基于PNN的GIS局部放電模式識(shí)別方法

李君科，李明江，李德光

（1.黔南民族師范學(xué)院計(jì)算機(jī)與信息學(xué)院，貴州都勻 558000；2.洛陽(yáng)師范學(xué)院信息技術(shù)學(xué)院，河南洛陽(yáng) 471934）

氣體絕緣開(kāi)關(guān)設(shè)備（gas insulated switchgear，GIS）因其安全運(yùn)行可靠性高、低成本、低污染運(yùn)行等特點(diǎn)，在電力系統(tǒng)中得到了廣泛應(yīng)用[1-2]。但GIS 設(shè)備的長(zhǎng)時(shí)間運(yùn)行以及制造和安裝時(shí)存在的疏漏會(huì)導(dǎo)致內(nèi)部絕緣缺陷，引起設(shè)備的局部放電（partial discharge，PD）行為[3]。對(duì)GIS 設(shè)備內(nèi)部各種絕緣缺陷的PD 信號(hào)監(jiān)測(cè)并進(jìn)行分析和識(shí)別，能夠?yàn)樵u(píng)估設(shè)備運(yùn)行狀態(tài)和制定可靠的檢修方案提供合理依據(jù)[4-5]。

目前在GIS的PD 模式識(shí)別的研究中，主要是從特高頻（ultrahigh frequency，UHF）測(cè)量[6]信號(hào)中提取出類(lèi)別特征集以便于分類(lèi)，常用的特征量提取方法有分形特征法[7-8]、統(tǒng)計(jì)特征法[9-10]和矩陣特征法[11-12]等。但是，特征提取所得到的高維數(shù)據(jù)不僅增加分類(lèi)器的計(jì)算量，更會(huì)引起識(shí)別率的下降。目前常用的降維方法是主成分分析法（principal components analysis，PCA）[13-14]，但是該方法基于求得樣本協(xié)方差矩陣的特征貢獻(xiàn)率，沒(méi)有體現(xiàn)樣本間的類(lèi)別信息。屬于監(jiān)督降維的線性判別分析法（linear discriminant analysis，LDA）能夠使樣本空間具有明顯的類(lèi)別信息，提高模式識(shí)別的正確率，在各領(lǐng)域得到了很好的應(yīng)用[15-16]。

國(guó)內(nèi)外學(xué)者對(duì)GIS 的PD 模式識(shí)別進(jìn)行了大量研究，其中，BP 神經(jīng)網(wǎng)絡(luò)（back propagation neural networks，BPNN）[13，17]和支持向量機(jī)（support vector machine，SVM）的應(yīng)用比較廣泛[7，14]。但BP網(wǎng)絡(luò)在訓(xùn)練時(shí)存在過(guò)擬合、容易陷入局部極值以及收斂速度慢等問(wèn)題。SVM是基于二次規(guī)劃求解支撐向量，該方法隨著樣本增加，矩陣階數(shù)上升，且相應(yīng)的運(yùn)算量和運(yùn)算時(shí)間也急劇攀升。概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）可以從海量樣本中學(xué)習(xí)出類(lèi)別特征信息，與其他方法相比，該方法具有收斂速度快且分類(lèi)能力強(qiáng)等特點(diǎn)，在模式分類(lèi)領(lǐng)域得到了廣泛應(yīng)用[12]。由于PNN對(duì)訓(xùn)練樣本的類(lèi)別信息的要求比較高，所以本文采用LDA數(shù)據(jù)分析方法，且引入遺傳算法對(duì)平滑因子進(jìn)行優(yōu)化來(lái)提高網(wǎng)絡(luò)的收斂速度和識(shí)別精度。

本文針對(duì)GIS 的PD 模式識(shí)別開(kāi)展如下研究工作：利用GIS 局部放電高壓實(shí)驗(yàn)平臺(tái)模擬了5類(lèi)典型的GIS 設(shè)備缺陷模型，采用UHF 獲取局部放電的原始信號(hào)參量；采用統(tǒng)計(jì)特征法提取出18個(gè)統(tǒng)計(jì)參量并進(jìn)行LDA 分析，對(duì)統(tǒng)計(jì)參量進(jìn)行降維處理得到新的特征參量；用優(yōu)化平滑因子后的概率神經(jīng)網(wǎng)絡(luò)作為PD 類(lèi)型識(shí)別器對(duì)低維樣本進(jìn)行模式識(shí)別。

