基于HHT和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電故障識(shí)別

公茂法 魏景禹 姜文 接怡冰 公政 王萬(wàn)樂(lè)

摘 要： 為解決傳統(tǒng)傅里葉變換和小波分解對(duì)變壓器局部放電信號(hào)非平穩(wěn)性的分析缺陷，以及BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小點(diǎn)等問(wèn)題，提出一種基于希爾伯特能量聚類和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電識(shí)別算法。算法利用希爾伯特?黃變換提取局部放電信號(hào)的希爾伯特能量譜，然后進(jìn)行指數(shù)族聚類計(jì)算獲得特征值，最后利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別。分別對(duì)油中懸浮放電、沿面放電等放電類型進(jìn)行模擬實(shí)驗(yàn)，并用此算法進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明，該算法所提取的特征值有較高的可分性，且分類識(shí)別率高，可以有效地識(shí)別變壓器局部放電故障類型。

關(guān)鍵詞： 希爾伯特?黃變換; 概率神經(jīng)網(wǎng)絡(luò); 指數(shù)聚類; 模態(tài)分解; 局部放電; 變壓器

中圖分類號(hào)： TN711?34; TM85 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）09?0152?05

Abstract： Since the traditional Fourier transform and wavelet decomposition have the defect for the non?stationary analysis of transformer partial discharge （PD） signal， and the BP neural network is easily to fall into the local minimum， a transformer partial discharge identification algorithm based on Hilbert energy clustering and probabilistic neural network （PNN） is proposed. The Hilbert?Huang transform （HHT） is used to extract the Hilbert energy spectrum of PD signals， and then the exponential family calculation is performed to obtain the feature values. The PNN is used to classify and identify the feature values. The simulation experiment was carried out for the discharge types of suspended discharge and surface discharge in oil， which are analyzed with the proposed algorithm. The experimental results show that the feature values extracted by this algorithm has high separability， and the algorithm has high classification identification efficiency， and can identify the fault types of transformer PD effectively.

Keywords： Hilbert?Huang transform; probabilistic neural network; exponential clustering; mode decomposition; partial discharge; transformer

0 引 言

局部放電故障類型是評(píng)估高壓電力設(shè)備絕緣狀態(tài)的重要技術(shù)指標(biāo)之一，不僅反映絕緣狀態(tài)水平，還可估算電力設(shè)備絕緣的使用壽命。因此對(duì)變壓器局部放電故障識(shí)別算法的研究顯得尤為重要。近年來(lái)，對(duì)放電信號(hào)的處理分析大多由傅里葉變換轉(zhuǎn)換為能夠進(jìn)行時(shí)頻局域化分析的小波變換，這兩種方法對(duì)平穩(wěn)信號(hào)都有良好的處理效果，但是，這些算法不能隨信號(hào)本身時(shí)間和頻率的變化由自身做出調(diào)整，不能客觀反映出真實(shí)的信號(hào)特性[1]。文獻(xiàn)[2]在列車軸承機(jī)械故障診斷中應(yīng)用希爾波特?黃變換（Hilbert?Huang Transform，HHT）中的EEMD方法，取得了良好的效果。HHT是一種適用于非線性和非平穩(wěn)信號(hào)的處理方法，提高了分解時(shí)對(duì)時(shí)頻的適應(yīng)能力。

同時(shí)，人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別技術(shù)中得到了越來(lái)越多的應(yīng)用。文獻(xiàn)[3?4]闡明了人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別上的重要地位，并應(yīng)用于放電識(shí)別。文獻(xiàn)[5?6]分別用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)局部放電模式進(jìn)行識(shí)別，效果良好。但在研究中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易陷入局部極小點(diǎn)等問(wèn)題難以避免，同時(shí)支持向量機(jī)并不適合用于大樣本多分類的問(wèn)題。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，提出概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）。文獻(xiàn)[7]利用概率神經(jīng)網(wǎng)絡(luò)的非線性映射分類能力實(shí)現(xiàn)逆變器的故障診斷，表現(xiàn)出PNN在模式識(shí)別中穩(wěn)定性高、抗噪聲能力強(qiáng)、診斷速度快和正確率高的優(yōu)勢(shì)。

