当前位置:首页 >> 能源/化工 >>

神经网络在局部放电模式识别中的实验研究


工学硕士学位论文

神经网络在局部放电模式识别中的
实验研究

孙学勇

哈尔滨理工大学
2005年3月

哈尔滨理工大学工学硕士学位论文

神经网络在局部放电模式识别中的实验研究
摘要
局部放电量是评价在线高压电器绝缘状态的最重要技术参数

之一。绝缘 缺陷和局部放电紧密关联,在线监测高压电器运行状态,实时采集绝缘局部 放电信号并对其进行数理分析处理和属性分类,推断、预测绝缘缺陷部位及 放电发展程度,可以预报预防事故发生。因此,局部放电模式识别技术的研 究和理论探讨具有重要的工程应用价值和学术意义。 本文在参阅大量国内外现有的局部放电模式识别文献基础上,从局部放

电产生机理出发,设计了三种局部放电模型——尖对尖电极系统、尖对板电
极系统和球对板电极系统。运用现代信号采集和数字处理技术,构建局部放 电信号采集系统,通过DSO.2902数据采集装置将局部放电模拟信号转化为 数字信号直接输入到计算机。计算机通过自行设计的采集软件系统对局部放 电信号进行操作。为使局部放电信号采集软件系统更具可操作性,采用 C++Builder和MATLAB两种语言混合编程。 局部放电模式识别分类效果取决于模式特征、分类器拓扑结构和相应算 法。本文在综合局部放电特征提取方法、最优特征向量选择理论和模式分类 器设计原理的基础上,提出自适应特征提取小波神经网络,并给出相应拓扑 结构和网络学习训练算法。自适应特征提取小波神经网络是一种集最优局部 放电时频特征提取和模式分类器功能于一体的前馈型网络,在网络学习过程 中,其学习步长的选择采用自适应学习步长算法,提高网络的收敛速度。同 时,将自适应特征提取小波神经网络与以局部放电图像灰度矩为特征的BP 神经网络及以局部放电统计量为特征的正交小波神经网络的学习训练和识别 效果进行比较试验研究和理论分析,结果表明,最优特征向量的选择提取对 于局部放电模式识别是至关重要的,自适应特征提取小波神经网络于此具有 很大的优越性,同时,自适应特征提取小波神经网络与BP神经网络和正交 小波神经网络相比,其网络拓扑结构的确定具有先验性和明确理论依据。 关键词局部放电:模式识别;特征提取;小波神经网络

竺查堡矍三查兰三兰堡圭兰堡丝兰

The Experiment Study of Neural Network Application in PD Pattern Recognition Abstract
The quantity of partial discharge(PD)is parameters which
are one

of the most important technical

used to

assess

the insulation state of high voltage electrical
sources

apparatus on.1ine.The relation of insulation defects with PD

iS closely

interrelated clearly

SO

that operating states of high voltage electrical apparatus the insulation failures
can

Can be

monitored,and

be simultaneously diagnosed,

predicted,and the locations of insulation defects

and

the deteriorated degrees

could be deduced logically from the PD data—base mined real time.Therefore, theoretical study and scientific experiment
on

pattern recognition method of PD

signal waveform not only have important academic significance,but have great practical application values. Reviewed many researchers’working results and based research literatures published in domestic and aboard PD failures,the three kinds of PD models
are on on a

great deal of

pattern recognition of according
to

structured

the

mechanism

of generating PD for simulating and demonstrating the PD physical

and chemistry phenomena while appearing the insulating failures of the operating

apparatus in the Lab,which include point-point electrode system,point-plate electrode system and sphere—plate electrode system.And the devices for sampling
PD signals computer
are

designed according to the electronic technique,furthermore,the packages

software

and

the

operating

interface

are

made

up

for

processing PD data acquired from the experiment models,and for the software being more

maneuverable.the
MATLAB.

C++

Builder

programming

languages

are

combined with the

The classification effects of PD pattern recognition depend

on

the features

of the pattern,topology constitution of the networks and their training arithmetic. Based
on

the method of extracting PD feature,choosing the optimum feature theory and method of pattern classification,a new kind of WNN iS
.11.

vector space

堕玺篓竺三查耋三兰塑圭主垒笙兰
created,which possesses adaptive,and
the the

PD signal features could be extracted by arithmetic is proved and

self- the

training

demonstrated

by

mathematics and the experiment results.The extracting wavelet nellral network iS


feattire self-adaptive
network has both

sort

of feed-retward

neural

function of choosing the best efficiency PD time-frequency features

and

pattern

sorts,in order to increase the network convergence rate,the adaptive learning
step size

arithmetic is employed

to

adjust

the network learning

rates.Meanwhile,

the PD pattern

recognition

experiments

are

carried out individually by using of

the extracting feature self adaptively wavelet neural network,combining the moment fcature of PD picture gray with BP neural network and the PD statistical
feature with orthogonal wavelet neural

network,their results show that choosing
PD pattern

the

best

efficiency

feature

of

the

recognition
are

and

topology

constitution of the networks for
correct

and

their training arithmetic

vital and great effect

classifying,and
be

that extracting feature self-adaptive wavelet neural

network methods

can are

determined easily by the theoretical base and the training
the’convergence
rates

sampling

are

very

quickly

comparing

extracting feature self-adaptive wavelet orthogonal wavelet neural network.

neural network to BP neural network and

Keywords Network

PD;Pattern Recognition;Extracting

Feature;Wavelet Neural

.III.

呛尔演理1二大学工学钡十学位论文

第1章绪论
1.1局部放电模式识别发展概况
随着经济发展,电力系统正向着高f电压、大容量、大网络、自动化和智能 化方向发展,这种趋势不但对用电的安全可靠性提出更高要求,而且也促进高 压电器在线运行状态监测、故障诊断预报技术的进步…。 高压电器中出现的大部分故障都是出绝缘缺陷(金属突起、自由移动的金
属粒子、绝缘内部气隙等)引起的。在这些绝缘缺陷引发事故之自口,高压电器 中都会出现局部放电现象”I。局部放电是指高压电器中绝缘介质局部区域发生 放电,且放电没有贯穿施加电压的导体之间的现象”I。局部放电信号虽然很微

弱,但它却包含有关绝缘的丰富信息,局部放电与其引发原因——绝缘缺陷是
紧密关联的Hl。对局部放电进行模式识别,从而确定弓l起此局部放电的绝缘缺
陷类型,有利于电力系统中高压电器运行状态监测预报和维护方案的确定。实 践证明,目前电力系统中采用的对高压电器进行定期实验和维修的方法对减少 和防止事故的发生起到了很好的效果,但是此种方法存在诸如盲目性和过度维

修等不足之处"1。通过局部放电模式识别的技术方法,对高压电器运行状态实 时监测预报,能克服现行高压电器维护方案的上述不足,从而达到故障科学预

测、数据自动采集、状态诊断分析智能化、维护维修合理化。
模式识别理论诞生于20世纪60年代,70年代模式识别技术被首次应用于 局部放电识别中,替代放电谱的目测判断,提高了局部放电模式识别的科学性 和有效性”{。80年代初神经网络(Neural Network,NN)得到空前的发展,理 论上,对它的计算能力、对任意连续映射的逼近能力、学习理论及动念网络的
稳定性分析等取得丰硕的成果,应用上.神经网络的应用迅速扩展渗透到许多 重要领域rI。进入90年代,神经网络理论丌始应用于局部放电模式识别领域。 在众多神经网络中,出于反向传播算法(Back Propagation algorithm,BP)神经

网络算法简单、可靠性好,所以,在局部放电模式识别中,将各种形式的局部
放电特征量与BP神经网络相结合的识别方法得到广泛研究。文献f81通过在 环氧树脂中制造一个针状气隙模拟两种模式的局部放电(电树产生之前的局部 放电和电树产生之后的局部放电),对采集到的局部放电信号提取由视在放电 量g、放电次数H和放电相位妒组成的局部放电特征向量,将局部放电特征向

量输入到BP神经网络中,进行局部放电模式识别。文献【9]同文献(8]相似,采
用F/一q一舻局部放电特征向量,选用BP神经网络,对交链聚乙烯电缆中的局 部放电进行模式{=}{别。文献¨01模拟GIS(Gas Insulated Substations)中自由移

动金属颗粒绝缘缺陷产生的局部放电,提取此局部放电信号的统计特征,利用 BP神经网络对此局部放电信号模式识别。文献【11】,同样,结合局部放电统计 特征和BP神经网络对介质中气体空腔绝缘缺陷产生的局部放电进行模式识 别,并在此基础上讨论局部放电统计特征在局部放电模式识别中的重要性。文 献112】将局部放电的偏斜度(Skewness)、峰度(Kurtosis)、脉冲个数
(Number of

peaks)输入到BP神经网络,对人工模拟的局部放电进行模式识

别。1975年美籍法国数学家曼德尔稚岁特(B.B.Mandelbrot)提出分形理论,
其后,L.Satish和W.S.Zaengl对将分形理论应用于局部放电特征提取进行了 深入研究,并结合BP神经网络对模拟的局部放电信号进行模式识别实验和理 论分析…I。 随着问题研究的深入,模-℃分炎器神经酬络的研究也确:J1泛的展"。文献 『141分别将BP神经网络、自组织特征映射网络(Kohonen self-organizing map)

和训练向量分区网络(1earning vector quantization network)作为模式分类器, 利用统计方法提取局部放电特征.对由人工制造的绝缘缺陷产生的局部放电进 行模式识别,识别结果显示,模式分类器神经网络的结构、收敛标准、训练时

I-白j都会影响到局部放电模式识别率。文献f151椒掘7I:物学中动物神经理沦一一
突触神经足m许多具有独立功能的细胞神经组合丽成的,将5个细胞BP神经

网络(每个嗨个细胞Bp神经网络都是一‘个具有独立功能的BP神经网络)和 一个最大函数选择器组合形成一个突触复合型神经网络,选择与局部放电相位

相关的三个量——相位脉冲个数、平均放电量、最大放电量组成局部放电特征
向量,进行局部放电模式谚{别的。专家系统是指一种以知识法则为依据,以推 理为方法的智慧型程序,它是知诅{库和推理机的结合体。文献[161在局部放电 模式识别模拟实验中,结合专家系统和BP神经网络构建局部放电模式分类
器。小波变换是空问(时问)和频率的局部变换,通过伸缩和平移等运算功 能,对函数或信号进行多尺度的细化分析。1992年Zhang Qinghua和 Benveniste结合神经网络和小波变换明确提…小波神绎网络的概念和诈交小波

神经网络的算法f|”。1995年,Jun Zhang等在Zhang Qinghua提出的『F交小波 神经网络基础上。对『F交小波神经网络与BP神经网络和径向基神经网络的函 数逼近能力进行比较研究,实验结果和理论分析结果表明『F交小波神经网络能
弥补BP神经网络和径向基神经网络的一些不足Il”。其后,小波神经网络被应

晴尔滨理T人学T学顿1:学位论义

用各种领域的模式识别中。文献【19】应用小波神经网络对脑血栓脑超声波信号

进行模式识别。文献1201构造离散小波神经网络对心瓣膜疾病多普勒信号进行 模式识剐,该小波神经网络包括两部分:小波部分和多层感知器部分,小波部
分负责提取信号的时频特征,多层感知器则用于学习训练和模式识别。文献 [21]利用Prti小波神经网络对复杂的动力系统进行在线故障诊断。由上述可以

看出,小波神经网络作为一种新型的模式分类器,在局部放电模式识别领域有 着广阔的应用前景。

1.2本课题研究意义
模式识别中,特征是决定相似性与分类的关键。对于局部放电模式识别, 如何找到合适的局部放电特征量就成为认知与识别的核心问题。文献[22】对局 部放电信号的时域特征和频域特征进行了分析研究,证明不同模式的局部放电 信号具有不同的时域信息和频域信息.根据时域特征和频域特征可以J下确识别 出局部放电模式。文献123]用EMTP—ATP系统模拟GIS中局部放电,根据时频

联合特征对此局部放电信号进行模式识别。对局部放电特征研究结果表明,利
用局部放电时频特征可以独立完成局部放电模式识别任务。但局部放电时频特

征量大,对于具体识别任务而苦,在众多的时频特征量中包含一些冗余的时频 特征,这些冗余时频特征在一定程度上会降低局部放电模式识别率。若要使模
式识别率达到更高,就必须将这些无用的时频特征从特征向量中剔除出去,这

