因此在高压电气设各局部放电在线监测与自动识别技术研究上需要继续深入。特别对于大型电气设备局部放电的测量，被测信号通常会被强大的电磁干扰所淹没，而且内部局部放电的产生和发展过程更为复杂，从而需要具有更强功能的抗干扰、放电定位以及模式识别技术来解决这些更为复杂的难题。1 1 2 局部放电在线监测与模式识别技术研究现状现代传感器技术、信号处理技术、电子技术、计算机技术以及人工智能技术和现代数学方法的发展，为局部放电在线监钡i 技术的发展起到了推动作用。目前国内外对局部放电在线监测技术的研究可分为局部放电测量、干扰的分析和抑制、放电信号的特征提取和模式识别、局部放电的定位等四部分。其中局部放电的测量是基础，有效地采集放电信号的特征是后面进一步分析和判断的前提；而由于放电信号21 绪论很微弱，测量现场特别是在线监测时，干扰往往还很强，干扰的抑制成为必不可少的环节；而局部放电的识别和定位则是研究的目的，它又是对设备进行故障诊断和维修的重要依据之一。以下是本文对局部放电在线监测技术中的抗干扰技术和模式识别技术研究现状的分析。1 2 1 抗干扰技术高压电气设备局部放电在线监测中，与局部放电信号一起通过传感器进入监测系统的干扰信号，按照波形特征可分为：周期性干扰信号、随机脉冲干扰信号和白噪干扰【7 - 9 1 。周期性干扰信号又分为连续性和脉冲性两种，如广播、通信、谐波等信号的干扰一般呈正弦波，为连续性周期干扰，也称窄带周期干扰；而可控硅开、闭时产生的脉冲干扰信号则周期地出现在工频的某相位上，为周期性脉冲干扰。白噪干扰则多是由电气设备及监测系统等运行过程中发热而引起的 3 - 4 1 。针对干扰信号特征和性质的不同，需采用不同的措旋抑制不同的干扰。在已有的各种系统中，采用的抗干扰措施主要可以分为专用抗干扰电路和抗干扰软件两大类。在局部放电检测系统中，专用抗干扰电路不仅仅只是特殊的抗干扰电子电路本身，而且还包括检测阻抗或传感器取信号的特殊方法，主要包括脉冲极性鉴别法、差动平衡法、定向耦合差动平衡法、多端调节法1 1 0 - 1 5 】等。随着现代化数字处理技术的发展，局放在线监测中抑制干扰的措施正趋向软件化方向发展，即对采集信号进行数字处理。同时，人们努力将硬件和软件处理结合起来，以最大限度地抑制和识别干扰，获得局部放电信息，形成一整套完整的抗干扰体系。局放在线监测中采用的抗干扰现代数字信号处理方法主要有以下几种方法。f f t 阈值滤波法【1 6 ，1 7 】f f t 阀值滤波法主要用来去除周期性窄带干扰。该方法首先对信号进行f f t 变换，得到信号的频谱分布，而后在信号的频谱上设一门限值，把所有的大于门限的值置零，可方便地去除窄带干扰。此方法的缺点是门限的选取非常困难，尤其在现场条件下，干扰信号随时间不断变换，门限就更难确定。另外，由于f f t 计算量与n ( 1 0 9 n ) 成比例，计算时间也较长。但由于该技术实现简单，目前仍被广泛采用。有限冲击响应( h r ) 滤波法【l 刀有限冲击响应( f i r ) 滤波器的频带范围根据现场干扰的情况事先确定。该方法不仅可以去除周期窄带干扰，也可以去除部分白噪干扰。但是由于应用中对f i r 滤波器的阶数要求较高，计算时间过长，且频带范围需要事先确定，只能适用于特定的现场情况，当现场的载波通讯等干扰的频率变化时，就必须改变滤波器的参数，因此这种方法难以推广。无限冲击响应0 m ) 滤波法【1 8 ，1 9 】该方法的优点是干扰抑制比高，波形畸变少，应用效果比较好，印度学者v重庆大学博士学位论文n a g e s h 于1 9 9 3 年从干扰抑制比、波形畸变等方面，对各种局放在线监测中的抗干扰技术作了综合评价，认为该方法最佳。