1 線性判別分析

Ronald Fisher 于1936 年提出的LDA 分析法是提取特征的有效方法。采用Fisher準(zhǔn)則函數(shù)對(duì)多類(lèi)樣本數(shù)據(jù)進(jìn)行線性判別分析，其目標(biāo)是通過(guò)計(jì)算高維特征空間的類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣，提取出具有類(lèi)別可分性的低維特征，即新樣本有最大的類(lèi)間距離和最小的類(lèi)內(nèi)距離。

式中：Sb，Sw分別為類(lèi)間離散度矩陣和類(lèi)內(nèi)離散度矩陣；w為待求的最優(yōu)投影集；ml為各個(gè)類(lèi)內(nèi)樣本均值；m為樣本空間均值。

構(gòu)造拉格朗日乘子，將式（1）表示為

2 PNN識(shí)別模型及優(yōu)化

2.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)是在徑向基神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)的，融合了Parzen 窗概率密度函數(shù)估計(jì)和Bayes 分類(lèi)準(zhǔn)則，可以實(shí)現(xiàn)任意的非線性逼近，收斂于貝葉斯分類(lèi)最優(yōu)解?；舅枷霝椋涸O(shè)有d維輸入特征樣本x=[x1，x2，x3，…，xd]，對(duì)應(yīng)于C個(gè)類(lèi)別w1，w2，…，wC之一。P（wi）和P（x|wi）分別為類(lèi)wi的先驗(yàn)概率和類(lèi)條件概率密度函數(shù)。貝葉斯決策通過(guò)最小化風(fēng)險(xiǎn)進(jìn)行決策，決策規(guī)則為

式中：d（x）為決策；P（wi）為類(lèi)wi的先驗(yàn)概率；Ni為類(lèi)別i的訓(xùn)練樣本數(shù)；N為訓(xùn)練樣本總數(shù)。

類(lèi)條件概率密度函數(shù)P（x|wi）采用Parzen 窗非參概率密度函數(shù)方法進(jìn)行估計(jì)，且將多元高斯核函數(shù)作為窗函數(shù)，即P（x|wi）的Parzen 窗估計(jì)表示為

式中：Ni為i類(lèi)的訓(xùn)練樣本數(shù)；xij為該神經(jīng)元的權(quán)向量（同時(shí)也是第i類(lèi)中的第j個(gè)訓(xùn)練樣本）；σ為平滑因子，決定了以樣本點(diǎn)為中心的曲線寬度。

PNN 模型由輸入層、模式層、求和層和輸出層組成，結(jié)構(gòu)如圖1所示。

圖1 PNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 PNN network structure diagram

1）輸入層神經(jīng)元個(gè)數(shù)與特征樣本x的維數(shù)相等，該層接收特征空間樣本并傳遞給網(wǎng)絡(luò)模式層。

3）求和層神經(jīng)元個(gè)數(shù)與樣本類(lèi)別數(shù)C相同，該層神經(jīng)元與僅屬于同一類(lèi)的模式層神經(jīng)元連接，將模式層中所有同類(lèi)神經(jīng)元的輸出累計(jì)后取均值：

式中：Ni為訓(xùn)練樣本類(lèi)別i的數(shù)量。

4）輸出層有C個(gè)神經(jīng)元（對(duì)應(yīng)每個(gè)模式類(lèi)），該層接受求和層輸出的類(lèi)別條件概率密度函數(shù)，采用貝葉斯分類(lèi)準(zhǔn)則，每個(gè)神經(jīng)元的輸出為

