基于概率神經網絡的局部放電信號特征提取與識別研究

林偉，王昕，鄭益慧，李立學

(上海交通大學 電工與電子技術中心，上海 200240)

基金項目:國家自然科學基金項目(61673268)，國家自然科學基金重點項目(61533012)資助。

0 引 言

氣體絕緣開關(Gas Insulated Switchgear，GIS)因其具有占地面積小、穩定性高等優點，在電力系統中占據重要的地位[1]。然而，由于GIS的封閉性，一旦發生故障，便會造成嚴重后果[2]。數據表明，絕緣故障在GIS 故障中占大多數[3]。局部放電(Partial Discharge，PD)作為一種有效表征GIS絕緣缺陷的現象，被廣泛研究。

基于特高頻電磁波的特高頻(Ultra High Frequency，UHF)局部放電檢測法具有高靈敏度、高精確度等優點，已經成為GIS局放檢測的重要手段[4]。由于不同的絕緣缺陷所激發的特高頻信號具有不同的特征，自上世紀90年代起，模式識別開始應用于局部放電類型識別分類領域。人工神經網絡[5](Artificial Neural Network，ANN)、支持向量機[6](Support Vector Machine，SVM)和K近鄰[7](K Nearest Neighbor，KNN)等方法都在GIS局部放電領域有所應用。在模式識別領域，反向傳播神經網絡(Back Propagation Neural Network，BPNN)作為ANN的一種算法應用十分廣泛，具備良好的分類能力，但其樣本需求量大、訓練周期長、易陷入局部最優；SVM可解決小樣本下的分類識別，可數據量大時，計算速度會變得非常慢；KNN算法運算速度較快，但效果受到近鄰數目K的影響，且未考慮樣本差異，均存在問題。另一方面，模式識別方法依賴于所輸入的特征參量。因此，設計并選取具有代表性和區分度的特征參量至關重要。文獻[8]使用基于灰度譜圖的圖像矩特征參量識別，可以較好地反映局放信號的形狀紋理特征，但需要對圖片進行縮放裁剪等預處理，破壞了數據的完整性，且該方法未考慮到局放信號的統計特征，對極性現象描述不夠；……