方面的工作需要进一步研究和探索。

模式分类器的质量直接影响到局部放电模式识别率。输入特征向量一定
时,好的模式分类器能得到高的局部放电模式识别率和快的收敛速度。传统模

式分类器BP神经网络的学习算法是利用梯度下降法使目标函数——误差平方
tfIi函数达剑最小,’般’htl"}』Sd,F洪差?12力‘,f||函数很难傈赶lI:定,这样岗娜极小的 问题不可避免的存在于BP神经网络中B“。同时,BP神经网络学习算法常出现
学新忘旧的现象,使得BP神经网络收敛速度不快m1。并且,利用BP神经网 络对局部放电进行模式识别时,隐层单元的数目对模式识别率影响大,如何选 择隐层单元数目却没有理论依据指导p“。径向基神经网络实质上是将低维空间 非线性可分的问题转化为高维空间线性可分的问题,径向基神经网络一定程度 上解决了BP神经网络的局部极小和隐层单元数目选择的问题,但它的激励函

数——径向基函数的非正交性使得径向基神经网络的网络参数存在很大冗余
度,造成网络学习速度不快ml。另外,在将径向綦神经网络用于模式识别之前

哈尔滨理T火学丁学硕J:学位论文

应先确定好径向基函数的中心位置和方差.但如何确定径向基函数的中心位置
和方差却没有理论依据指导,只能根据经验选择。正交小波神经网络和径向基 神经网络结构相似,只是在正交小波神经网络中,用正交小波函数替代径向基 函数作为激励函数,从而克服径向摹神经网络的一些不足.但正交小波神经删

络自身存在“维数灾难”问题。模式识别中。一般来说.用于模式识别的模式 特征量多,这样正交小波神经网络“维数灾难”就限制它在模式识别领域中的 应用。综k所述,局部放电模式识别模式分类器的设汁…些刁i足需要弥补。

1.3本课题的来源及主要内容
局部放电模式识别是~个综合性研究课题。本文在前人研究的基础上,构
建一新型小波神经网络对模拟的局部放电进行模式识别,本文的主要内容包 括:

(1)、制作局部放电实验模型,通过对尖对板电极系统、球对板电极系统和 尖对尖电极系统施加电压模拟三种模式的局部放电; (2)、局部放电信号采集系统的构建:
(3)、综合局部放电特征提取理论、最优特征向量选择理论和模式分类器的 设计理论,设计一种集最优局部放电时频特征提取和模式分类器功能于一身的 前馈网络;

(4)、进行局部放电模式识别比较实验研究。 本课题得到黑龙江自然科学基金委员会资助,题目:气体绝缘局部放电信 号采集与模式识别技术的研究,编号:E0303。

哈尔滨理工大学工学硕士学位论文

第2章局部放电实验及信号采集
2.1局部放电实验模型
理论分析和实验表明。电介质在电场作用下产生的局部放电与旌加的外电 场的种类和介质结构中的电场分布有关【26】。1试验模拟局部放电发生发展的物化 过程,研究局部放电信号与绝缘结构缺陷的相关性,其实质是模拟不同电场分 布条件下,采集伴随绝缘介质局部放电过程出现的不同种类信息,运用数理分 析方法和现代信号处理技术,揭示局部放电信号模式特征与局部放电源属性的 内在联系,为高压电气绝缘故障在线监测、诊断、预报提供理论依据和技术参 考。 实践证明不同电场分布导致的局部放电具有不同的表现形式。依据高压电 器运行过程发生局部放电故障统计数据,可以将局部放电形式归纳为极不均匀 电场、不均匀电场和稍不均匀电场分布条件下,绝缘介质局部发生放电的表 现。因此,实验室制作三种局部放电模型,用以模拟三种不同电场分布情况下 的局部放电。 (1)、尖对尖局部放电模型,如图2.1所示,模拟电场分布极不均匀情况下 局部放电。实验模型中,尖和尖之间的距离为lO.75舢。 (2)、尖对板局部放电模型,如图2-2所示,模拟电场分布不均匀情况下局 部放电。实验模型中,尖和板之间的距离为11.35咖。 (31、球对板局部放电模型,如图2.3所示。模拟电场分布稍不均匀情况下 局部放电。实验模型中,球和板之间的距离为“.2哪,球电极直径为20
him。

图2-1尖对尖局部放电模型
Fig.2-1 The PD model ofpoint-point

图2-2尖对板局部放电模型
Fig.2?2 The PD model ofpoint-plate

图2-3球对板局部放电模型
Fig.2-3 The PD model ofsphere?plate

2.2局部放电信号采集系统

2.2.1局部放电信号采集线路
本课题试验研究过程,运用脉冲电流法采集局部放电信号。其基本原理 是:局部放电发生过程产生电荷交换,使试样两端出现视在放电电荷,当把试 样连接在图2—4所示的测试回路中,试样两端的视在放电电荷就会通过测试回 路形成脉冲电流,在检测阻抗Rz两端就可采集到脉冲电压信号Iz”。可以看 出,此脉冲电压信号为不同电场分布下,绝缘介质局部出现放电现象的外在表 现,它是局部放电信号的表征。

哈尔滨理工人学工学坝。l:学位论立

zt、z2一低通滤波器;cs一标准也容{}|};cx一试样lU容:Rz一榆测5儿抗:c.一Ⅲ轴14_l缆

幽2-4局部放电信号检测线路
Fig.2-4 Schematic circuit of PD signal acquisition

2.2.2局部放电信号采集抗干扰措施
在进行局部放电试验过程,为有效准确提取局部放电脉冲信号,必须采取 严密的抑制电磁干扰措施。局部放电电磁干扰一般可分为传导干扰和辐射干扰
两种””。传导干扰是通过会属导体如导线或任何金属结构(包括电感器,电容 器和变压器)传播的干扰;辐射干扰是以电磁场形式传播的。在局部放电试验 过程可能存在不同种类的电磁干扰源,既有传导干扰也有辐射干扰,主要表现

为:架空线和变电站母线上的电晕放电,导体接触不良产生的电晕放电和电弧 放电,站内可挎硅产牛的强点脉冲,附近的电焊机及电弧炉,无线电波,载波 通讯.各种继电器触点动作产生的火花放电,系统内丌关动作等。本实验过程 中。采取如下措旋抑制电磁干扰。 (I)、在电源前加装一个玎型低通滤波器ZI,抑制来自电网的干扰,包 括:架空线和变电站母线上的电晕放电.导体接触不良产生的电晕放电和电弧 放电,站内可控硅产生的强点脉冲,以及其它祸合到检测系统的高频信号等;
(2)、在实验变压器的二次侧加装r型低通滤波器Z2,抑制变压器由于调 压励磁过程产生高次谐波干扰; (3)、实验过程在’个专用的封闭屏蔽室中进行,抑制各种空怄:l辐劓电磁波 干扰; (4)、用均压球将实验系统引线接头处罩住,以防止接头处电场不均匀产生

电晕,实验用的均压球如图2.5所示; (5)、用同轴电缆传输信号,能一定程度上屏蔽掉空间电磁干扰信号;
(6)、根据加电压和不加压,接入放电试品和接入不放电试品时示波器屏幕

哈尔滨理T人学T学碳I:学位论文

显示的变化来区分和消除实验回路的其它干扰Ⅲ1。

幽2-5均压球
Fig.2?5 Voltage sharing global

2。2.3局部放电数据采集软件系统设计
准确采集原始局部放电信号数据是分析处理局部放电信号的基础,是将局 部放电故障属性正确分类的保证13“。在本课题的实验过程,由检测阻抗R:采
集到的局部放电信号经由同轴传输线C.通过DSO.2902数掘采集装置直接输送

到计算机内指定存储单元,由自行研制的局部放电数据采集软件系统对计算机
内的信号数据进行操作。DSO.2902具有最大250MHz实时采样速率,且采样 速率从lHz到250MHz可调,模拟带宽为80MHz,最大256K的存储深度(可

调),USB口连计算机。在实际软件开发设计过程,采集软件系统是以c++ Builder和MATLAB作为基本语言工具实现联合编程的。 2.2.3.1局部放电数据采集
局部放电信号数据采集流程如图2-6所示。

在局部放电数据信号采集过程中,数据采集装置DSO.2902的硬件驱动程 序与采集软件系统的通信十分重要。0UT.d11文件提供大量的数据采集装置的 硬件驱动程序,软件可以通过dll(动态连接库)的调用很方便的完成数据采 集过程。在c++Builder中使用du有两种方式,一种是静态调用,一种是动态 调用。采用静态调用方式时,dll在程序_丌始执行的时候就自动载入,占用的
系统内存较多。而动态调用方式仅仅在需要的时候才将dll调入内存,占用的 系统内存少,付出的代价是调用过程复杂.反复从内存中调进调出需要占用一 定的CPU。在实验过程,出于局部放电发生具有随机性,数掘采集装置需要随 时处于对局部放电信号进行捕捉采集状态。所以,局部放电采集软件系统采用

静态调用方式比较合理。静态调用dn需要三个文件,它们分别是调用的d11文
件、此dll对应的输入库文件(+.1ib)以及此dU对应的头文件(+.h)。dll对应

的输入库文件可以由用户通过Implib命令在DOS环境下生成,其命令格式 为:implib F:\一卜lib F:\..一dll。得到这三个文件后,将它们拷到工程所在目录
下,在c++Builder工程环境中.点选erojectlAdd
to

Project…将dll文件和库文

堕堡鋈墨王查茎三兰翟;!兰堡垒兰
件加入到:r程中,井在头文件中包含dll文件对应的头文件。

(…一并鼯~…)
硬件自测试

测到硬1 l是

、、一7
——!一
毫u始化

采集参数设训

启动采集

软件以演d÷方 式启动

L学 n赢
I。。。。。。。。。。。’1’’1。1。。。‘’1’。。。。。。。。_j

C壶]


闺2-6局部放电采集流稗酗

Fig.2-6 The PD signal acquisition flow chart

从流程图2-6可以看出,在数据采集时,首先要进行数据采集装置的硬件 检测。DSO一2902硬件检测流程如图2-7所示。图中,USB 1:3检测是用于对计 算机USB 1:3的寻址,并将其口地址返回给软件:DSO硬件检测用于软件检测 DSO数掘采集装最是否已连接在计算机的USB口上。动态连接库中,相应的
甬数格式分别为:
char
char

FindPort(int+UIP,char+UCP,char Sysve0; FindHardware(int winversion,char*board model,int*UIRchar*UCP);

参数UCP、UIP共同表示返回的USB口地址。

哈尔滨理工大学工学硕士学位论文

—————~絮兰二/,

』—迄>
i!!!堡竺堡!L{
‘足


—黑
软件以检测方 式运行

f软件以演示方i
式运行



图2.7硬件检测流程图
Fig.2-7 The hardware detecting flow charl

进行完硬件检测之后,在进行局部放电数据采集之前,还应先进行数据采 集DAQ(Data Acquisition)参数设置。在DAQ参数设置中,需要设罱每通道

采集数据的参数和一次循环采集的数据块的大小。其中,每通道采集数据的参 数具体包括:触发方式、触发源、触发水平、触发位置、触发速率(采样速 率)、每分区的电压值、耦合方式(直流和交流)、探头衰减倍数、偏移位置。 进行完上述工作后,采集程序将用capture函数命令开始数据的采集,以
EndCapture结束本次采集。

2.2.3.2局部放电信号图形绘制 局部放电信号数据存入计算机后,根据需要调用和显示相应的信号波形。 在设计显示程序时,需要考虑三种不同的显示状态(文中,将数掘采集装置的
第一通道以通道A表示,同理,通道B则代表数据采集装置的第二通道):通 道A、B同时显示(A&B),通道A单独显示(A),通道B单独显示(B)。 木文显示程序设计的思路足只构造一个双通道显示程序,显示程序的输入端1

和2分别对应数据采集中的通道A和通道B。若需要单独显示A或B通道的
信号时.将该通道的数据送入显示程序的输入端l或2,显示程序的另一个数

据输入端2或1全部输入数据——O,并且0的个数必须与实际采集的数据个
数相等:当用户选择两个通道同时显示时,才将两个通道的数据同时送入显示

喻尔滨理工大学T学硕.1:学位论文

程序的输入端。这样不管用户选择何种显示状态,都可以用一个双通道显示程 序来显示对应的信号数据。 在显示程序的输入端所获得的是离散数据,要绘制局部放电信号波形就要 对离散的信号数据进行处理以便重构局部放电信号波形。即采用一种插值算法 对离散的信号数据进行插值处理,尽量不失真地重构信号波形。在本课题的研 究过程,采用分段线性拉格郎日插值算法,对相邻的两个离散数据点进行拉格