但是该方法在实际运用中，同f f t 阈值滤波一样存在干扰频率难以确定、计算时间过长等缺点。卡尔曼滤波法 2 0 l该方法主要用于去除周期窄带干扰，其主要的缺点是滤波后的局放信号能量损失较大，波形严重畸变；算法中涉及矩阵运算，计算时间也比较长，因此该方法很少被应用。信号相关法【2 1 2 2 1该方法主要用来去除周期性脉冲干扰。其基本原理是从局放信号同周期性脉冲干扰信号在发生位置、波形及幅值等方面具有不同的相关度来去除周期脉冲干扰。相关分析既可在频域上进行，也可在时域上迸行。模式识别法 2 3 - 2 6 1该方法的本质是利用信号的相位特性进行区别，在c i g r e 的报告中得到确认，一些相应的软件也已出现。此方法的难度在于需要积累大量的先验知识并能找出干扰和局放问的特定差异，而实际在线监测中，在强烈的干扰信号中找出这些差异比较困难。自适应滤波法口7 ，2 8 】该方法采用l m s 等自适应算法，无需预先知道所要消除的周期性干扰的频率，对周期性干扰的抑制有较好的效果。但是该方法的收敛性较差，尤其在信号中同时出现多种干扰频率时，非常容易发散，滤波效果不稳定。总而言之，为了解决局放检测中的干扰问题，己涌现出大量的方法，数字处理技术和人工智能领域中的一些成果已被广泛加以应用。但是，到目前为止，抗干扰问题并没有被完全解决，依旧是局放在线监测中面临的一大难题，也是当前研究的热点所在。特别重要的是，随着小波分析理论及在信号处理领域应用技术的发展，小波变换在局部放电去噪研究中的应用取得了良好的干扰抑制效果。1 2 2 局部放电信号的特征提取和模式识别技术传统的局部放电识别方法完全取决于专家的知识和经验，具有很大的局限性。依靠局部放电在线监测系统，能够获得比目测丰富的局部放电信息，能够反映出不同局部放电类型更细微的差异，通过计算机自动识别，能够反映出局部放电模式更细微的特征差异阻3 0 1 。图1 1 描述了局部放电模式识别的基本过程，可以大致分为数据获取、预处理、放电模式构造、特征提取和模式分类五个主要部分，由计算机最终完成局部放电模式分类就实现了局部放电模式识别。下面从放电模式构造、特征提取、模式识别三个方面介绍局部放电模式自动识别研究的发展现状。41 绪论徽。对象l 信号ii 黼li 特征提取il 溺ol 硼结果1 淑卜_ 叫预垒蟪r _ 叫与选择r _ 叫粥皤r _l 一jl _ jl 。，一jl - - - - j图1 1 局部放电模式识别过程f i g1 1p r o c e s so f p dp a t t e mr e c o g n i t i o n放电模式在不同的测量系统中，将会构造不同的局部放电模式用于放电分析和绝缘诊断；目前应用较多的局部放电模式有：脉冲序列相位f f f 布( p b a s er e s o l v e dp u l s os e q u e n c ea n a l y s i s ，简称p r p s a ) 模式d 1 】：局部放电相位分布模式( p h a s er e s o l v e dp a r t i a ld i s c h a r g e ，简称p r p d ) ，即所谓的一q n 模式1 3 1 ；a u 模式：局部放电时间分布c r a n er e s o l v e dp a r t i a ld i s c h a r g e ，简称t r p d ) 模式，即放电脉冲波形模式。1 1p r p s a 模式，即脉冲序列相位分布分析( p h a s er e s o l v e dp u l s es e q u e n c ea n a l y s i s ) 模式，可以记为吼也，u ( t ，) ) 【3 ”。其中，t 。