GIS可能出現(xiàn)各種各樣的絕緣缺陷，由于每種缺陷導(dǎo)致發(fā)生的局部放電具有不同的特征，因此可以通過(guò)對(duì)獲得的局部放電信號(hào)進(jìn)行模式識(shí)別來(lái)評(píng)估GIS絕緣的狀態(tài)和缺陷類別。局部放電模式識(shí)別主要包括五個(gè)步驟，分別為：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、放電模式構(gòu)造、特征參數(shù)提取、分類器識(shí)別，如圖所示。下面主要對(duì)放電模式構(gòu)造、特征參數(shù)提取、分類器三個(gè)方面進(jìn)行介紹。
GIS局部放電模式識(shí)別過(guò)程
PRPD圖譜
與PRPD不同，基于時(shí)間的分析模式(Time Resolved Partial Discharge，TRPD）的研究對(duì)象是局部放電信號(hào)隨時(shí)間變化的情況。該分析模式關(guān)注所檢測(cè)到的局部放電脈沖波形及時(shí)間信息，而不關(guān)心信號(hào)相對(duì)于工作電壓的相位信息。通過(guò)提取不同局部放電脈沖的波形特征，可以完成對(duì)絕緣缺陷的識(shí)別分類。
基于PRPD, TRPD還衍生出了一些其他的局部放電信號(hào)分析模式，如Δu分析模式、Δu/Δφ分析模式、q一v分析模式等。
局部放電模式識(shí)別中，由于采集的數(shù)據(jù)量巨大，需要降低參數(shù)維數(shù)和需要處理的數(shù)據(jù)量，將最有代表性的特征提取出來(lái)構(gòu)造特征空間，作為模式識(shí)別的依據(jù)。目前常用的特征參數(shù)提取方法主要有：統(tǒng)計(jì)特征法、脈沖波形特征法、圖像矩特征法、分形特征法等。
模式識(shí)別中還有一個(gè)重要的環(huán)節(jié)，就是分類器的選擇與構(gòu)造。常用的分類器有基于距離的分類器、基于人工神經(jīng)網(wǎng)絡(luò)的分類器、基于模糊算法的分類器、統(tǒng)計(jì)分類器、基于支持向量機(jī)的分類器等。目前應(yīng)用最廣泛的是基于人工神經(jīng)網(wǎng)絡(luò)(NN)的分類器。人工神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)方法，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理。我們知道，機(jī)器的實(shí)際輸出總是與理想輸出之間總會(huì)有一定的偏差，而機(jī)器學(xué)習(xí)的目的就是希望能將二者之間的偏差降到最低。而Vapnik的統(tǒng)計(jì)學(xué)習(xí)理論表明，當(dāng)數(shù)據(jù)服從某個(gè)特定的分布時(shí)，為了獲得最小偏差，機(jī)器需要滿足結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理。因此神經(jīng)網(wǎng)絡(luò)會(huì)遇到學(xué)習(xí)問(wèn)題，即訓(xùn)練誤差小并不必然引起機(jī)器預(yù)測(cè)效果的改善，并且在某些情況下，如果訓(xùn)練誤差過(guò)小，反而會(huì)降低泛化能力，進(jìn)而增加真實(shí)風(fēng)險(xiǎn)。支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種新的學(xué)習(xí)方法，正是結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論的具體實(shí)現(xiàn)。與神經(jīng)網(wǎng)絡(luò)相同的是，SVM結(jié)構(gòu)簡(jiǎn)單但泛化能力突出，不但可以解決小樣本學(xué)習(xí)問(wèn)題，同時(shí)也能很好地解決神經(jīng)網(wǎng)絡(luò)難以解決的局部極小值問(wèn)題，對(duì)于過(guò)學(xué)習(xí)或欠學(xué)習(xí)問(wèn)題也有良好的規(guī)避方法。
關(guān)注微信公眾號(hào)