朗同插值。算法如下:设Y。@=1,…,Ⅳ)为显示程序输入端所获得的离散信号 数据序列,S似)为分段一次多项式,满足S(k)=Yk,则在各个小区间陋,k+1] 内S(x)为: (2-1) sI扛)=坼+1一x)y々+x一后抄“l
式中x——局部放电信号波形横轴的时间变量
式(2.2)给出了利用此分段线性拉格郎日插值算法产生的误差
,o,.、

,(x)一S.(x)=L裂0一I+1)(X--七)x∈陆一1,k1
式中f(x卜一局部放电真实信号
图2-8给出了信号波形显示程序的流程图。
开始
读取显示通道号i

(2—2)

i207


读取通道^数据 到输入端1

童芦
是l 读取通道A和 B数据分别到输 入端1平u2 读取通道B数据 到输入端2

读取A通道显示l
参数

l读取B通道显示I
参数

I读取A、B通道

显示



插值重构信号
————皇———一

显示信号波形

结束 图2-8信号波形显示流程图
Fig.2—8 The signal waveform display flow chart

晴尔滨理1二大学T学硕士学位论文

2.2.3.3文件操作功能的实现 文件可操作性是一个完整软件必须具备的功能之一。面向对象的程序设

计,是通过为数据和代码建立分块的内存区域,达到模块化编程的一种程序设 计方法。类是面向对象编程思想最典型的概念,它具有抽象性、封装性、多态 性的特点。本部分的没计编制采用的是以c++的流类库结合c++Builder的保 存和打开控件的方式来实现文件操作功能。在C++中预定义四个标准流:cin
与标准输入设备相关联:cout与标准输出设备相关联:CelT与标准错误输出设

备相关联(非缓冲方式);clog与标准错误输出设备向关联(缓冲方式)。c++ 就是通过将文件流类和上述四个标准流中的某些建立起关联,从而实现对文件 的操作。ifstream文件流类用于文件的输入操作:ofstream文件流类用于文件
的输出操作:fstream文件流类允许对文件在两个方向上进行操作。它们的构造 函数格式分别为: ifstream::ifstream(char 4name,int
lype=ios::in,int

prt=filebuf.":openprot);

ofstream::ofstream(char+name,int type=ios::out,int prt=filebuf::openprot) fstream::ftream(char+name.int pit=filebufi:openprot)。

其中,参数name为文件名:参数type为文件的打丌方式,ifstream类和

ofstream类的构造函数提供了缺省值,如果不使用这个缺省值时,则必须指定
方式iso::in或iso::out;参数pr=L为文件的保护方式,这个值和具体的操作系统 有关,一般只使用缺省值filebuf::openprot,它是在filebuf类中定义的一个公有 的静态数据成员。图2—9和图2—10分别给出数据保存到文件和从文件中读取数

据的程序流程图。

絮丝啦
广—可甭—]
利开jcln流实

——。—,..:,!......,.....—.,....~ ——苎i
弹出文件路径选择对话 框,选择保存路径 建立‘lfstre anl类,将这个类 平jl选样的保存文件笑联起来



堕塑



图2-9数据保存剑文仆程序流科幽
Fig.2?9 The flow chart ofsaving date files

iI;_}尔滨理T大学T学颂小学位论文

葡磊翻渺一查 一豇一一
堑塑
) 弹出文件路释选择对证 框,选样耍打开的文件 建3):--ofstream类,将这个类 和选择的打开文件关联起米 利用cout流实现对文件的打开操作 结束

葡蠢液茂盛:一查

弼2一{O读取文什数榍秣序流料佳l
Fig.2-10 The flow chart ofreading data from files

2.2.3.4局部放电信号功率谱分析
功率谱反映信号的功率在频域随频率m的分布,具有明显的物理意义I”I。

本部分功率潜的计算主要是为了后面臼适应特征小波神经网络隐层神经元个数
的确定。功率谱密度函数的计算方法主要有两种:一是根据平稳随机信号的自 相关函数和功率谱是一对傅立时变换对的关系,通过相关函数做傅立叶变换求

得,称为间接法;二是对原始数据直接进行快速傅立叶变换,求得离散傅立叶
变换(Discrete Fourier Transform,DFT)谱后再求功率谱密度,称为直接法。

本文采用直接法计算功率谱。设信号序列为{y(月),I"1=1,…,|v},则它的DFT
变换为:

y(女):兰y(。)。一,警
于是信号的功率谱密度为

(2—3)

m):噬
、7



(2-4)

MATLAB是Math Works公司推出的一种高效率数值分析软件。MATLAB

中提供完备的数学工具函数和强大图形绘制函数,很容易实现工程设计、数掘
拟台及图像处理。利用C++Builder和MATLAB进行混合编程,可以充分的发 挥两种语言各自的优点。具体的说,就是利用MATLAB的32位动态连接库 (dlJ),生成相应的町以被C++Builder调用的dll,用来提供一者之削的慕本

支撑环境,只需在用户程序中操作dll数掘段的数掘,并通过一定方式在用户

哈尔滨理T.k学m学硕一l:学位论文

程序中使MATLAB执行该dll,就可实现用户程序对MATLAB的调用,其形 式司。以是混合编程或函数调用。

为在c++Builder中利用MATLAB提供的可外部连接的dll文件进行 MATLAB函数调用或混合编程,须先将此dll文件转换为相应的.1ib文件,并
做必要的设鼍。

(1)、运行环境的要求 由于MATLAB提供的是32位的dll,所以,运行环境要求MATLAB 或更高版本;c++Builder要求是V3.0或更高版本。
(2)、C++Builder下,lib文件的生成 MATLAB在<MATLAB>\extemkinclude目录下提供了三个分别对应其dlI
V4.2

文件的用于与c+十Builder进行连接的.def文件,它们分别是libeng.def、
一libmat.def和一libmx.def。通过c++Builder的implib命令在DOS环境下生成

相应的.1ib文件,其命令格式为“implib*.1ib*.def”。将生成后的三个.1ib文件
拷至1]<MATLAB>\extern\lib目录下。 (3)、C++Builder编程环境的设置

①、在头文件中加入engine.h文件,engine.h文件中包含MATLAB引擎 启动和关闭的函数声明。
②、打开ProjectlOption…对话框,点选Directories/Conditionals。 a、在Include path中,加入目录路径<MATLAB>\extem\include,玖路径卜 包含engine.h和matlab,h等有用的头文件。 b、在Library path中,加入<MATLAB>\bin和<MATLAB>\extern\lib路

径,这两条目录路径卜.包含可外部调J!{j的dlI和1.b义件。 ③、点选ProjectlAdd
tibmx.1ib三个库文件。
to

Project…对话框,加入一libeng.1ib、一libmat.1ib、

这样,通过MATLAB和c++Builder的混合编程就可以很方便的完成信 号的DFT变换运算,再出公式(2.4)求出信号的功率谱。 在设计程序计算信号的功率谱时.注意到,由于信号的傅立叶变换域为
(一N,N),而实际中负频率是没有物理意义的,所以对应功率谱只耿其一
半。

图2—11给出了信号功率谱计算的流程图。

开始

计算信号的ⅡFT

利用信号的
DFT计算信号的 功率谱

求出功率谱数 纽的K度N



只、 ,/氰N/2弧、

\l=N/2/

输出竹边功牢 谱



堕壅



图2-11功率谱计算流程图
Fig 2_1 l The flow chart ofcomputing power spectra

2.3本章小结
本章根据本科研工作的需要制作三种局部放电实验模型,并设计局部放电
信号的实验室采集线路和编制相关的采集软件系统计算机程序。其中,采集软 件系统用c++Builder和MATLAB联合编程的形式完成,它包含获取局部放电
信号数据程序模块、文件基本操作程序模块和数据处理程序模块。

喻尔演理T大学T学硕I:学位论文

第3章局部放电模式识别特征
广义的说,存在于时间和空间中的可观察的事物,如果可以区别它们是否

相同是否相似,都可以称之为模式ⅢI。模式所指的不是事物本身,而是从事物 获取的信息。因此。模式表现为具有时闻或(和)空间分布的信息。模式识瓤 就是把具体事物归入某一类别的过程,它是信息智能处理中的一个重要学科领 域。模式识别的复杂性,在于不存在纯客观的识别分类标准。特征是指一类事 物区别于另一类事物的各个方面的综合,它在很大程度上依存于模式识别的目 的和方法,从原始信息得到特征通常需要经过复杂的非线性运算。很多实际问 题中常常不容易找到那些最重要的特征,或受条件限制不能对它们进行采集和
测量,使得如何生成特征成为构造模式识别系统最困难的任务之一。模式识别 中。特征提取的任务就是根据只体模式识别任务从众多特征中提取最优的特

征,也就是提取那些在特征向量空间中类间距离大而类内方差小的特征。

3.I常用的局部放电特征
3.1.1局部放电统计特征
高压电器中产生的局部放电与其绝缘缺陷类型密切相关,但局部放电也同

时受到其他因素的影响,因此,表征绝缘故障的局部放电信号具有宏观的统计 性和微观的随机性。利用统计方法提取局部放电特征能使局部放电的宏观统计 性得到比较好的体现,有利于识剐任务的完成f”j。具体过程中,采取循序渐进
的方式提取局部放电的统计特征。通过对一个周期的局部放电信号统计计算可

以得到三个基本量:胛(放电次数)、gf放电电量)、妒f放}乜相位),对这三个量
进行更为细致的分析,将一个周期的局部放电信号等分为Ⅳ个相位窗,如图3.

1所示,对每个相位窗计算其n、q、伊值。得到{伟}、{gjl、{仍j序列。
一个周期的局部放电信号包括两部分:正半周部分、负半周部分。对于同
一种局部放电故障,出于引起局部放电的主要因素(绝缘缺陷)相同,故期望 不同的放电信号在正半周和负半周得到相似的放电特性”6I。由此,定义局部放 电三个统计特征量为:

阶尔滨理T人学T学坝小学位论』【:

剿3-l局部放电脉冲电j叠及其相位角
Fig.3-1 The quantity ofeleetric charge and phase ofPD pulse

(1)、放点电量不对称度Q

p:篮钽
~g/n+ 式中阱——『F半周各个相位窗放电量可?的累计和; Q!『——负半周各个相位窗放电g『的累计和; "+——正半周总放电次数: 疗一——负半周总放电次数。
(2)、相位不对称度中

(3-1)

m:纽


(3—2)

式中纯——正半周起始放电相位: 纸——负半周起始放电相位。
(3)、相关系数cc

∑堡:互二∑互∑互』!
式中万——『F半周第i个相位窗的平均放电量; 矸——负半周第,个相位窗的平均放电量 .v’——半周相位窗个数。

(3—3)

3.1.2局部放电图像灰度矩特征
图像灰度级为0-255,如图3.2所示,将局部放电信号图像等分为许多小
窗口,以一个窗Iq的总的像素点个数R。。对应最大狄度值,则窗口坐标位置为

(f,/)的局部放电信号图像狄度为:

啊,,=罟×255=,(f,-,)(3-4)
●maX



堕兰篓矍王:i兰三竺鎏!:兰堡垒兰 式中P,,——坐标为(f,.,)窗口的像素点个数。
(1,岣, /\ 。、。 0‘岣
~、h●



(1。1) 0,D

@,1)

图3-2局部放L乜信号图像灰及矩特征绳取 F培3-2 The
processes ofextracting PD signal picture gray

在图像模式识别中,矩特征是一种被广泛应用的图像形状参数,局部放电 信号图像灰度矩特征在统计意义上描述了局部放电灰度图像基本灰度分布状况
【”I。

根搬文献【37]一局部放I【_!l慝I像扶度f(f√)的(p+q)阶原点知为:

m。=∑∑i”,9厂(f,,)


(3—5)



局部放电信号图像荻度/’(f,,)的质心坐标(了,7)表示为:

{二一?。/’

(3。6)

在此基础上,为反映图像灰度像素相对于质心的分布情况,定义S(/,/)关 于质心的(p+q)阶中心矩为:

%=EE(i一丁)9(.『一7)9,(f,J)


(3?7)



由唯一性理论可知,对于某一个特定的坐标系,矩序列和.f(i,/)是一一对
应的关系。本文,将局部放电信号图像灰度的中?tD,矩作为它的矩特征用于局部
放电模式识别。这是因为:图像的原点矩值会随坐标变换和旋转而发生变化, 而图像的中心矩值是不会因坐标的变换而改变的。

