基于概率神經(jīng)網(wǎng)絡(luò)的局部放電信號(hào)特征提取與識(shí)別研究

林偉，王昕，鄭益慧，李立學(xué)

(上海交通大學(xué) 電工與電子技術(shù)中心，上海 200240)

基金項(xiàng)目:國(guó)家自然科學(xué)基金項(xiàng)目(61673268)，國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(61533012)資助。

0 引 言

氣體絕緣開關(guān)(Gas Insulated Switchgear，GIS)因其具有占地面積小、穩(wěn)定性高等優(yōu)點(diǎn)，在電力系統(tǒng)中占據(jù)重要的地位[1]。然而，由于GIS的封閉性，一旦發(fā)生故障，便會(huì)造成嚴(yán)重后果[2]。數(shù)據(jù)表明，絕緣故障在GIS 故障中占大多數(shù)[3]。局部放電(Partial Discharge，PD)作為一種有效表征GIS絕緣缺陷的現(xiàn)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(cè)法具有高靈敏度、高精確度等優(yōu)點(diǎn)，已經(jīng)成為GIS局放檢測(cè)的重要手段[4]。由于不同的絕緣缺陷所激發(fā)的特高頻信號(hào)具有不同的特征，自上世紀(jì)90年代起，模式識(shí)別開始應(yīng)用于局部放電類型識(shí)別分類領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)[5](Artificial Neural Network，ANN)、支持向量機(jī)[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(lǐng)域有所應(yīng)用。在模式識(shí)別領(lǐng)域，反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)作為ANN的一種算法應(yīng)用十分廣泛，具備良好的分類能力，但其樣本需求量大、訓(xùn)練周期長(zhǎng)、易陷入局部最優(yōu)；SVM可解決小樣本下的分類識(shí)別，可數(shù)據(jù)量大時(shí)，計(jì)算速度會(huì)變得非常慢；KNN算法運(yùn)算速度較快，但效果受到近鄰數(shù)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(shí)別方法依賴于所輸入的特征參量。因此，設(shè)計(jì)并選取具有代表性和區(qū)分度的特征參量至關(guān)重要。文獻(xiàn)[8]使用基于灰度譜圖的圖像矩特征參量識(shí)別，可以較好地反映局放信號(hào)的形狀紋理特征，但需要對(duì)圖片進(jìn)行縮放裁剪等預(yù)處理，破壞了數(shù)據(jù)的完整性，且該方法未考慮到局放信號(hào)的統(tǒng)計(jì)特征，對(duì)極性現(xiàn)象描述不夠；而采用相窗內(nèi)的放電平均值和放電量描述局放的統(tǒng)計(jì)參量則更多考慮數(shù)據(jù)正負(fù)半周間的差異與總體統(tǒng)計(jì)規(guī)律[9]，卻無法描述局放PRPD圖譜的局部形狀特征；文獻(xiàn)[10]采用多種圖譜聯(lián)合參數(shù)，可以反映局放信號(hào)的形狀特征和統(tǒng)計(jì)特征，但丟失了局部放電信號(hào)的相位信息。

針對(duì)以上問題，本文提出了基于概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)的分類方法以及表述信號(hào)形狀與統(tǒng)計(jì)特征的聯(lián)合參量。首先，利用GIS局放模擬裝置產(chǎn)生特高頻(Ultra High Frequency，UHF)局放信號(hào)并采集，生成數(shù)據(jù)集；其次，在傳統(tǒng)的統(tǒng)計(jì)參量與圖像矩參量的基礎(chǔ)上，根據(jù)信號(hào)的圖譜特點(diǎn)選取聯(lián)合參量，以描述信號(hào)的整體統(tǒng)計(jì)特征和局部形狀特征；同時(shí)，對(duì)采集的數(shù)據(jù)直接進(jìn)行預(yù)處理與參量提取，避免破壞數(shù)據(jù)的完整性，并通過主成分分析(Principal Component Analysis，PCA)法[11]進(jìn)行降維；在數(shù)據(jù)集中，隨機(jī)抽取樣本形成訓(xùn)練集和測(cè)試集，利用訓(xùn)練集生成概率神經(jīng)網(wǎng)絡(luò)的隱含層；而概率神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練速度快、結(jié)構(gòu)簡(jiǎn)單和容錯(cuò)率高的特點(diǎn)，不易陷入局部最優(yōu)，并能夠應(yīng)對(duì)小樣本數(shù)據(jù)，解決了傳統(tǒng)模式識(shí)別方法的缺陷。最后，訓(xùn)練完成的概率神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，得到結(jié)果。試驗(yàn)表明，本文提出概率神經(jīng)網(wǎng)絡(luò)具有良好的識(shí)別能力，且聯(lián)合參量相比于傳統(tǒng)統(tǒng)計(jì)參量具有顯著的優(yōu)越性。