對(duì)于未知類(lèi)別的特征樣本x，有r，s（r，s∈{1，2，3，…，C}，且r≠s），若存在Or＞Os，則判定特征樣本屬于r類(lèi)。

由概率密度函數(shù)可知，平滑因子σ的變化會(huì)影響PNN 網(wǎng)絡(luò)的性能。取值過(guò)小，密度估計(jì)會(huì)出現(xiàn)過(guò)擬合，容易受到噪聲干擾；取值過(guò)大，函數(shù)逼近平滑，會(huì)增加參與計(jì)算的模式層神經(jīng)元，兩者皆會(huì)影響分類(lèi)器的識(shí)別效果。

2.2 優(yōu)化概率神經(jīng)網(wǎng)絡(luò)

目前常采用經(jīng)驗(yàn)法確定平滑因子，但該方法不能完全表述特征樣本的概率特性。遺傳算法可以無(wú)需先驗(yàn)知識(shí)進(jìn)行全局尋優(yōu)，在模式識(shí)別、函數(shù)優(yōu)化、控制和故障診斷等方面得到了廣泛的應(yīng)用[18-19]。本文選取遺傳算法對(duì)PNN分類(lèi)器的平滑因子進(jìn)行優(yōu)化，找到適合對(duì)特征樣本識(shí)別的平滑因子。

采用樣本特征分布信息設(shè)計(jì)初始種群來(lái)代替?zhèn)鹘y(tǒng)的隨機(jī)分布初始種群。Parzen 概率的估計(jì)值主要是取決于臨近點(diǎn)距離影響，當(dāng)待測(cè)樣本與模式樣本的距離分別為1σ，2σ，3σ時(shí)，產(chǎn)生的相應(yīng)高斯值相差懸殊，能夠直接影響概率估計(jì)值。因此σ值的選取要有一定的范圍，可采用下式表示：

式中：pˉav[k]為同類(lèi)樣本最小距離平均值；g為比例系數(shù)，選取為0.9～1.8。

遺傳算法的適應(yīng)度函數(shù)采用誤差函數(shù)計(jì)算個(gè)體的適應(yīng)度，如下式所示：

式中：E為誤差值；d（xj）為期望輸出；o（xj）為網(wǎng)絡(luò)的實(shí)際輸出。

綜上，基于遺傳算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)步驟如下：

1）計(jì)算特征空間的同類(lèi)樣本的最小距離平均值集，并利用比例系數(shù)在區(qū)間內(nèi)形成初始種群{σ′1，σ′2，σ′3，…，σ′M}，M為種群規(guī)模；

2）進(jìn)行種群二進(jìn)制編碼；

3）執(zhí)行遺傳算法的選擇、交叉、變異操作，并解碼；

4）評(píng)價(jià)適應(yīng)度函數(shù)，得到理想平滑因子則進(jìn)行步驟5），否則轉(zhuǎn)入2）繼續(xù)執(zhí)行；

5）優(yōu)化后平滑因子確定PNN 網(wǎng)絡(luò)分類(lèi)器模型。

3 局部放電實(shí)驗(yàn)與特征提取

3.1 實(shí)驗(yàn)

基于GIS局部放電高壓實(shí)驗(yàn)平臺(tái)進(jìn)行模擬局步放電缺陷類(lèi)型。實(shí)驗(yàn)平臺(tái)示意圖如圖2 所示，試驗(yàn)變壓器的額定電壓為150 kV，額定容量為15 kV·A，隔離開(kāi)關(guān)動(dòng)作速度3 s 左右。瓷套用于電氣設(shè)備引線的絕緣支撐。試驗(yàn)腔內(nèi)設(shè)置缺陷類(lèi)型模型，腔體內(nèi)含有少量空氣并充以SF6 氣體至0.4 MPa。仿真平臺(tái)采用UHF 檢測(cè)法，檢測(cè)頻段為300～3 000 MHz，用以避開(kāi)電暈放電等干擾。實(shí)驗(yàn)電路接線示意圖如圖3所示。

圖2 實(shí)驗(yàn)仿真平臺(tái)示意圖Fig.2 Schematic diagram of experimental simulation platform