为电压耐受时间，“以) 为发生在r 。时刻放电脉冲所在周波的电压幅值，q ，为对应于f ，和“以) 的放电量。如果f ，和“( f ，)构成平面坐标，则吼以。”纯) ) 是相应位置的象素点，其色度为视在放电量幅值。这种模式实际上是关于局部放电一种最为基本的模式，包含有局部放电测量的全部信息。2 ) p r p d 模式p r p d 模式，即局部放电相位分布( p h a s er e s o l v e dp a r t i a ld i s c h a r g e ) 模式，是一种广泛应用的局部放电模式，也是所谓的一q n 模式。这种模式是描述局部放电发生的工频相位( o 一3 6 0 * ) 、放电量幅值q 和放电次数一之间的关系。其中广泛应用的三维图谱是峨 奶模式d h 0 1 ，即将和g 划分成若干个小区问，在一q 平面上形成若干网格，统计每个网格内放电次数，即获得h 。( 吼) 统计模式图谱。如果将日。( g ，) 三维图谱投影为二维平面灰度图像，其灰度与放电次数相关，则称之为f f 。国，扔灰度图像【1 5 】。这种模式在文献【3 9 ，4 0 q a 也被称为局部放电图像。这些模式已被证明在放电模式识别方面取得了良好的应用效果。p r p d 模式与p r p s a模式相比，失去了关于时间的信息。3 ) 4 ”模式4 “模式由局部放电脉冲序列吼以，u ( t ，) ) 得到【4 l 】：根据q ，m ，u ( t 。) ) 可以得到放电对应的序列h m ) ，将u ( t 。) 按时间顺序排列，即得到序列，则4 = “一，由此式可以计算出多个工频周期内4 分布情况。通过对多个工频周期内4 分布与电树枝长度关系的研究，其结果表明【4 2 l ：z l u 。分布与绝缘劣化程度有密切关系。重庆大学博士学位论文另外，连续三个放电脉冲。、u 。、“可以计算出a u 。= ”- - i d 。和a u 。= “。一“。i 。连续多个工频周期测量，可以统计出出模式图谱，从而得到另一种a u 模式，即a u ( a u1 ) 分布。4 ) 放电波形模式放电波形模式也被称为局部放电时间分布f n m er e s o l v e dp a r t i a ld i s c h a r g e ) 模式，它是将局部放电脉冲波形直接作为模式识别对象，提取波形特征，进行模式识别。文献 4 3 - 4 7 分别采用了不同的波形特征用于局部放电模式识别。局部放电模式特征参数提取局部放电模式识别中，如果直接对放电模式进行识别，将是很困难的。因此，提取局部放电模式特征就显得非常重要，它将直接影响最终的识别效果。目前局部放电模式特征提取常用的方法主要有统计特征法、分形特征法、图像矩特征法、波形特征法等。1 ) 统计特征法( 1 ) 统计算子针对p r p d 模式，统计算子分为两类：一类是描述妒一q 、p 一万谱图的形状差异，包括偏斜度、陡峭度k u 、局部峰点数n ；另一类是描述一q 谱图正负半周的轮廓差异，包括互相关系数、放电量因数q 、相位不对称度西以及修正的互相关系数m c c 。文献 4 8 5 0 基于p r p d 模式研究了统计算子在局部放电模式识别中的应用效果。文献i s l 采用2 9 个统计算子，正确识别出6 种高压电抗器工业放电模型；文献【5 0 采用1 5 个统计算子表征1 2 种人工典型放电模型和1 6 种工业放电模型的特征图谱，结果表明统计算子能够区分局部放电类型。( 2 ) 威布尔参数文献 5 2 ，5 3 】利用w e i b u l l 分布来提取放电的三( g ) 参数以构成放电的特征向量，文中认为单一放电局部放电脉冲幅值分布p a d ( p u l s ea m p l i t u d ed i s t r i b u t i o n ) 谱图符合两参数的w e i b u l l 模型，即盼 e x p 卜单儿。