1 特高頻信號(hào)傳播與采集

GIS在發(fā)生局部放電時(shí)，伴隨著正負(fù)電荷的中和，會(huì)產(chǎn)生上升沿為納秒級(jí)的電流脈沖，從而激發(fā)高達(dá)幾百兆到幾千兆的特高頻電磁波。如圖1(a)所示，GIS的同軸結(jié)構(gòu)相當(dāng)于圓柱形同軸線波導(dǎo)，可供特高頻電磁波傳播。

電磁波在GIS的封閉式結(jié)構(gòu)中進(jìn)行傳播時(shí)，會(huì)通過盆式絕緣子等絕緣結(jié)構(gòu)泄漏出部分電磁波。因此，可選用外置式的UHF傳感器對(duì)其進(jìn)行采集。或通過預(yù)置在GIS腔體內(nèi)部的內(nèi)置式UHF接收天線將信號(hào)傳輸至外界，如圖1(b)所示。

圖1 (a) GIS內(nèi)部特高頻信號(hào)傳播示意圖(b) 和某線路變電站GIS

本文采用內(nèi)置式UHF傳感器，對(duì)GIS局部放電故障模擬裝置產(chǎn)生的特高頻信號(hào)進(jìn)行采集，獲取信號(hào)數(shù)據(jù)，如圖2(a)所示，內(nèi)置式UHF傳感器具有更加良好的抗干擾能力，且能夠捕捉到幅值較低的特高頻信號(hào)。圖2(b)所示模擬裝置可產(chǎn)生懸浮電極、自由金屬顆粒、絕緣氣隙和金屬尖端四種絕緣缺陷的放電信號(hào)。UHF傳感器采樣率為10 kS/s，即每周期200個(gè)數(shù)據(jù)點(diǎn)。利用峰值檢波方法獲取放電周期內(nèi)的最大值表示該放電周期內(nèi)局放信息。

圖2 (a) UHF信號(hào)采集與預(yù)處理裝置(b) GIS局部放電故障模擬裝置

2 特征參量選取與處理

為了確定特征參量，本文根據(jù)采集得到的數(shù)據(jù)繪制PRPD散點(diǎn)圖，如圖3所示。其中，圖像橫坐標(biāo)代表放電數(shù)據(jù)對(duì)應(yīng)的時(shí)刻；縱坐標(biāo)為放電量的歸一化幅值，為無量綱數(shù)值。四種絕緣缺陷之間的特征區(qū)別十分明顯。顯然，除自由金屬顆粒缺陷外，其余局部放電的分布具有相位相關(guān)性，因此，將整個(gè)工頻周期區(qū)分為正半周和負(fù)半周兩個(gè)區(qū)域。據(jù)此，本文提取如下包含形狀信息和統(tǒng)計(jì)信息的聯(lián)合特征參量。

2.1 形狀參量

1)外觀比RA(Aspect Ratio)

外觀比是比較常用的形狀緊湊性描述符，定義為：RA=L/W。其中，L和W分別是可以正好完全覆蓋目標(biāo)的矩形區(qū)域的長(zhǎng)和寬。局部放電信號(hào)幅值越集中、相位分布越廣，則外觀比越小。

2)實(shí)心度SD(Solid Degree)

實(shí)心度的定義為：SD=N/AR，表達(dá)為區(qū)域內(nèi)局部放電信號(hào)點(diǎn)數(shù)與其包裹其集合的最小矩形面積比值。實(shí)心度描述局放信號(hào)的稀疏程度，當(dāng)局放信號(hào)在工頻周期內(nèi)越集中，則實(shí)心度的值越大。

3)Hu不變矩η

由M.K.Hu提出的Hu不變矩是通過二值圖像中心矩的代數(shù)運(yùn)算得到的矩特征參量。二值圖像f(x,y)表示形狀區(qū)域，則圖像p+q階矩和p+q階中心矩定義為：

mpq=∑xpyqf(x,y) (p,q=0,1,2…)

(1)

μpq=∑(x-x0)p(y-y0)qf(x,y)
(p,q=0,1,2…)

(2)

式中：(x0,y0)為形狀質(zhì)心，由二階、三階中心矩通過代數(shù)運(yùn)算，組合得到7個(gè)Hu不變矩特征，詳細(xì)計(jì)算見文獻(xiàn)[8]。

2.2 統(tǒng)計(jì)參量

1)偏斜度Sk(Skewness)

偏斜度是描述圖形偏斜程度的統(tǒng)計(jì)量，其值的正負(fù)分別代表圖譜形狀向左與向右偏移。公式如下：

(3)

式中：i是每半個(gè)周期內(nèi)的數(shù)據(jù)點(diǎn)序數(shù)，即每100個(gè)數(shù)據(jù)點(diǎn)為一個(gè)計(jì)數(shù)循環(huán);φi是第i個(gè)數(shù)據(jù)點(diǎn)的相位;pi、μ和σ分別為該相位點(diǎn)的放電最大值的概率、均值和標(biāo)準(zhǔn)差。

2)陡峭度Ku(Kurtosis)

陡峭度是表示圖譜平坦與否的統(tǒng)計(jì)量，其值正負(fù)表示圖譜與正態(tài)分布的比較更加陡峭或更加平坦，其計(jì)算見式(4)，式中各參數(shù)意義與Sk相同：