3.1.3局部放电时频特征
近年来,时频分析(Time.frequency Analysis,TFA)作为一种有效的信号

分析工具得到广泛的应用,特别是对于处理具有时变频谱的非平稳信号,具有

喻尔滨理T入学T学颂l+学位论史

独特优势””。局部放电信号是非平稳信号,它包含长时低频和短时高频不I司尺 度的信号,对局部放电信号进行联合时频分析提取局部放电信号的时频特征, 既能把握信号时频的全貌,又能使其局部特性得到很好的体现,更容易揭示局 部放电的本质特征mI。 若要对局部放电信号进行时频分析,用~般的变换方法很难达到要求。傅 立叶变换是一种纯频率变换,虽然具有最优的频率分辨率,但它基本上不具有 时问分辨能力,不能提供任何局部时间段上的频率信息。短时傅立叶变换虽然 具有一定的时频分析能力,但它不能根据高、低频信号的特点,自适应地调整 时.频窗,在时.频局部化的精细方面和灵活方面表现欠佳。小波变换是一种多 尺度分解的时频变换,具有良好的时间域和频率域局部化特性,是信号时频分 析的有效手段|401。

根据文献【33j,信号,(,)扩(,)∈口(侬))的小波变换定义为:

(K,)(啪)=(,(f)畅(f))=(,(f)Il口1一p(等))
斗I■/+iS(咖㈢弘
式中∥(f)为基小波函数或小波母函数,它满足
(3-s)

c,=M’阢1咖<o。(3-9)
式中≯(w)——∥(『)的傅立叶变换

在实际应用中,通常将d和6取做整数离散形式,此时用≯。●)j来表示小
波函数系,将,称作为小波函数的尺度。

P,^(f)=2烂19(2,f一七)

(3.10)

相应的帆,厂n,t)称为信号的离散小波变换(本文中简称为小波变换) 哦I)0,t)=(,,妒卅)
(3一11)

由公式(3?11)可知,当-,固定。不同k值时信号的小波变换代表它的子频段 特点的不同时域分量。这样,为了得到不同子频段的时频特征,就需要对信号

坠尘篓:::查兰三兰些;!兰竺鎏兰
进行小波多分辨分析。

根据数据采样定理,模拟信号.f(t)E r(腑)可以用一串不同尺度,(设给 定等距采样间隔△作为基本单位,对应,尺度的采样间隔为Aj:A/2,,
,e

z)的信号序列扩’(,)}来逼近,这种办法称为信号的多尺度逼近。依据插

值定理,f’O)可以由一基函数序列的线性组合表示,即

厂’(f)=∑c/妒m(f),庐坩0)=雌,,一宠lt∈Z


(3.12)



J 、

L2 ¨={,7(f)If 7(f)=∑办.。(r)} )31-3( C. ,,(f)∈(他)

显然,■是基函数的线性空间,且是三2(朋)的子空间,Vi(22 L2(职),变动 J,因为f’O)∈■,所以,’(,)斗厂(f)从函数予空间角度可描述为 .…c巧c_+。c…cr(腿)
(3.14)

也就是说,"j。是一串嵌套式的子空间逼近序列。
信号的小波多分辨分析(Multi-resolution Analysis.MRA)是基于多尺度

逼近理论基础上的?是指一串嵌套式子空间逼近序列眈k:,它满足下列要
求:

(1)、…c_c■+l

c…c

L2恤):

(2)、_=spant Ok,,。(f)l办。。(f)=2i妒(2,,一≈l≈∈z}:
(3)、撕)=∑丘,矽(2卜刀)
溉}∈,2;
(3.15)

(4)、移(f一々)}足Riesz基,即爿∑p盯sII∑(誓办。(f)l|2≤BZIc:12。
式(3—15)称为双尺度方程,加)称为尺度函数或MRA的生成元。 在MRA中,因为巧cl+.,记%=匕+./v,,即%是■在■+,中补子空
一+-=¨o% 式中o——子空问的直和关系
(3-16)

因为%也是一个基函数的线性子空问,设其基为妒肘(,)j.丁是

墼垒鎏竺王查兰三兰2土兰堡堕兰

%=渊疗{%皓2=}fy(2¨☆胁z}(3-17)
并且y∽∈‰~定可由_中的基函数线性表示

y(r)2莓gn舡一”)
间。

k一”(3-18)

于是,铲O)为小波函数,将%称为第/次小波空间,■称为第,次尺度空
于是,对信号进行小波多分辨分析,分析后的结果——不同尺度下的小波
系数序列即代表局部放电信号的时频特征。图3-3、图3-4分别为利用小波多

分辨分析对由尖对板和球对板电极系统产生的局部放电信号的时频分析结果

艮图中’8紫始信黾dl、…“9为信号不同尺度下的,J啵时频分析。


d轧篓E三三=三三三三三三三刍 L—......J———.————^.....———^———.....L——.—::::E::————.J—......—J.———.—』 d8-兰区三三三三三三三三三三|
≈L‘O

1鸳[三三!三三三三三习

d翼F=≥天=====二=二==习

d霞兰E王三三三三三三三丑 d爱i E雯五巫至三三三三丑 d叠E至互三三三三三三习 电:l E至巫三三三三三三丑
幽3-3尖对扳电极产生的局部放电信号小波时频分析图
electrode

d2.i E圣受至蔓至夏三三三丑 d,j E三j圣臣三里曼三三|



Fig-3.3 The wavelet time?frequency analysis diagram of PD signal produced by point—plate

坠尘鎏型三查兰二兰堡:!』耋竺鎏兰

s挈E=匹里三三三三三三j d复i E三三三=三三三三三刍

d8一l
d6

E芝三三≤三三三马 dt:i|巨三互∑三三三三三三|
j巨X乙受至乏三三三三| d爱:i
d2

d3.;巨亚巫三亘至三三圈
electrode

E歪亚巫三三三三j

j d1 j —_高—焉r1#—右—名F1占—高{4,clo.气

陌i丽鬲鬲=i;i#:=习

图3-4球对板电极产生的局部放电信号小波时频分析幽
Fig.34 The wavelet time。frequency analysis diagram of PD signal produced by sphere.plate

3.2特征的可分性测量
对于具体的模式识别任务,不是任何特征都能较好的达到模式分类的目 的。特征选择就是根据一定的特征测量准则提取出一组最优的特征向量,以达
到最有效的分类目标。

3.2.1特征标量可分性测量
利用特征标量可分性测量标准选择模式特征就是不考虑模式特征序列中单
个特征量之间的关联性,仅根据特征序列中单个特征的分类能力来选择最优模 式特征序列。

为研究对于不同类(例如w。。w:)某一特征的特征值是否具有可分性,

兰玺堡型:△兰二兰堡!:兰兰鎏兰
可以用基于假设检验描述此问题,用公式表示为: H-:特征值具有可分性(3-19)
H。:特征值不具有可分性 利用统计信息的方法分析实验数掘,叶做m接受或非H。的判定。

令x,,i=1,2,…,N是wI类中的某一特定特征的样本值,其均值为/.tI;相应 地,对于另~个类w:,有yl,i;1,2,…,N,其均值为/.t:。这样,式(3—1劝的检 验问题就可转化为对两类特征值的均值/-tl一/.t:不为零的检验。

日l:却。“一∥2≠0
Ho:ACt=/1I-,U2=0

f3.20、






i=5Zcx,一y。)=一x-y一
对此阔题分两种情况讨论。 I、已知方差的情况

(3—21)

设扛,)的方差为O"t2,h}的方差为口:2。在Ⅵ类和w2类中,
同的样本集合,享将是一个随机变量,其数学期望为:

采用.Ⅳ个不

E(亨)=专吐姜(_一只)]=专喜E(t一咒)=芦,一∥:
因此j为/.t,一∥:的无偏估计。E的方差呸2为:

(3-22)

仃;2=专b。2%2)
由此,定义检验统计值

(3—23)

铲掣

(3-24)

:zEHoT,手的概率密度函数逼近高斯分布N卜鳓譬]

喇=去exl(一掣≯)
.23.

凸zs,

坚::篓竺二盎兰王兰鎏.!::兰竺鎏兰 因此在H。下,q的概率密度函数近似服从正态分布N(o,1)。对于显著水平

p,随机变量g以1一p的概率位于簧信区间D《一%,qp]。如表3—1所示:

表3?l正态分布N(0,1)的变量概率与置信区间[一%,%]
Table 3-1 the variable possibility and its conridence

interval[一%,%]。fnormal
0.99 2.576 0.998
3.090

1一p
qp

O.8 1.282

O.85 1.440

0.9
I.645

0.95 1.967

0.98 2.326

0.999 3.291

于是,检验假设的判定分为以下几个步骤完成: 1.计算互,口: 2.选择显著水平p: 3.从表3—1中找出对应于1一P概率的置信区间D

4.如果尊∈D则接受H。,否则接受圩.。
1I、未知方差的情况 在此情况下,应先估计方差值。

磊2:—击瓠一孟)z 2而弘吖J. 嘭2:—击礅N一功2 呜2而沙一习


(3-26)

建2=谚2+磊2
这样:

。:三单型
哆/瓜
,分布,表3-2给出了,分布的各不同显著水平和自由度的髯信区间。

(3-27)

此时,如果z是商斯分布的随机变量,可以认为g服从自由度为2(N一1)的

表3-2 t分布不同显著水平和自由度的置信区问
Table 3-2 the confidence interval

ofdifferent


level ofsignifieance and degree offreedom of

弋 自由趴
10

distribution

0.9

0.95

0.975

0.99

0.995

1.81 1.79
1 78

2.23 2.20 2.18 2.16 2.15 2.13
2.12

l】 12 13
14

2 63 2.59 2.56 2.53 2.51 2.49
2,47

3.17 2.10 3.05 3.01 2.98 2.95 2.92 2,90 2.88
2.86



3.58 3.50 3.43 3_37 3.33
3.29 3.25 3.22 3.20 3.17 3.1 5

1.77 1.76 1.75 1.7S 1.74 1.73 l。73
1 72

15 16
17

2.1l 2.10
2.09 2.09

2.46
2 44

18
19

2,43
2.42

20

2.84

3.2.2特征向量可分性测量
模式的特征向量中众多单个特征之间不可避免的存在着相互联系,这种相 互联系影响着特征向量对模式的分类能力。仅根据特征向量的单个特征的分类 能力来选择最有效的特征向量,是不能获得很好的效果。因此,定义测度特征
向量分类能力的两种方法。

I、发散性 在贝叶斯分类准则中,当给定两个类w.和w,以及一个特征向量i时,比

率1n;篆蒜=日:(i)反映出了特征向量j在类w,和类w:之间区分能力方面的
信息。考虑贾取不同值的情况,有

吼=EP…-n瓣
D:.=Eplilw:)1n
d12=D12+D2

f3—28)

(3—29)

f3-30)

畸尔滨理丁人学T学坝J:学位论文

dt:即为“发散性”?是特征向量i关于类w。和类w2可分性的测度。对于多类问 题,用平均发散性做哥对于此多类的可分性的测度。

d:兰兰P(Ⅵ)P(W,b, =∑∑P(w,)P(W,p,
i-I

j=l

(3—31)

d口=D,j+D_

如果特征向量值的分布符合高斯分布N如,,£,)和N仁,,至,),则

吒=寺驴删弦5,+£,。‘量,一2q+


(3—32)

丢(届一见)7(宝,‘’¨,一1)(忍一面,)
其中trace为求矩阵的迹,等于矩阵的特征值之和。从式(3—32)可以看出,类 的可分性不仅取决于特征均值的可分性.还必须考虑特征的方羞。 II、散布矩阵
在I中定义的发散性一个主要缺点就是不容易计算,除非假设密度函数为

高斯分布。考虑,维空间特征向量样本分布之问的关系,得出下列矩阵:
(1)、类内散布矩阵

雪。=∑gs,
式中亏,——Ⅵ类的协方差矩阵

(3-33)

量=E『(王一属)(j一尼)7](3-34) #为Wi类的先验概率,也就是说只。%,ni为N个总样本中属于w,类的样
本数。很明显,trace{S。}是所有类的特征的方差的平均测度。
(2)、类间散布矩阵

霉。=∑£扫,一丑。)(露,一/io)r
式中风——特征向量全局平均向量

(3—3s)

盂。=∑P皿,

(3-36)

喻尔滨理T大学T学硕卜学位论文

明显,IracP谛。}是每一类的均值和全局均值之间平均距离的测度。
(3)、混合散布矩阵

瓦=El(置一风)(哥~风)7 l
可以证明
S。=S,+S^

(3.37)

(3-38)

tracetS。}是特征值关于全同均值的方差的测度。
正如I中所述,在确定特征向量的可分性准则时,应该使特征向量的均值 和方差都能得到考虑,于是,有准则
J.=

f3—39)





|l

—S

(3-40)



fI “

魁刚~ =kp



一k 一no●j

(3-41)