圖3 實(shí)驗(yàn)接線示意圖Fig.3 Schematic diagram of experimental wiring

針對(duì)GIS 設(shè)備在實(shí)際運(yùn)行中的典型絕緣缺陷類(lèi)型，設(shè)計(jì)了如尖端導(dǎo)體放電（T）、分散型顆粒放電（D）、集群型顆粒放電（C）、絕緣子內(nèi)部放電（I）、懸浮放電（S）等5 種典型的PD 模型，如圖4 所示。

圖4 典型的局部放電模型Fig.4 Typical partial discharge model

模型規(guī)格：尖端放電，選取長(zhǎng)度l=15 mm、針尖直徑d=0.5 mm 的銅質(zhì)尖端導(dǎo)體，距離電極7 mm；懸浮電位放電，接地電極上放置厚5 mm 的環(huán)氧樹(shù)脂材質(zhì)板，環(huán)氧樹(shù)脂板上面放置直徑10 mm、高10 mm 的銅質(zhì)導(dǎo)體；分散性顆粒群放電，選取若干直徑d=0.4 mm、高h(yuǎn)=10 mm 的銅質(zhì)三角錐體，分散于GIS母線導(dǎo)體的絕緣子上；絕緣子表面金屬顆粒群放電，選取若干直徑d=0.4 mm、長(zhǎng)高h(yuǎn)=10 mm 銅絲，分堆放置于GIS 母線導(dǎo)體的絕緣子上；絕緣子內(nèi)部缺陷放電，將絕緣子替換成內(nèi)部有介質(zhì)缺陷的絕緣材質(zhì)。

3.2 超高頻特征參量

3.2.1 信號(hào)采集概述特征參量提取

利用3.1 節(jié)實(shí)驗(yàn)平臺(tái)進(jìn)行局部放電實(shí)驗(yàn)，將上述放電模型置于試驗(yàn)腔內(nèi)，接高、低壓電極進(jìn)行實(shí)驗(yàn)，通過(guò)UHF 檢測(cè)各類(lèi)缺陷的信號(hào)。每種缺陷類(lèi)型采集3 000 個(gè)工頻周期內(nèi)的局部放電波形。將50 個(gè)周期的工頻數(shù)據(jù)存為1 個(gè)樣本，即每類(lèi)信號(hào)含有60個(gè)樣本。不同缺陷模型的PD 放電次數(shù)m，放電相位φ，放電電荷量q等統(tǒng)計(jì)參數(shù)有明顯的差異，各缺陷類(lèi)型的UHF 二維圖譜如圖5～圖9所示。

由圖5～圖9 可知，T 類(lèi)放電缺陷在負(fù)半周有較高的放電量，D 類(lèi)缺陷在正負(fù)半周的峰值處的放電次數(shù)比較多且正半周的峰值處存在離散樣本，C 類(lèi)缺陷放電主要發(fā)生在正負(fù)半周的峰值之前且相應(yīng)的放電量比較多，I 類(lèi)缺陷在正負(fù)半周存在較少的放電量，S 類(lèi)缺陷的放電分布比較分散且放電量表現(xiàn)比較平穩(wěn)。

圖5 尖端導(dǎo)體放電相位分布圖譜Fig.5 Discharge phase distribution of tip conductor defect type

圖6 分散型顆粒放電相位分布圖譜Fig.6 Discharge phase distribution of dispersed particles defect type

圖7 集群型顆粒放電相位分布圖譜Fig.7 Discharge phase distribution of clustered particles defect type

圖8 懸浮放電相位分布圖譜Fig.8 Discharge phase distribution of suspension defect type

圖9 絕緣內(nèi)部放電相位分布圖譜Fig.9 Discharge phase distribution of insulation internal defect type

依據(jù)各類(lèi)缺陷的二維圖譜，分別提取能夠描述局部放電特性的統(tǒng)計(jì)算子，包含偏斜度SK，陡峭度Ku，放電量因數(shù)Q，互相關(guān)系數(shù)CC，峰值不對(duì)稱度P等共18個(gè)統(tǒng)計(jì)參量，如表1所示。