針對(duì)以上問(wèn)題，本文基于HHT和概率神經(jīng)網(wǎng)絡(luò)，提出一種希爾伯特能量聚類與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的變壓器局部放電故障識(shí)別算法。該算法可以較好地避免特征提取過(guò)程中能量的損失，提高特征值的分辨性，同時(shí)計(jì)算速度快，不需要識(shí)別網(wǎng)絡(luò)的優(yōu)化，提高了局部放電識(shí)別的速度和精度。

1 局部放電信號(hào)分析和希爾伯特?黃變換

變壓器中的局部放電脈沖均存在振蕩分量，且大部分放電持續(xù)時(shí)間在100～300 ns，不同的放電類型其脈沖持續(xù)時(shí)間、波形的上升和下降沿所用時(shí)間，以及波形振動(dòng)分量等諸多特性存在差異，為放電脈沖類型的識(shí)別提供了依據(jù)。但是實(shí)際測(cè)得的波形中存在諸多干擾分量，且為非線性、非平穩(wěn)信號(hào)，本文采用HHT對(duì)原始信號(hào)進(jìn)行處理。

在HHT中，瞬時(shí)頻率是非常重要的概念，與傳統(tǒng)的頻率不同，瞬時(shí)頻率表征信號(hào)在局部時(shí)間點(diǎn)上瞬態(tài)頻率特性，整個(gè)持續(xù)期上的瞬時(shí)頻率反映了信號(hào)頻率的時(shí)變規(guī)律，據(jù)此可以對(duì)信號(hào)特征值進(jìn)行提取。

對(duì)信號(hào)的時(shí)間序列[Xt]進(jìn)行Hilbert變換，可得：

然而，單純的Hilbert變換會(huì)濾掉信號(hào)中的諧波，造成信號(hào)失真，因此結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）可以從原始信號(hào)中篩選出固有模態(tài)（Intrinsic Mode Function，IMF）。將滿足條件的IMF分量通過(guò)多次篩選后獲得，即EMD，具體方法可參考文獻(xiàn)[8?9]。每個(gè)IMF分量的頻率和尺度隨信號(hào)的變化而改變，對(duì)油中懸浮放電信號(hào)進(jìn)行EMD的結(jié)果如圖1所示，其中imf1～imf8為IMF分量，[r]為殘留余項(xiàng)。

在此，由于余項(xiàng)[rn（t）]的能量很小，只是單調(diào)函數(shù)或常量，一般不予考慮。

由HHT變換得來(lái)的放電信號(hào)可以進(jìn)一步表示為幅值、頻率和時(shí)間的函數(shù)，即Hilbert譜[10][H（w，t）]。

2 基于概率神經(jīng)網(wǎng)絡(luò)的模式識(shí)別

概率神經(jīng)網(wǎng)絡(luò)是一種被概率統(tǒng)計(jì)學(xué)普遍認(rèn)可的決策策略，其理論依據(jù)是貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則，適合模式分類。其基于非線性算子模式后驗(yàn)概率輸出和用Parzen窗的概率密度函數(shù)估計(jì)的方法，使得PNN網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔，且收斂速度很快，有理想的分類能力[11]。PNN結(jié)構(gòu)由其原理決定，包括輸入層、模式層、求和層和競(jìng)爭(zhēng)層。

PNN網(wǎng)絡(luò)的具體設(shè)計(jì)根據(jù)處理問(wèn)題的具體情況確定。將原始數(shù)據(jù)進(jìn)行歸一化處理后，形成輸入特征矩陣[Xmn，]其中，[m]為特征值維數(shù)，對(duì)應(yīng)輸入層有[m]個(gè)神經(jīng)元，[n]為輸入樣本個(gè)數(shù)。

模式層的核心是基于歐氏距離下的高斯核函數(shù)，將輸入特征樣本與訓(xùn)練樣本的距離通過(guò)高斯核函數(shù)的徑向基非線性映射后得到輸出向量，是實(shí)現(xiàn)PNN中非線性算法高精度特性的一個(gè)重要步驟，表達(dá)式如下：

模式層完成的是計(jì)算輸入特征矩陣與各個(gè)模式的匹配關(guān)系，按照固定的函數(shù)進(jìn)行輸出。

求和層即對(duì)模式層輸出的同一類別的樣本進(jìn)行概率歸總，因此，求和層神經(jīng)元數(shù)目對(duì)應(yīng)訓(xùn)練樣本故障類別[k，]每個(gè)類別匯總采用Parzen窗的概率密度函數(shù)：