q 如o( 1 1 )【u式中q 是系统监测到的各放电量与最小放电量( 系统灵敏度) 之间的差值。有多种方法可以估计出w e i b u l l 参数a 与声的值1 5 4 - 5 8 l ，例如图估法、矩法、极大似然法以及最小二乘法等。2 ) 分形特征文献【5 9 】将分形特征应用于局部放电识别，以局部放电p q 一以谱图的分维数61 绪论和空缺率为特征量，研究了环氧树脂空穴放电的识别，取得了良好效果。从此，分形特征在局部放电模式识别中得到了广泛应用【6 】。文献【6 l 】采用分维数和空缺率两个分形特征能够区分人造1 0 种缺陷，并成功识别出已使用2 0 年的1 7 k v 三相电缆终端存在沿面放电缺陷；文献 6 3 1 采用9 一口一h 曲面的分维数为识别特征，正确区分了5 种人造缺陷放电类型；文献 6 4 】采用分维数和二阶广义分维数对局部放电灰度图像进行了识别并获得了较好的识别结果。3 ) 图像矩特征矩特征描述了一幅灰度图像所有象素点的整体分布情况，广泛应用于图像处理和模式识别领域。将局部放电p r p d 模式中的一q 一疗曲面投影在一q 二维平面上，即为p q 一一灰度图像，近年来矩特征在局部放电灰度图像模式识别中得到应用。文献t 6 5 介绍了以图像模式识别中常用的描述图像基本几何特征的矩特征描述局部放电妒一q 一，l 灰度图像的方法，采用4 阶及以下中心矩( 除去l 阶中心矩) 以及灰度中心坐标成功识别了电机线棒中的人造缺陷放电类型；文献 6 4 1 采用矩特征和分形特征以及统计特征结合对1 8 0 组人工放电模型获得的放电样本图像进行识别，获得了较好的识别效果。4 1 波形特征局部放电测量中应用高速采样和宽带检澳4 技术，可记录单个放电脉冲的时域波形。研究发现不同类型放电其波形特征不同，由此出现了根据脉冲波形提取放电信号的特征量( 包括时域、幅值域、频域特征参数等) 进行模式识别的方法嘟明。文献 6 6 1 采用脉冲波形的自回归模型系数和波形持续时间为特征量，成功地识别了空气中尖尖放电、空气中尖板放电和沿面放电；文献【6 7 】采用超高频法测量g i s局部放电，将放电波形进行压缩，形成2 0 维特征向量，输入人工神经网络正确区分了不同类型放电。除以上四类放电特征外，小波图像多尺度分析也被用于局部放电图像特征的提取中。局部放电模式识别分类器在模式识别中，通常将分类器概括为线性分类器、非线性分类器、聚类分析分类器、模糊识别分类器等【5 t6 8 - 7 0 。近年来在局部放电模式识别中应用较多的是基于距离的模式分类器和人工神经网络分类器。下面主要介绍这两种分类器的应用概况。1 ) 基于距离的模式分类器基于距离的模式归类法依据待检模式与样本之间的距离判别模式匹配的程度，距离越小则模式匹配程度越高。根据聚类分析算法中对于距离的不同定义，基于距离的模式分类方法有很多种，置信区间法、最小距离法和趋中心度法和最近邻法在局部放电模式识别中得到了应用 t t - 删。a ) 置信区间法重庆大学博士学位论文置信区间法的基本原理是：在由多个放电样本提取的特征参数具有一定的分散性但遵从一定统计规律前提下，计算每种样板模式个放电样本特征参数置信区间为：【宇一心，善+ 倒( 1 2 )式中手为样本均值，s 为样本标准差，f 为统计检验参数，由样本统计分布和置信水平决定。定义识别率为待检样本特征参数落入样板模式参数置信区间的个数与特征参数总数的比值。在进行模式分类时，若新样本特征参数与第f 类样板模式特征参数置信区间相比较计算得到的识别率最大，则新样本属于第i 类样板模式。