准则Ji、,:、J3相互之间成比例关系,如果J。越大,以、山也越大;J:越 大,^和山越大:Js越大,J。、J:越大。在实际中,由于J;计算量大。常取
J:或厶作为特征向量类可分性测度。

3.3特征向量提取
要从m个特征中提取,个组成特征向量,如果将特征作为标量处理,具有 计算简单的优点,但一般情况下特征间相关性高,用这种方法处理得到的特征 向量效果差,而如果直接利用“最优性”原则,根据特征向量可分性测度标准 选择特征向量,即使m和,都很小,这也将会需要庞大的计算量。下嘶给m一一 然次优搜索技术的静代方法。 (1)、顺序后向选择 令m=4,原始可用特征为一,X2如,h。希望从中选择两个,步骤如下:

gt、选择类可分性准则C,为特征向量Ix,,X,,X-3,x。y计算其C值; b、剔除’个特祉,刈每一种口J能的组台k。,也,X』7,卜。,X2,x。r,
k,X3,■f,k:,屯,h J’计算其相应的准则值,根据结果,选择出具有最高准

坠丝鎏矍二ii::j兰王耋堡圭兰丝耋兰 则值的组合,例如k,X2 x,r; c、从选择的三维特征向量中剔除一个特征,对每一种组合k,X2r, k,屯】7,b:,屯]7计算准则值,选择出准则值最高的组合,即得到所要的特征
向量。

从上述步骤可以看出,在特征向量顺序后向选择方法中,用到的组合数为

1+0.5,(掰+i)m—I(1+1),比完全搜索过程的组合数要少得多。但是,实际问
题中,因为特征向I-,9各个特征之间的关联性,这样就不能保证最优的k维特 征向量一定来自于最优的k 4-1维特征向量。
(2)、顺序前向选择 步骤如下: 第~步:

选择类可分性准则C,计算每一个特征的准则值,选择具有最高值的特征,如
Xl。

第二步: 组合所有包含已选择的特征(如五)的二维向量,计算每一个向量的准则值并 选择准则值最高的向量。 第k+l步:

组合所有包含己选择的k维向量组成k+l维向量,计算每一个向量的准则值, 选择准则值最高的k+1维向量。
如此进行下去.直到选择出具有最高准则值的,维向量。

同样,在此方法中,也不能保证最优的k+I维特征一定来t-I于最优的k维
特征。

3.4本章小结
本章根据相关文献,设计了三种局部放电模式识别特征量——局部放电统
计特征、局部放电图像灰度矩特征和局部放电时频特征。并对提取局部放电特
征向量进行讨论。

哈尔滨理工大学工学硕。l:学位论文

第4章局部放电模式分类器
模式分类器的设计是模式识别中的关键,指的是在样本训练集基础上确定
某个判决规则,使按这种判决规则对被识别对象进行分类所造成的错误识别率 最小或引起的损失最小171l。分类的复杂性,在于不存在纯客观的分类标准,它 不是单纯的数学问题,其中还需要有生物学的观点。神经网络(Neural Networks,NN)是指一类在模仿人脑结构和某些工作机制基础上建立起来的

一种数学模型,其特点是,利用大量的简单计算单元(神经元)连成网络,实 现大规模的并行计算。它反映人脑功能的许多基本特征,如并行、分布式存储
和处理、自组织、自适应和自学习能力,特别适用于处理需要同时考虑诸多因

素和条件的、不精确和模糊的信息处理问题。三层和三层以上的神经网络具有
对任何非线性函数自适应的逼近能力。神经网络已被广泛应用于局部放电模式

识别模式分类器的设计工作中。
4.1

BP神经网络
BP神经网络算法的基本思想是通过网络的连接权将输出层的误差传到隐

含层,逐步后退,最后到达输入层,根据误差调节权值。最终使学习目标函数
达到最小。三层BP神经网络结构如图4,1所示,它包括一个输入层、一个隐

层、一个输出层,分别由K、M、L个神经元组成。其数学表达式如式f4.I)N
不。

输入层

隐层

幽4—1二层BP神经网络结构幽
Fig.4一I The topology of three layer BP neural network

哈尔滨理工人学工学硕l:学位论文

”=妒[喜%葺一g),n=伊(芸w么一一《]
式中w.——输入层第f个神经元与隐层第,个神经元之间的连接权; w:——隐层第,个神经元与输出层第k个神经元之问的连接权; 口——檀应的神经元的阈值; p(.)——神经元的激励函数
根据文献[241,确定网络的学习目标函数为:

c。一?,

%=去∑寺∑(巩(n)-Yk(一))2
』n=l‘★Ef

(4-2)

C为包括的所有输出单元;P为训练样本总数;吐(月)和Yk(疗)分别为当输入第
”个训练样本时。网络第,个输出单元的期望输出和实际输出。训练神经网络

的目的就是要通过调整%和哌的值使s。,取得最小值。利用最速梯度下降
法,得出网络权值的修正量如下。 I、连接隐层和输出层神经元之问的网络权值修正量:

△吆=r/?瓯(n)-”(疗),

瓯(。):(以o)一蚱(n)).∥f兰咄y;一《]
\』-l




(4.3)



lI、连接输入层和隐层神经元之问的网络权值修正量:

△%=r/.妒’l∑%一一只l?∑喀(n)‰?墨(”)
\i=1

厂K

(4—4)

玎为学习步长,一(九)表示的是输入第一个样本时输入层第i个神经元的输
入量。网络训练过程中,权值采用单次修改法,即每输入一个样本修改一次权 值,当目标函数达到某一给定的足够小的值时,网络训练结束。

4.2径向基神经网络
径向基神经网络实际上是通过输入层到隐层的非线性映射把模式识别中原 来非线性可分的问题转化为线性可分的问题。图4.2给出了径向基神经网络的 结构图,它只有一个隐层,输出层单元为线性求和单元,隐层单元的激励函数
为径向基函数(Radial Basis Function,

RBF),输入层神经元为直通型;输入

层神经元到隐层神经元之间的连接权值固定为1,隐层单元到输出层单元之间 的连接权值可调。在径向基神经网络中,最常用的径向基函数是高斯函数,它

哈尔滨理T人学T学硕Ij学位论文

的可调参数有两个:中心位置和方差(函数的宽度参数)。选择高斯函数的中 心位置和方差有以下两种方法: (1)、根据经验选中心。只要训练样本分布均匀,就可根据经验选定均匀分布的

M个中心,其间距离为d,则高斯函数的方差为盯:,竺:
√2^f

(2)、用聚类法。把样本聚成几类,以类中心为各RBF函数的中心。

—'J,

幽4-2径向基神经网络结构
Fig。4-2 The topology of radial basis neural network

4.3正交小波神经网络
小波神经网络起源于小波分解,是近年来人们在小波分析研究成果的基础 上结合神经网络提出的一种女口馈型神经网络。正交小波神经网络是小波神经网 络的一个分支,它的基本思想是用小波元替代神经元,用已定位的小波函数替 代Sigmoid函数作激励函数,通过仿射变换建立起小波变换与网络参数之问的 联系””。它继承了小波框架的优点,而且由于小波基函数的『F交性,使得J下交
小波神经网络对函数的逼近效果更好Ⅲ1。

4.3.1正交小波神经网络结构
一维正交小波神经网络结构如图4.3所示。正交小波神经网络为三层前馈 型网络。它包括一个输入层,一个隐层,一个输出层。输入层单元为直通型, 输入层和隐层之问的连接权值为2“(M为小波分析中尺度函数的尺度);隐层 单元的激励函数为尺度函数,相应隐层单元的阈值用尺度函数的平移量替代 (隐层第竞个单元的阈值为&),隐层和输出层之问的连接权值可调;输出层单

x《爹∽
、9/
图4-3一维正交小波神经网络结构幽
Fig.4-3 The topology ofone dimension orthogonal wavelet neural network

元的激励函数是求和函数。这样,一维正交小波网络可用数学式表示为:


多(x)=∑Ⅵ%。+(x)
kffi0

(4?5)

出式(4.5)可以看出,当对正交小波神经网络进行训练时,其待定的参数只 有隐层和输出层之间的权值,待训练参数少,所以j_I三交小波神经网络学习速度 快。同时。对于正交小波神经网络,当训练样本数Ⅳ无穷增大时,网络输出将 无限逼近网络的期望输出|l”。

4.3.2正交小波神经网络隐层单元数目的确定 以一维离散正交小波网络为例,设输入样本的定义域为卜o.5,0,5l(如果
样本的定义域不是这个区域,可以通过对样本数据进行归一化处理和变换,将

样本的定义域转换成这个区域),此时,当网络的M已确定时,正交小波神经
网络隐层单元数应为2“+P(P≥1,PEZ)。这是因为:正交小波神经网络

中,正交的、紧支集的尺度函数伊。。(r)的平移量k为整数。根据式(4.5),正交
小波神经网络的基本思想是多尺度逼近,也就是用它的尺度函数序列去遍历整 个样本的定义域,这样,可以推断出正交小波神经网络隐层单元数至少应为 2”,在这过程中考虑一定的裕度,于是确定正交小波神经网络隐层单元数为 2”+P(P≥1,P∈Z)。类推,d维的正交小波神经网络,隐层单元数应为

(2M+pr。

4.3.3正交小波神经网络学习算法

设输入样本序列r={(一,y“)),i=l….Ⅳ},N为样本总数。用_y(x)和
多(x)分别代表网络的期望输出和实际输出,一维正交小波神经网络的学习目
标函数为:

以,=专兰(y(薯)一多(置))2(4-6)
最佳的网络参数应是使目标函数s。达到最小.于是,有:

竺坐:0
awk

f4.7)

这样,通过式(4—7)就建立起了一个关于网络参数W。的线性方程组。因为尺度 函数是正交的,所以只要Ⅳ足够大,导出来的线性方程组就一定有唯一解。对 此线性方程组求解,如果直接用直接法,在求解过程中将包台一个对

(2K+1)×(2K十1)矩阵求逆的过程.当K(隐层单元数目)很大时,此时计算
量巨大,一种替代方案是用迭代梯度下降法求解此线性方程组。

∥:妒“一露:≥I
D雌I‰。廿州

(4.8)

坪为学习步长。

在正交小波神经网络的学习训练过程中,另外一个很重要的

问题就是如何确定合适的尺度肘,使网络的逼近精度满足要求。下面给出了 通过训练学习的方法确定M的步骤:

(1)、先让网络以较小的M丌始训练,此时隐层单元数为(2“+P): (2)、用式(4~8)对网络参数进行训练,训练后的网络表示为多“
(3)、计算网络的口标函数s。:

(4)、如果P。,小于被要求的值,则训练结束。否则,M=M+1,转(1)。 在将正交小波神经网络应用于模式识别的实际问题中,样本数据在样本 定义域中并不是均匀分布的,更可能的是它们以一个集合簇一个集合簇分布
的。此时,如果仍然按原来方法,让尺度函数序列遍历整个样本定义域空问, 就会使正交小渡神经网络浪费很多计算量。但是,如果将一个集合簇的样本数 据单独拿出来考虑,可以发现就这个集合簇而言,集合簇中的样本数据是均匀 分布的或者是近似均匀分布的。这样.将空间分解理论引入进来,如图4-4所

示,将一个大的母正交神经小波网络分解为一系列的小的子正交小波神经网

堕丝堡矍王生兰二耋罂,::兰些篓兰
绍。对每一个子正交小波神经网络而言,样本数据分布符合均匀分布或近似均
匀分布的要求,这样就可以用前述的方法对子正交小波神经网络进行构建。研

究结果表明,通过此种方法能在一定程度上解决样本数据分布的问题…1。
输出



域空间

邗空 圈4.4复合正交小波神经网络

域2

Fig.4?4 The composite orthogonal wavelet neural network

4.4自适应特征提取小波神经网络
自适应特征提取小波神经网络是针对局部放电模式识别具体问题提出来 的一种小波神经网络。如第三章第一大节第三小节所述,时频联合特征是局部 放电的重要特征,可以单独的通过时频特征对局部放电信号进行模式识别|2“。 但局部放电时频特征量巨大,正如第三章第二节所述,对于具体的局部放电模 式识别问题,选用所有的局部放电时频特征是不合适的。自适应特征提取小波
神经网络提出了一种自适应的学习算法来完成最优局部放电时频特征向量的选 取。

4.4.1白适应特征提取小波神经网络结构
自适应特征提取小波神经网络结构如图4—5所示。它包括三层,一个输

入层、一个隐层、一个输出层,分别由尸、Q、S个单元组成。输入层单元为 直通型:隐层由线性求和单元组成;输出层单元激励函数为Sigmoid函数。输

哈尔滨理工大学工学硕士学位论文

入层第.j}个单元和隐层第,个单元之间连接权为∑c,y(q(k-b,。)),其中
y(?)为小波函数,a,对于隐层第,个单元来说是个常整数,为2的整数次幂。
6,在m和,确定的情况下为一定值,c,用为可调参数。这样,用数学形式表示

自适应特征提取小波神经网络为:
厂,
\ 、

或=≯【|∑%莓^∑‰∥(q(女一bj圳一e I(4-lo)
\\|
o “1





式-中q——输出层第i个单元的闽值: 奠——输出层第j个单元的输出;

妒(4)——输出层单元激励函数,庐(x)2毒

(1)为∑cl。P(q(女一bl。))(2)为∑‰∥(q(七一6。)) (3)为∑‰∥(%(t一‰))

4.4.2自适应特征提取小波神经网络隐层单元数目的确定

在自适应特征提取小波神经网络中,连接权∑cJ卅∥(q(t一6知))中的q与
隐层单元一一对应。由于自适应特征提取小波神经网络是采用时频逼近的原理 来设计网络结构,即用选择的小波函数的时频空间区域来覆盖信号的时频空间
区域。因此在选择网络隐层单元的个数前,应先利用频谱估计理论估计出信号 的频率区域。

将采集到的第,个局部放电信号表示为:

晰尔滨理下J-=学1_学硕:1:学位论文

萝p)={yp’(&,I‘=t?丢,t=?,?