競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)[l]取決于輸出分類的種類或組合。競(jìng)爭(zhēng)層將求和層得出的最大后驗(yàn)概率密度的一組種類作為網(wǎng)絡(luò)的最終輸出。

3 仿真實(shí)驗(yàn)

3.1 信號(hào)分析和算法提出

變壓器局部放電原因比較多，放電類型也多種多樣，本文在實(shí)驗(yàn)室條件下搭建變壓器放電模型構(gòu)造4種局部放電模型：油中懸浮放電、油中沿面放電、油中氣隙放電和空氣中針板放電，分別對(duì)應(yīng)圖2a）～圖2d）。模擬實(shí)驗(yàn)共提取樣本數(shù)據(jù)40組，其中30組作為訓(xùn)練樣本，10組為測(cè)試樣本。

首先，對(duì)4種放電信號(hào)進(jìn)行HHT后，得到信號(hào)對(duì)應(yīng)于幅值和時(shí)頻的Hilbert譜，再將Hilbert譜匯總為邊際譜，如圖3a）～圖3d）所示分別為4種變壓器局部放電的邊際譜和局部放大的邊際譜。由圖3可以看出，不同的放電類型放電波形的頻率有較大差異，且幅值主要集中分布在低頻端，能量集中，在放大的局部圖譜中可以看出在不同頻率的含量上有著明顯的差異，因此對(duì)時(shí)頻譜按指數(shù)進(jìn)行數(shù)據(jù)聚類，同時(shí)結(jié)合希爾伯特能量譜，實(shí)現(xiàn)對(duì)Hilbert譜按指數(shù)分布族提取能量特征值。

3.2 故障識(shí)別和結(jié)果分析

根據(jù)表1提取的特征值維數(shù)和數(shù)目，設(shè)置PNN網(wǎng)絡(luò)結(jié)構(gòu)為9?30?4?4。最后將用HHT變換得到的特征值送入設(shè)定好的PNN進(jìn)行訓(xùn)練和測(cè)試，為做對(duì)比，同時(shí)將由小波變換（Wavelet Transform，WT）提取的能量特征值送入PNN進(jìn)行訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果如圖4所示。

由圖4可以看出，網(wǎng)絡(luò)訓(xùn)練時(shí)，在同樣分類器的條件下，經(jīng)HEC算法得到的特征值使PNN對(duì)局部放電故障分類的準(zhǔn)確率有明顯提高，同時(shí)，結(jié)合圖5的測(cè)試結(jié)果可以看出，在同樣的網(wǎng)絡(luò)下，識(shí)別的準(zhǔn)確率有明顯差異，表明該算法能有效提高信號(hào)特征值自身的可分性。另外，注意到由小波能量值作為特征值的測(cè)試和訓(xùn)練中，其誤差多出現(xiàn)在油中懸浮放電和油中沿面放電之間，這是由于信號(hào)特征相似度高，且小波分解的尺度固定，使頻率適應(yīng)性不足，視頻分解不精確，對(duì)特征提取產(chǎn)生了影響。

從表2中可以看出，基于同樣識(shí)別網(wǎng)絡(luò)的條件下，WT?PNN的識(shí)別率為80%，明顯小于HEC?PNN算法95%的識(shí)別率，WT算法所得特征值影響了網(wǎng)絡(luò)識(shí)別的正確率，對(duì)比識(shí)別錯(cuò)誤樣本后發(fā)現(xiàn)，在WT算法下識(shí)別錯(cuò)誤的樣本有三種，而HEC算法可以減少錯(cuò)誤樣本的識(shí)別數(shù)量，對(duì)于油中懸浮放電和空氣中針板放電的識(shí)別率能夠達(dá)到100%;在同樣特征值提取算法的條件下，PNN網(wǎng)絡(luò)對(duì)多種類的分類識(shí)別準(zhǔn)確率要高于BP神經(jīng)網(wǎng)絡(luò)，在多分類樣本的應(yīng)用中有明顯的優(yōu)勢(shì)。