(4)

3)互相關(guān)系數(shù)CC(Correlation Coefficient)

(5)

圖3 四種缺陷局放圖譜

4)放電量因數(shù)Q

放電量因數(shù)表示正負(fù)半周內(nèi)局放放電量的差異，表達(dá)為：

(6)

5)數(shù)據(jù)稠密度DD(Data Density)

數(shù)據(jù)稠密度是用來表征局放信號(hào)在相位分布上的稠密程度提出的統(tǒng)計(jì)量。定義為在有效放電閾值以上的放電區(qū)間相位占總相位的比值，即DD=neff/N。

2.3 特征參量降維

上文提出三類形狀參量和五類統(tǒng)計(jì)參量，考慮到部分參量的正負(fù)半周區(qū)域區(qū)分，共計(jì)十八個(gè)特征參量，即:

(7)

如此產(chǎn)生的特征參量維度過高，本文采用PCA法對(duì)特征參量組進(jìn)行降維，其具體步驟可見文獻(xiàn)[11]。經(jīng)過降維后，根據(jù)累計(jì)方差貢獻(xiàn)率選取降維維數(shù)，本文選取貢獻(xiàn)率90%以上，主分量貢獻(xiàn)率見表1。

表1 PCA降維特征參量貢獻(xiàn)率

3 PNN神經(jīng)網(wǎng)絡(luò)識(shí)別

PNN神經(jīng)網(wǎng)絡(luò)是徑向基網(wǎng)絡(luò)(Radical Basis Function，RBF)的分支，是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則的有監(jiān)督分類器。如圖4所示，本文采用PCA降維特征參量為5維，并獲得4種分類結(jié)果。特征參量通過輸入層進(jìn)入PNN神經(jīng)網(wǎng)絡(luò)，隱含層為已明確類別的樣本層，圖中隱含層每個(gè)數(shù)字代表該類的樣本矢量，隱含層神經(jīng)元數(shù)目等同于樣本矢量數(shù)目，每種樣本個(gè)數(shù)不定。通過隱含層累和，參量傳輸至競(jìng)爭(zhēng)層，得到數(shù)據(jù)分類在每種類型的概率，最終輸出概率最高的結(jié)果，即為最終的分類。

圖4 PNN神經(jīng)網(wǎng)絡(luò)示意圖

PNN輸出變量的判別函數(shù)為[12]：

(8)

4 數(shù)據(jù)結(jié)果分析

本文通過對(duì)圖2(b)所示的GIS局部放電模擬裝置產(chǎn)生的局部放電信號(hào)進(jìn)行采集，獲取氣隙放電、懸浮放電、自由金屬顆粒放電和尖端放電四種特高頻信號(hào)，其信號(hào)圖像如圖5所示。其中，橫縱坐標(biāo)分別代表信號(hào)相位(°)和放電量幅值(dBm)。本文直接獲取信號(hào)原始數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理，獲得PRPD三維數(shù)據(jù)，并以此繪制散點(diǎn)圖與最大值曲線。

圖5 GIS局放模擬裝置放電圖譜

由表2可知，本文選取聯(lián)合參量組的正確率明顯高于統(tǒng)計(jì)參量組，識(shí)別率均在80%以上，而懸浮放電和顆粒放電的識(shí)別率均高達(dá)95%以上，其中，懸浮放電50組測(cè)試數(shù)據(jù)無一錯(cuò)判，顯示很良好的分類能力。

表2 GIS局放信號(hào)PNN識(shí)別結(jié)果

5 結(jié)束語

本文提出了應(yīng)用于GIS局部放電特高頻信號(hào)的特征參量選取方式以及基于概率神經(jīng)網(wǎng)絡(luò)的局放分類器，經(jīng)過試驗(yàn)驗(yàn)證了聯(lián)合參量的優(yōu)越性，并得出如下結(jié)論：

(1)利用GIS局放模擬裝置產(chǎn)生局放UHF信號(hào)，并將其預(yù)處理作為數(shù)據(jù)集，針對(duì)灰度譜圖和最大值譜圖的不足，在傳統(tǒng)的形狀參量和統(tǒng)計(jì)參量基礎(chǔ)上結(jié)合數(shù)據(jù)集生成的散點(diǎn)圖特征提出外觀比、實(shí)心度和數(shù)據(jù)密度等新的特征參量，并組成聯(lián)合參量，具備更完整的描述局放信號(hào)特征的能力；

(2)通過PCA分析法獲得降維特征參量，規(guī)避了高緯度帶來的低效率，并減少了信息冗余；

(3)利用隨機(jī)抽樣法對(duì)數(shù)據(jù)集分類，可有效減少人為選取的偏向性;

(4)測(cè)試數(shù)據(jù)，通過概率神經(jīng)網(wǎng)絡(luò)得到最終分類結(jié)果，具備一定的準(zhǔn)確度，對(duì)比傳統(tǒng)統(tǒng)計(jì)參量，本文提出的聯(lián)合參量對(duì)分類的準(zhǔn)確率有明顯提高。