(4—11)

其帆=F1为采样解信号的时域定义姚.m,,o陪外
据文献[44],信号歹{’)的频谱在W>0上6(s为任意小常数)支撑为

【Wm。wm。】=rnin{【Ⅵ,%”.暑,Iyq)(Ⅵ)12<占桫”阱
【 JtI¨】l
’ ”

(4一12)

”‘J

其中憾为能量计算算子,矿‘气w)={y‘气Ⅵ)If-o,…,M}为信号夕(’’的离散傅立
叶变换。

肘={糍篡
解式(4.12)得信号歹∽的时频空间区域为:

@㈣

尺+(∥,s)=‰,f。。】×【Wm。wm。】

(4“)
降?s,

w矿孕‰。㈡护照俺m叫2<嚣"吣

w。=等‰一=。m。inI【n:扑f)(Ⅵ)12<丽mBⅣ(t)||:}(4-16)
为了确定自适应特征提取小波神经网络隐层单元的数目,在得到信号时频 空间的基础上,还应确定出网络选用的小波函数的时频空间。

对于任意小波函数矿(f)∈r(/R),驴(w)是其傅立叶变换,则 I、函数妒G)的中?I:,tc(V)为:
,,





上㈨


rk

P 、=:一



(4-17)



晴尔滨理T人学工学坝.J二学位论义

II、畛0)J的正频率中心心0矧)为

wc(卅赢k,w…12咖
于是得到小波母函数P(,)的时域空间为:

(4-18)

月(妒,占)=‰州帜∥)一f0I=瞰妒)一,.I)且

k叱m肌)12dt<制I
小波母函数y(r)的频域空间为

(4—19)

盖(驴,o)={【%,wI】I‰=max(0,wo),I%(I护I)一wol=1w‘(I驴I)一w1I} L。。。。f。.。J。卜、.一。lI驴(w)12 dw<善l_;f,』:
其中s和}为任意小常数。
根据文献[45],依据小波理论,出小波母函数的时频空间经推导得:



(4?20)

I、小波函数蚧.t(f)的时域空间为[21以(∥)+≈一△,),2一。以(P)+k+A,)];

II、小波函数%.t(f)的频域空间为[2’(M(旧)一△,),2’(嵋(俐)+△。)]。
其中,△.为小波母函数的时窗半径

A,=,c(∥)一,0=^一fc(∥)
A。为小波母函数的频窗半径

f4-21)

AW=Ⅵ(妒I)一wo=H—K(妒I)

(4.22)

这样,通过用网络选用的小波函数的频率空问去覆盖信号的频率空阳J即可
确定出网络隐层单元的数目和与隐层单元一一对应的小波函数的尺度。同时,

哈尔滨理T人学T学倾Ij学位论文

在连接权∑‰lllff(aj(女一6,。))中口,确定的情况下。如图4—6所示,用小波函数
的时域空间去覆盖信号的时域空间可确定出连接权中小波函数偏移量虬,。

图4-6小波函数的时域空间覆盖信号的时域空间过程
Fig.4.6 The procc¥s ofwavelet function time domain vacuum overlaying signal time domain vacuum

4.4.3自适应特征提取小波神经网络学习算法

设样本信号集合r={尹l,=1¨?N/,夕“kty(i)(tk)lt,=t?軎,☆=l,…,m},
2,=-÷为采样频率。D(7’和露(o分别为当输入样本信号歹(71时网络的期望输出



向量和实际输出向量,它们的第i个元素分别表示为D?’和dj‘’(对应第i个输
出单元的期望输出和实际输出)。 网络的学>-j目标函数为:

∥)=吉粪(耐“一耐”)2,s。,=专粪占(『)
式中S——输出单元总数; Ⅳ——样本总数

(。一:,)

网络学习的目的就是要通过改变网络参数wⅣ和c,最终使目标函数达到最小。

墼:0,监:0 m“
acjm

(4.24)

利用最速梯度下降法解式(4一z4),得:

△%=一叩(叫“一彰。)≯’(莩%莩y(,’(,。)莓c,y(z7(七一。,,))]

哈尔滨理_1:=大学下学硕I:学位论文

(莩y∽n)莓c加y(z。(后一‰))]

(。-zs)

△%=一叩莩{(0f忆叫∞≯7(莩%莓少’“);‰∥(2’(七一‰))]?
(y(咖(z小一‰))]}
㈣s)
在网络学习过程中学习步长玎(0<7/<1)的选择很重要,叩大网络收敛快,
但过大在可能引起不稳定(振荡):野小可避免不稳定,但网络的收敛速度就 慢了。在自适应特征提取小波神经网络中提出了学习步长自适应调整方法。具
体做法是:先让网络以一初始的学习步长_丌始训练,观察训练后网络学习且标 函数占.,变化情况,如果占。,下降的快,说明选取的学习步长合适,并且可以 在此基础上适当的增加学习步长值,以获得更快的收敛速率;如果s。,出现振

荡,也就是经过本次训练后的网络的£。,比上一次训练完成后的s。,大,则说 明学习步长过大,应减小学习步长。

4.5本章小结
本章综合BP神经网络、径向基神经网络、正交小波神经网络、小波理论 和特征提取方法,设计了自适应特征提取小波神经网络,它的应用范围只限于 局部放电的模式识别中。自适应特征提取小波神经网络的重要特点是它能根据 局部放电模式识别具体任务自适应的提取局部放电的时频特征,人工参与的工 作量少。

哈尔演胖T人学T学颅I‘学位论义

第5章局部放电模式识别实验
5.1

BP神经网络局部放电图像灰度矩特征模式识别
本实验的局部放电实验模型如图2-2和2.3所示,在两实验模型——尖对

板电极系统和球对板I乜极系统上施加}乜压使之产:生两种模式的局部放IU脉冲信

号,利用图2-4所示的线路采集此信号,采集到的两种模式的局部放电脉冲波
形分别如图5—1和5—2所示。依据图3-2所示过程,将局部放电信号分为100

|!}|5-I

由尖对板电极系统产生的局部放电典型脉冲波形

Fig.5一l PD impulse waveform ofpoint-plate electrode system 《xt

(4x10。7s) 图5-2

由球对扳电极系统产生的局部放电典型脉冲波形

Fig.5-2 PD impulse waveform ofsphere—plato electrode system

个小窗口,通过式(3—4)计算出局部放电图像各个窗口的狄度值,将这些狄度值
带入式(3—5)、(3—6)和(3—7)即可得到局部放电图像狄度矩特征。本实验中,计算 了局部放电图像灰度的质心,三阶及三阶以下的中心矩,共10个特征量,由 于所有的l阶矩均为0,而,‰、∥:。和鸬。在本实验的两种局部放电模式中的值

都是相等的,所以在形成特征向量时没有考虑一阶矩、

oou..形将。。/z。 岛和


成的局部放电图像狄度矩特征输入到BP神经网络中,BP神经网络的激励函数 选择Sigmoid函数,可以看出,BP神经网络输入层神经元应为5个,输出层 神经元应为2个。本实验中,对两种模式的局部放电信号各采集了40组,其
中各20组信号作为BP网络训练之用,另外20组信号用作为网络测试样本,

表5.1给出了经过归一化处理后两种模式各5个局部放电样本信号的图像扶度

矩特征。图5—3为本实验中BP神经网络隐层神经元数目和网络识别率之间的 关系曲线。从图中可以看出,隐层神经元的数目对网络谚{别率影响大,在本实
验中,隐层取27个神经元时网络识别率最大,达到75%。
表5.1 归一化处理后的局部放电幽像灰度矩特征
Table 5-l ThemomentfeatureofPD picturegray ag.ernormalizingdispose

尖对 板电 极 样本


硒2
O.87l

∥Il

地3
0.996

/Ji2

∥2I

0.636 0.567

0.916

0.923 0.999 0.953 0.929 0.856

球对 板电 极 样本


∥02

∥II

,‰

∥12

鸬l
O.157 0.146 O.138 0.136 O,135

0.052

0.837 0.756 0.713
0.706

0.002 0.013 0.018
O.015

0.061 0.052 0.049 0.051 0.055

样本 样本 样本


0,999 0.892

0.763 0_381
0.249



样本
样本 样本


0.043
0.039

0.445

0.853 0.762 0.667

0.825

O.523
0.556

0.04l 0.045

样本

0.728

0.206

样本

0.686

0 009

∞ ∞

刚络议耆|5翠。 时
●、

。 俯






隐层单元数目 图5-3 BP神经网络识别率随其隐层神经元数目变化曲线
rate

Fig.5—3 Variation of BP neural network recognition number

with its hidden layer

nerve

ceil

5.2正交小波神经网络局部放电统计特征模式识别
由尖对板电极系统和球对板电极系统产生的一个电压周期的局部放电分别

哈尔滨理丁大学工学硕士学位论文

如图5-4和5-5所示。本实验是,提取一个周期的局部放电信号的统计特征 将其输入到而交小波神经网络巾,进行模式识别。如3.1.1节所述,将一个

图5-4由尖对板电极系统产生的局部放电信号
Fig.5—4 PD signal of point-plate electrode system

|整|5-5

由球对扳电极系统产生的局部放电信号

Fig.5—5 PD signal produced by sphere—plate electrode system

周期的局部放电信号等分为50个相位窗,计算出每个相位窗的珂、q、口。根 掘式(3一1)、(3-2)年F1(3-3)得到局部放I乜信号的统计特征,将其输入到正交小波神

经网络中,可以看出,正交小波神经网络的输入层单元应为3个,其输出单元 应为2个。考虑实际情况,正交小波神经网络隐层单元的激励函数选择为

N=5的Daubechies小波函数,如图5-6所示,这是因为Daubechies小波函数

具有正交性和紧支性的双重特点,它的紧支性能大大降低网络学习过程中计算 量。本实验中,对两种模式的局部放电信号各采集了40组,其中20组作为正
交小波神经网络训练之用,另外20组用于对网络测试之用,表5-2列出了由

尖对板电极系统和球对板电极系统产生局部放电信号各10组样本的统计特
征。网络训练后,尺度M=8,P=2,网络的识别率达到82%。

凹5-6

Daubechies小波尺度母函数

Fig.5—6 Daubechies wavelet scale basis function

表5.2局部放电统计特征
Table 5—2 The PD statistical feature

尖对褫 电极 样本l 样本2 样本3 样本4 样本5 样本6 样本7 样本8 样本9 样本10


0.37257 0.36032 0.78608 0;28027 0.79249 0.30596 0.46492 0.86285 0.35963 0.28482


0.96849 0.99718 0.8679 0.72676 0.78261 0.68067 0.56557 0.93548 0.68644 0.37313

CC

.O.31531 .0 2812 .0.31076 .0.34622 .0.37992 —0.2669 .0.24883 .0.3535 .0.25934 .0.44593

球对扳 电极 样本1 样本2 样本3


0,90050 1.38422 1.28440


1.0830 1.3304 1.6667 1.1 1.3811 1.2278 1.2432 1.0709 1.4611
1.0559

CC

.0.51136 .0.54396 .0.50155 .0,50661 .0,43957 .0.46362 —0.46687 .0.47550 .0.3448 1 .0.49318