4 結(jié) 論

目前，傅里葉變換以及小波等算法已經(jīng)廣泛應(yīng)用于信號(hào)處理，但是其對(duì)于非線性和非平穩(wěn)信號(hào)的分析有著固有的缺陷。針對(duì)這種情況，本文基于希爾伯特?黃變換分解局部放電信號(hào)，并通過(guò)希爾伯特能量圖譜分析局部放電信號(hào)的信號(hào)特點(diǎn)，提出希爾伯特能量聚類算法，克服了小波分解尺度不可變的缺陷，提高了特征值自身的可分性，使分類效果更加明顯。算法中結(jié)合PNN作為局部放電故障識(shí)別的分類器，識(shí)別效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，具有更快的運(yùn)算識(shí)別速度和更高的識(shí)別率，同時(shí)有著較好的擴(kuò)展性。

參考文獻(xiàn)

[1] 李劍，寧佳欣，金卓睿，等.變壓器局部放電在線監(jiān)測(cè)超高頻Hilbert分形天線研究[J].電力自動(dòng)化設(shè)備，2007，27（6）：31?35.

LI Jian， NING Jiaxin， JIN Zhuorui， et al. Research on UHF Hilbert fractal antenna for online transformer PD monitoring [J]. Electric power automation equipment， 2007， 27（6）： 31?35.

[2] 王旭，彭暢，張振先.基于EEMD的共振解調(diào)技術(shù)在列車軸承故障診斷中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2015，38（21）：24?27.

WANG Xu， PENG Chang， ZHANG Zhenxian. Application of EEMD based resonance demodulation technology in train bea?ring fault diagnosis [J]. Modern electronics technique， 2015， 38（21）： 24?27.

[3] DANIKAS M G， GAO N， ARO M. Partial discharge recognition using neural networks： a review [J]. Electrical enginee?ring， 2003， 85（2）： 87?93.

[4] HOZUMI N， OKAMOTO T， IMAJO T. Discrimination of partial discharge patterns using neural network [J]. IEEE transactions on electrical insulation， 1992， 27（3）： 550?556.

[5] 鄧雨榮，郭麗娟，郭飛飛，等.引入二代小波的自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)局部放電故障識(shí)別[J].電力建設(shè)，2013，34（6）：87?91.

DENG Yurong， GUO Lijuan， GUO Feifei， et al. Partial discharge fault identification by using adaptive BP neural network based on second generation wavelet [J]. Electric power construction， 2013， 34（6）： 87?91.

[6] 任先文，薛雷，宋陽(yáng)，等.基于分形特征的最小二乘支持向量機(jī)局部放電模式識(shí)別[J].電力系統(tǒng)保護(hù)與控制，2011，39（14）：143?147.

REN Xianwen， XUE Lei， SONG Yang， et al. The pattern recognition of partial discharge based on fractal characteristics using LS?SVM [J]. Power system protection and control， 2011， 39（14）： 143?147.

[7] 袁國(guó)森，張彼德，李明昆，等.基于極值比值法和神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷[J].電測(cè)與儀表，2016（14）：34?38.

YUAN Guosen， ZHANG Bide， LI Mingkun， et al. Fault diagnosis for inverter based on extremum value ratio and probabilistic neural network [J]. Electrical measurement & instrumentation， 2016（14）： 34?38.

[8] 盧麗.EMD方法在局部放電超聲信號(hào)提取中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2009，32（3）：137?139.

LU Li. Application of EMD method in extracting ultrasonic signals of transformer partial discharge [J]. Modern electronics technique， 2009， 32（3）： 137?139.

[9] 許峰，李開(kāi)成，王可.基于EMD和卡爾曼濾波的振蕩信號(hào)檢測(cè)[J].電測(cè)與儀表，2015，52（24）：60?64.

XU Feng， LI Kaicheng， WANG Ke. The detection of oscillation signal based on EMD and Kalman filter [J]. Electrical measurement & instrumentation， 2015， 52（24）： 60?64.

[10] 李成榕，王彩雄，唐志國(guó)，等.基于聚類分析的變壓器局部放電智能診斷的研究[J].華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，35（6）：7?12.

LI Chengrong， WANG Caixiong， TANG Zhiguo， et al. Study of intelligent diagnosis of transformers partial discharge based on cluster analysis [J]. Journal of North China Electric Power University （natural science edition）， 2008， 35（6）： 7?12.

[11] PERERA N， RAJAPAKSE A. Recognition of fault transients using a probabilistic neural?network classifier [J]. IEEE tran?sactions on power delivery， 2011， 26（1）： 410?419.