b ) 最小距离法根据最近邻法则，特征空间中相对聚合在起的样本应属于同一模式，样本的聚合程度可以由其距离反映。样板由特征量的平均值m ，= 【m m ：，m l s pj 7 代表，假设样板的各特征量服从正态分布，在局部放电的模式识别中通常采用的距离公式为：小跞网( 1 3 )式中是特征量的个数；a k 是样板m ，第f 个特征量的标准差，数据分散性越大则标准差也越大；( 1 ，盯。) 2 是权系数，用于调节距离值，数据分散性越大则权系数越小。这种方法需要计算特征量的平均值和标准差，计算量大，但它考虑了特征量分散性对样本聚合程度的影响，识别效果优于置信区间法。c ) 趋中心度法趋中心度法以马氏距离的大小衡量模式匹配的程度，先计算出待检样本与各样板的马氏距离，然后转换为趋中心度，待检样本被归类为最大趋中心度对应的样板放电模式。假设有个样本特征量且服从正态分布，则该放电模型的样板可由样本特征量的平均值m ，和协方差矩阵c 。表示。由概率论与数理统计的知识可以推断：马氏距离遵循自由度为的z 2 分布，由z 2 分布函数表中查得概率p ，由此可以计算出趋中心度，趋中心度为样板区域中离待检样本比离区域中心近的样本点的百分数，即a ，= ( 1 一p ) x 1 0 0 ( 1 4 )显然，马氏距离越小，趋中心度越大，待检样本与样板中心的距离越近。同最小距离法类似，也可以根据趋中心度的最大值和次大值判定识别的可靠性。d ) 最近邻法最近邻法与前三种距离分类器不同，最近邻法将全部样本都作为标准样本。最近邻法的基本原理为：设有p 类样本，每类有标明类别样本m 个，i ：1 。2 一。1 绪论定义判别函数d i ( x ) = m i n 忙一对l i ，k = 1 ，2 ，n i( 1 5 )式中x ? 的下标表示第f 类，上标表示第f 类n ，样本中的第k 个。决策规则为：若d ，( 功= m 到k 一工刈，j = 1 ，2 ，p ，则决策z 属于第，类模式。从以上的介绍中可以看出：基于距离的模式分类方法，其前提都是假设样本服从正态分布，而且都需要估计样本概率分布情况( 包括平均值、标准差和协方差) ，属于确定性算法，具有自身无法克服的弱点，分类识别能力有待进一步提高。2 ) 人工神经网络分类器人工神经网络是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接。人工神经网络的信息分布式存储于连接权系数中，具有很高的容错性和鲁棒性，而模式识别中往往存在噪声干扰和输入模式的部分损失，人工神经网络的这一特点是其成功解决模式识别问题的主要原因之一【7 4 】。因此，人工神经网络在局部放电模式识别中得到了最广泛应用，并取得了良好的应用效果。下面介绍在局部放电模式识别中应用较多的几种人工神经网络。a 1 b p 神经网络b p 神经网络【7 习是一种有导师学习网络，主要采用反向传播a c k - p r o p a g a f i o n ，简称b p ) 算法进行学习训练，图1 2 为最常见的三层b p 神经网络结构。三层以上的b p 神经网络学习算法比较复杂，一般使用不多。在局部放电模式识别应用中，b p神经网络得到了最广泛的应用【7 6 8 3 。误差反传输 层隐含层输出屡教师信号图1 2 典型b p 神经网络结构模型f i g1 2t h es t r u e t m eo f t y p i c a lb pn e u r a ln e t w o r kb ) 自组织特征映射网络自组织特征映射( s e r g a n i 血gm a p ，简称s o m ) 网络7 8 采用模拟大脑神经系统