样本4
样本5 样本6 样本7 样本8 样本9 样本10

1.16684
0.82456 O.91673 O.95324 O.96875 0.88332
1.30464

5.3自适应特征提取小波神经网络局部放电模式识别
本实验中,利用自适应特征提取小波神经网络对三种模式的局部放电脉冲
信号进行模式识别,实验模型如图2-1、2-2和2-3所示,在尖对尖电极系统、

尖对板电极系统和球对板电极系统上施加电压使之产生局部放电,分别如图5一

哈尔滨理工大学工学硕士学位论文

7、5-1和5.2所示。
ufxl

10‘7。)

图5-7

由尖对尖电极系统产生的局部放电典型脉冲波形

Fig.5—7 PD impulse waveform ofpoint-point electrode system

在式(4-10)q6,∑≮∥(巳(k-‰))是在对局部放电信号{%}在尺度q平移


b,。下的小波变换,如3.1.3节所述,信号的小波变换反映的是信号的时频特 征。利用自适应特征提取小波神经网络对局部放电信号进行模式识别过程中。
提取局部放电信号的时频特征是由网络自身的功能来完成。如第三章和4.4节 所述,局部放电的时频特征量巨大,在利用局部放电的时频特征对局部放电进

行模式识别之前,应提取合理时频特征向量。、假设原始时频特征数量为m个, 要获取的特征量为,个,仅考虑利用特征向量选择的次优搜索技术顺序后向选
择方法选取局部放电时频特征,则选择过程中要考虑的组合数为

1+K{m+l切一印+I),这是将一个庞大的计算量,并且由于,未知,这样对每
,‘

一个不同的,都要进行一次选择,于是总组合数为,11+K(聊+1h—f(f+1)J,这
个计算量只是对于特征量的次优搜索技术顺序后向选择方法,如果采用最优搜 索技术,计算量将会更大。所以在实际问题中,并不希望利用类可分性准则进 行特征选择,而是利用分类器本身的功能,将最优特征生成方法和特征向量选 择方法结合在一起,产生最优特征向量。具体的说就是,直接判断分类器的误 差。根据最优特征向量产生最小分类器误差,来选择最优特征向量146】。同时, 根据生物学的观点,人脑在认识一件事物的过程中,往往将事物的特征分为主
要特征和次要特征,主要特征对这个事物的认识起到决定性作用,次要特征则

起辅助作用。在局部放电模式识别中,局部放电的每一个时频特征对模式识别 都是有贡献的。只是不同点的时频特征贡献大小不同,贡献大的就组成了局部
放电的主要时频特征,贡献小的则组成局部放电次要时频特征,但主要和次要 之分不是一概而论的,而是就具体任务而毒‘的,具体的说就是,对由尖对尖电

极系统和尖对板电极系统产生的局部放电进行模式识别任务中的主要时频特征 中的一些特征在识别由尖对板电极系统和球对板电极系统产生的局部放电时可

哈尔滨理T火学工学硕.J:学位论文

能变成次要时频特征。在自适应特征提取小波神经网络中,根据上述基本思

想,结合网络学习理论,对局部放电的时频特征进行加权,用其权值来表示这

一点的时频特征对局部放电模式识别的贡献,如式(4一lO)中的c,将这些权
值同网络学习的目标函数联系起来,利用前馈误差传递算法自适应的变化权值 c,如式(4—24)所示,根据具体的识别任务,选择出最优的时频特征组合使 得网络学习目标函数(误差函数)达到最小,这样,从而完成了具体任务中的 最优时频特征向量的选取工作。并且,自适应特征提取小波神经网络这种算法 对于局部放电模式识别具有一定的普遍性,当被识别局部放电模式发生改变 时,只需根据具体的识别任务人工参与如4.4.2节所述的少量工作。 研究结果显示,在利用小波变换提取信号的时频特征时,要求选取的小波
函数具有良好的光滑性,同时此小波函数不能是完全正交的以保证提取的特征 中有一定的冗余度1471。基于此,本实验中,选用的小波函数是三次B样条小波 函数,如图5—8所示。三次B样条小波函数是半正交小波函数,光滑性好,同 时它的紧支性能很大程度上降低自适应特征提取小波神经网络训练过程中的计 算量。其小波母函数的表达式如式(5—1)所示。

图5-8三次B样条小波函数母函数
Fig.5—8 Cubic B?splint wavelet basis function

本实验中,局部放电脉冲信号的采样频率为250Mhz,信号以1024个离散 的点表示,由于自适应特征提取小波神经网络是直接将信号输入到网络中,这 样,网络的输入层单元数应为1024个。按4.4.2节所述的方法取s=O.35得出 自适应特征提取小波神经网络的隐层单元的数目为9个,对应的小波函数的伸

哈尔滨理T大学下学硕卜学位论文

一1,2(0≤f<o.5)240
203 120





旦“面11,一扣0 班1)
0425 20 80、


——f‘+——,一——I.≤y<1)


f‘一——,+一ll≤<.) )

,2一塑H一21(1≤t<1.540

10





5≤t<21 一坚2+塑卜.681(1.5t 一~‘+一f一- 丝f 2一旦f+塑(2sf<2.51
1 .墨<J

%O)=

一丝,2+型卜一541(25≤f<3) 罢2一一701+.2341(3≤f<3t 一些f
12U 240

——。一——+? t

3 ≤f<.I

3.5) r<4)


2+塑卜一3169(3.5
120 240、 120 240。



旦t2一坐t+堡“st<4.5、
——‘一——+——14S<.I


一志协-lo)2(4t5<矧)
o滇它)

(5-1)

缩量分别是2”、2”、2”、2”、2”、口”、2“、2”、2”,相应的m值为
360、180、90、45、22、ll、5、2、l。由于待识别的局部放电模式为3个, 分别是由尖对尖电极系统、尖对板电极系统和球对板电极系统产生的,于是,

自适应特征提取小波神经网络输出层用3个不同的单元来代表3种不同局部放 电模式,也就是说,当网络的输出向量为[1 0 0]时表示的是输入到网络中局 部放电脉冲信号属于由尖对尖电极系统产生的放电模式.以此类推。实验中, 对3种模式的局部放电脉冲信号各采集40组,其中各20组用于对自适应特征
提取小波神经网络进行训练,另外各20组用于测试网络之用。网络学习过程

中,自适应特征提取小波神经网络的学习步长采用自适应调整算法,如4.4.3 节所述,图5—9给出了对照网络误差学习步长的变化过程。训练完成后,用测 试样本对网络进行测试,结果显示,本实验中,自适应特征提取小波神经网络

的局部放电模式识别率达到90%。

a)误差函数随训练次数变化曲线

b)学习步长随训练次数变化曲线 图5-9网络误筹平¨学习步睦与训练次数变化关系
Fig。5-9 Error and learning step size ofnetwork relating
to

training epoch

5.4实验结果分析
在本节中,按照次序,对上述三个实验分别以实验一、实验二、实验三称 呼。对这三个实验分析如下: (1)、最优特征向量的选取对于局部放电模式识别是至关重要的。下面利用

特征标量可分性测量分析实验一中局部放电的图像灰度矩特征如下。 以Ⅵ代表由尖对板电极系统产生的局部放电模式,以w2代表由球对板电 极系统产生的局部放电模式,i=0.564为H类中“,的样本平均值,

最2=o.14804444为相应的样本方差值,y=o.744为w2类中“。的样本平均值, 磊2为相应的样本方差值,“为Ⅵ类中特征量的数学期望,鸬为w2类中特征
量的数学期望。如3,2.1节所述,定义假设:

%H1:,%-一/t2 =/a≠。0
风:∥l一2≠
类Ⅵ不具有可分性。根据式(3.26)和(3—27>得出检测统计值:

(5-2)
、。

式中,假设风代表/a。.对于类Ⅵ和类W2具有可分性;假设H.代表∥。.对类wl和

驴管秽=z…,4zas,
/qN

p,,

取0.05的显著水平,则根据g值,做出接受H.假设的选择,也就是说此图像 灰度矩特征量在显著水平0.05的情况下对于由尖对板电极系统和球对板电极 系统产生的两种局部放电模式不具有可分性。

从上述分析结果,可以看f_l:;,实验一的局部放电图像灰度矩特征向量不是
最优的问题影响到实验模式识别率的提高。 对于实验二,根掘特征向量可分性测量,分析局部放电统计特征如下。

将实验二的局部放电统计特征向量值代入式(3.33)、(3-37)_jfH(3.41)得:



0.2386

—0.2487一o.0464-1
O.3791 o.0529 O.0529 o.0414

Sw=l一0.2487



(5.4)

I—o.0464


(5?5)

晶篙瑟搋撩]
以=trace{F最}=2.5718

(5-6)

图5一lO给出了实验二两种模式各40组样本统计特征分布图。图中三角形的点 代表由尖对板电极系统产生的局部放电的统计特征,正方形的点代表由球对板 电极系统产生的局部放电的统计特征。据3.2节,好的特征向量应满足类间距 离大、类内方差小。综合局部放电统计特征的上值(一般,分类问题中, ^>10m1)和统计特征分布图,可以看出,局部放电统计特征对于实验二的两 种局部放电模式可分性不是很好,这是造成实验二的局部放电模式识别率不高
的最重要的原因。

实验三由于采用了最优局部放电时频特征向量提取算法,局部放电的模式 识别率也就得到了相应的提高。

哈尔滨理工人学工学硕士学位论文

0 ●

图5一lO局部放电统计特征分布图
Fig.5-10 PD statistical feature distribution paHem

(2)、BP神经网络作为局部放电模式分类器存在着一定的不足。实验一, 从图5—3看出,BP神经网络隐层神经元的数目的确定很重要,但其数目的确定 过程却没有什么指导,只能一个一个的试取,这样就无从知道到底多少隐层单 元数目才是最佳的。 (3)、自适应特征提取小波神经网络存在一定的抗干扰性。自适应特征提取 小波神经网络提取的是局部放电一定时间点一定频率段的特征量,根据局部放
电抗干扰丌窗口技术,通过自适应特征提取小波神经网络这种方法,能滤除不 在这个时间点和这个频率段的干扰信号。

5.5本章小结
本章分别利用BP神经网络结台局部放电图像狄度矩特征、正交小波神经 网络结合局部放电统计特征和自适应特征提取小波神经网络对局部放电进行了 模式识别比较实验,理论分析和实验结果显示,自适应特征提取小波神经网络 具有一定的优越性。

哈尔滨理工大学工学颀士学位论文

结论
由于局部放电现象具有很大的随机性,而且存在许多非确定的因素影响局 部放电信号的采集,因此给局部放电的模式识别带来了很大的困难。本文通过
对三种放电模型进行大量的局部放电实验室实验,获取了大量的实验数据。在 分析国内外局部放电模式识别技术的基础上,对采集到的局部放电信号提取了

图像灰度矩特征、统计特征和局部放电的时频特征,同时结合相应的神经网络 进行了分类识别实验。得出了以下结论: (1)、时频特征是局部放电模式识别的有效特征;
(2)、对于局部放电具体识别任务,最有效的特征向量的选取至关重要。一

般情况,直接利用特征的可分性标准来选取特征不具有可行性,此时可以采用 模式分类器本身的性能,也就是说,对于每一个特征向量组合,计算分类误 差,选择具有最小误差的组合。这种方法的缺点是,增加了分类器设计的复杂 程度,降低了分类器的收敛速度:

(3)、BP神经网络虽然算法简单,但其没有准确的理论来确定它的隐层神
经元的数目。所以当BP网络作为模式分类器时,很难知道多少隐层单元数目 能得到最好的模式识别率; (4)、自适应特征提取小波神经网络具有一定的鲁棒性;
(5)、自适应特征提取小波神经网络能对局部放电模式进行有效的识别,它 在局部放电模式识别领域具有一定的普遍意义: (6)、设计的自适应特征提取小波神经网络的算法的收敛速度需要提高,有 待于快速算法的引进。

堕查堡墨三查耋王兰堡:::兰堡篓兰

参考文献


L.Satish,Walter S.Zaen91.Artificial Insulation,1994,1(2):265—275

neural networks for recognition of 3-d
on

partial discharge patterns.IEEE Transactions

Dieleotrics and Electrical



S.Whitehead.Dielectric Breakdown ofSolids.Clarendon Press.1953:25-35
F H。Kreuger.Discharge Detection in Higrl Voltage Equipment,Temple Press、 1989:9~12





Edward Gulski.Digital Analysis of Partial Discharges.IEEE Transaction
Dielectrics and Electrical

on

Insulation,1995,2(5):822~837



严璋,电气设备在线检测技术.中国电力出版社,1995:8~14




Tanaka,t Okamoto.A minicomputer—based partial discharge measurement
Intem.Symp.On Electrical Insulation,Philadelphia,Cone,

system.IEEE

proceeding 1978:86~89 7

Widrow B

et a1.Neural Networks,Application in Industry,Business and Science.

Communication ofthe 8 N.Hozumi.T Patterns Using

ACM,37,1994:3-105 Imajo.Discrimination of Partial
on

Okamoto and t


Discharge

Neural Network.IEEE Transaction

Electrical Insulation.

1992.27(3):550~556
9 H.Suzuki.T Endoh.Pattern Recognition of Partial Discharge in XLPE Cables Using


Neural

Network.IEEE

Transaction

on

Electrical

Insulation.

1992.27(3):543~549
10 T R.Blackburn,Z.Z.Li,B.t Phung.Investigation ofPartial Discharges in SF6

Using



Computer?based

Data

Acquisition

System.IEEE

Transaction

on

Electrical ll

Insulation,1992,27(3):661--668
Electrical

B.Fruth.L.Niemeyer.The Importance of Statistical Characteristics of Partial

Discharge Date.IEE Transactions
12 E Gulski.Computer-aided

on

Insulation,1992,27(1):60~69
in HV Equipment

Measurement of Partial Discharges

IEEE Transactions 13

on

Electrical

Insulation,1993,28(6):969-983

L.Satish.w.S.Zaen91.Can Fractal Features be Used for Recognizing 3-d Pattial Discharge PaRerns.IEEE Transaction on Dielectrics and Electrical Insulation,1995,2(3):352~359
-51—

坠垒堡竺三查耋玉兰堡圭兰堡篓兰
14

E.Gulski.A.Krivda.Neural Networks Discharges.IEEE Transaction
on

as



Tool for Recognition of Partial

Insulation,1993,28(6):984~1001 15 Tf Hong,M.t C.Fang,D.Hilder.PD Classification by a Modular Neural Network based on Task Decomposition.IEEE Transactions on Dielectrics and
Electrical 16 Zhenyuan

Electrical

Insulation,1996,3(2):207-212 Wang,Yilu Liu.A Combined ANN and Expea System Tool for Transactions
on

Transformer Fault Diagnosis.IEEE

Power Delivery,1 998,

13(4):1224-1229
17

Zhang

Qinghua,Benvennise Albert.Wavelet networks.IEEE Trans.on NN, Walter,Yubo Miao,Wan Ngai Wayne Lee.Wavelet Neural
Learning.IEEE
Transactions
on

1992,3(6):889—895
18 Jun Zhang,Gilbert G

Networks

for Function

Signal

Processing,

1995,43(6):1485~1495
19

Matos

S.,Ruano

M.G,Ruano
Embolic

A.E.,Evans

D.H..Neural in

Network

Classification

of Cerebral

Signals.Engineering

Medicine and

Biology Society,Proceedings of the 23“Annual International Conference of the IEEE,2001,PP.1761~1764 20 Ibrahim Turkoglu,Ahmet

Arslan,Erdogan Ilkay.A Wavelet Neural Network for Systems,2003,20(1):1~7

the Detection ofHeart Valve Diseases.Expert 21

Guangfan Zhang,Seungkoo Lee,Nicholas Propes,Yongsheng Zhao,George Vachtsevanos.Ash Thakker,Tom Galie.A Novel Architecture for Fault Diagnostic/Prognostic System.AAAI Spring Symposium Refinement and Revision for Decision
an

Integrated

on

Information

Making:Modeling for Diagnostics,

Prognostics/Prediction,Stanford,Califomia,USA,2002,PP.75~83
22 Yonghong Cheng,Hengkun Xie.Study
on

Characteristics of Ultra-wideband

Partial Discharge of Typical Insulation Samples.Electrical Insulating

Materials,

Proceedings of 1998 International Symposium,1998,PP.697~700 23 Liang Gui—shu,Zhou

Hong?wei,Dang Hua-ying,Zhang
on

Zhong-yuan,Zhou

cheng.Joint Time—frequency Analysis Conference
on

PD Pulse Signals in GIS.Asia-Pacific

Environmental

Electromagnetic(CEEM 2003),Hangzhou,china,

2003,ppl94~197

24李敏生,刘斌.BP算法的改进与应用.北京理工大学学报,1999,19(6):
721-724

.52.

竺查篓矍三查主三兰堡圭茎堡兰兰
25殷录民,张慧芬.神经网络在变压器超高频局部放电模式识别中的应用.山
东大学学报(工学版),2004,34(3):51~54
26 Yang L.,Judd

M.D..Recognizing multiple partial discharge

sources

in power

transformers by wavelet analysis of UHF signals.Science,Measurement and Technology,IEE Proceedings,2003:119~127 27 I.、M McAllister.Electric fields and electrical insulation.IEEE transactions dielectrics and electrical
on

insulation,2002,9(5):672~696

28邓旭.变压器局部放电在线监测系统抗干扰措施探讨.福建电力与电工,
2003,23(4):49—52
29 Hitoshi Okubo,Masato Generation

Morikawa,Naoki Hayakawa.Inverter

Surge Voltage

and Measuring Techniques of partial discharge.鼋氖学会研究会资
on

料(DEI一04.73-78),2004:1-9
30 Cheng Yonghong,Cheng Xiaolin,Rong Mingzhe,Yue Bo.study
the partial

discharge Characteristics of the XLPE Insulation Samples during Treeing Ageing.Proceedings of The 7“International Conference
on

Electrical
Properties

and Applications of Dielectric

Materials,V01.1,IEEE

Catalog

Number

03Ch37417,Nagoya,Japan,June 1-5,2003:211~214 3l郑继禹,林基明,仇洪冰,王玫.超宽带多址通信信号的功率谱分析.电 子学报,2003,31(101:1575一1577
32

M.C.Huang.Wave parameters and functions in wavelet analysis.Ocean Engineering,2004,31(1):111-125 Clonda,J.M.Lina,Bemard Goulard.Complex Daubechies wavelets: Processing,2004,84(1):1-23

33

Diego

properties and statistical image modeling.Signal

34边肇祺,张学工.模式谈别.第二版.清华大学出版社,2000:1-6
35 R.Candela,G fractal

Mirelli,R.Schifani.PD recognition by means of statistical and and


parameters

neural network:IEEE Transactions

on

Dielectrics

and

Electrical
36

Insulation,2000,7(1):87-94
pattem Analysis of
partial discharge

Birsen Yazici.Statistical

Measurements

for

Quality Assessment of Insulation Systems
IEEE Transactions
on

in High-Voltage Electrical

Machinery.

Industry

Applications,2004,40(6):1 579-1 594

37高凯,谈克雄,李福祺,吴成琦.利用矩特征进行发电机线棒模型的局部
放电模式识别.电工技术学报,2001,16(4):61~64
38 Pieraccini M.,Luzi G,Noferini L.,Mecatti D.,Atzeni C..Joint Time-frequency

.53.

堕玺鎏型三查兰三耋譬圭兰堡篁兰
Analysis for investigation of layered masonry structures using penetrating radar. IEEE Transactio.ns
on

Geosciences and Remote Sensing,2004,42(2):209-3 1 7

39

Masatake

Kawada,Masakazu Wada,Zen—ichiro Kawasaki.Time—Frequency

Analysis of partial discharge Phenomena in SF_6 gas using

Wavelet Transform.

鼋氮学会拘文懿.B,1997,117-B(3):338~345
40 Yang L.,Judd

M。D..Recognizing multiple partial discharge

sources

in power

transformers by wavelet analysis of UHF signals.IEE Proceedings.Part A,

Science,MeasurementandTechnology,2003,150(3):119~127
41

Ming-Jung Seow,viiayan K.Asari.Learning using distance based training
algorithm for

pattern

recognition.pattern

Recognition

LeRers,2004,

25(21:189-196
42 Yousef Al-assaf.The Application of

Wavelets Transforms and Neural Networks

To Speech Classification.Intelligent Automation and Soft Computing,2003,

9(1):45~55
43 Y

He,Y.Tan,Y Sun.Wavelet

neural network approach for fault diagnosis of

analogue circuits.IEE proceedings.Part

G Circuits,devices and systems,2004,

151(4):379-384
44 Pail Y.C.and Krishnaprasad P-S..Analysis and Synthesis of Feedforward

Network using Discrete Affine Wavelet Transformations【J】.IEEE Trans

on

NN.

1993,4(1):73-85

45徐长发,李国宽.实用小波方法.华中科技大学出版社,2001:47~68
46 Sergios

Theodondis,Konstantinos Koutroumbas.模式识别.李晶皎,朱志

良,王爱侠.第二版.电子工业出版社,2004:1-5 47吴耀军,史习智,陈进.小波变换时频特性的信号识别.上海交通大学学
报, 1999,33(8):1055~1058

.54.

里尘篓矍三尘茎三兰竺土兰堡篁兰

攻读学位期间发表的学术论文


孙学勇,阳国庆,仲伟涛,郑殿春.局部放电故障神经网络模式识别方法及
模拟实验研究.

自动化技术与应用,2005,(3)

哈尔滨理工大学工学硕士学位论文

致谢
本文的选题、课题研究及撰写工作是在导师郑殿春教授的直接关怀和悉心
指导下完成的。郑殿春老师知识渊博,思维活跃,为人热情,对工作满腔热

忱。在攻读硕士学位期间,郑殿春老师严谨的冶学态度和对学术的全身心投入 精神,深为学生所佩服,这使我受益终生。同时老师在生活上也给予了我悉心 的照顾使我能够以饱满的热情和端正的态度去钻研课题,在此向导师致以最崇 高的敬意和衷心的感谢! 感谓}杨嘉祥教授在论文完成期间在学习上和生活上所给予的无私帮助【感
谢张春喜教授、陈春天副教授在论文完成期问学习上给予的无私帮助!谨向所

有给予作者关心、支持和帮助的领导、老师、同学和朋友表示诚挚的谢意! 最后,向评审本文的各位专家致意!


相关文章:
模式识别 神经网络模式识别
分别采用BP.AGA和AGA—BP神经网络对变压器超高频局部放电的5种放 电模式进行识别实验结果表明.AGA—BP神经网络既解决了BP神经网络对初始权值敂感和容易局部收 敄...
绝缘局部放电的模式识别研究
局部放电模拟实验装置 2.3 试验方法及过程 2.4 小结 3 局部放电模式识别特征量...几种方法主要有: 统计模式识别、句法模式识别、模糊数学方法、神经网络方法和人工...
模式识别实验二
模式识别实验二_数学_自然科学_专业资料。感知器准则算法一、实验原理: 假设已知...我们现在着手研究一个采用 S 型函数的前向三层神经网络来说明其原理。 对于...
模式识别实验二
模式识别实验二_工学_高等教育_教育专区。实验报告 实验二 一、实验目的 1.掌握...i 4 三种经典的网络模型: 在神经网络的研究中经常提到神经网络学习模型的概念,...
模式识别实验二
模式识别实验二_IT/计算机_专业资料。模式识别实验二...y0 L Wij x0 y1 x1 神经网络的基本结构如图...权值初始值的不同导致训练进入局部最小值点,误差...
模式识别在神经网络中的研究
基于神经网络局部放电模... 3页 2财富值 基于神经网络的质量控制图... 75...Key word: neural network; pattern recognition 模式识别神经网络中的研究一、...
模式识别作业
现代的方法如模糊分类,粗糙分类,以及神经网络分类等,...提高识别率, 也已成为模式识别领域的前沿研究课题[9...的实验验证的方法当中,为提高识别精度提供了可靠的...
变压器论文:基于电—声综合分析的变压器局部放电模式识别研究
油中放电机理 13 2.2 硬件试验系统的建立 2.2.2 耦合子系统 器子系统 14...神经网络的局部放电模式识别 55-57 57-58 58-61 5.1.4 基于 BP 神经网络...
模式识别实验 (2)
贝叶斯决策理论是统计模式识别中的一个基本方法。依据贝叶斯决 策理论设计的分类...常用的分类器的构造方法 有决策树、朴素贝叶斯、支持向量机、k 近邻、神经网络...
更多相关标签:
局部放电实验 | 局部放电测量实验 | 减压神经放电实验报告 | 减压神经放电实验结果 | 家兔减压神经放电实验 | 局部放电 | 局部放电测试仪 | 局部放电试验 |