表1 統(tǒng)計(jì)算子表Tab.1 Table of statistical parameters

3.2.2 統(tǒng)計(jì)參量的線性判別分析

以偏斜度的6 個(gè)參量為例進(jìn)行LDA 數(shù)據(jù)分析，求解Fisher 準(zhǔn)則函數(shù)矩陣的特征值及其主導(dǎo)向量。對(duì)求得特征值的貢獻(xiàn)率和累計(jì)貢獻(xiàn)率（如表2所示）進(jìn)行分析，選擇較大特征值的特征向量作為主要向量用以確定轉(zhuǎn)換矩陣。

表2 特征值及其貢獻(xiàn)率Tab.2 Characteristic values and their contribution rates

如表2 所示，從第3 個(gè)特征值之后貢獻(xiàn)率已經(jīng)很小，累計(jì)貢獻(xiàn)率波動(dòng)不大。因此，提取前3個(gè)特征值就能夠代表99.7%的信息，此時(shí)將此3 個(gè)特征值所對(duì)應(yīng)的特征向量作為最優(yōu)投影集，經(jīng)過(guò)最優(yōu)投影后將原始的樣本空間的維數(shù)降低，這樣就能夠?qū)⑵倍葏⒘繌? 維空間降為3 維。同樣對(duì)整個(gè)統(tǒng)計(jì)參量空間進(jìn)行LDA 數(shù)據(jù)分析，對(duì)特征空間的18個(gè)參量進(jìn)行分析，提取貢獻(xiàn)率高且累計(jì)貢獻(xiàn)率在99.8%的前6個(gè)特征值，得到對(duì)應(yīng)的6個(gè)特征向量并建立轉(zhuǎn)換矩陣，進(jìn)行最優(yōu)投影后將原始特征空間的18維數(shù)據(jù)降為6維的樣本空間。

4 基于優(yōu)化PNN的局部放電模式識(shí)別

4.1 PNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

輸入向量的選擇：本次GIS 局部放電實(shí)驗(yàn)是采用表征圖譜特性的特征參數(shù)（偏斜度、陡峭度、放電量因數(shù)等18 個(gè)特征量）經(jīng)過(guò)LDA 方法降維后的6維樣本空間作為網(wǎng)絡(luò)的輸入特征量。采用標(biāo)準(zhǔn)化后的特征量作為輸入向量，以消除量綱的影響。

輸出向量的選擇：PNN 網(wǎng)絡(luò)模式識(shí)別的輸出層的設(shè)計(jì)取決于放電類(lèi)型數(shù)，文中模擬了5 類(lèi)比較典型的GIS 局部放電類(lèi)型，因此輸出層為5 個(gè)輸出節(jié)點(diǎn)且分別對(duì)應(yīng)于模式類(lèi)別，用于識(shí)別局部放電類(lèi)型。

平滑因子優(yōu)化：采用遺傳算法進(jìn)行平滑因子的優(yōu)化，選取種群規(guī)模popsize為10，個(gè)體長(zhǎng)度chromlength取為5，進(jìn)化次數(shù)maxgeneration為50，交叉概率pcross為0.4，變異概率pmutation為0.2，適應(yīng)度函數(shù)誤差為0.001。經(jīng)過(guò)遺傳算法尋優(yōu)后，本次實(shí)驗(yàn)的平滑因子確定為0.052。

基于LDA 和GA_PNN 分類(lèi)器的模式識(shí)別方法流程圖如圖10所示，并利用Matlab編程實(shí)現(xiàn)：

圖10 模式識(shí)別流程圖Fig.10 Flow chart of pattern recognition

1）針對(duì)UHF 所檢測(cè)得到的各類(lèi)GIS 局部放電類(lèi)型的特征，確定各局部放電類(lèi)型的二維圖譜，并采用統(tǒng)計(jì)特征法提取特征參量；

2）引入線性判別分析對(duì)特征空間進(jìn)行降維處理；

3）依據(jù)降維后的樣本空間，確定PNN 的輸入向量以及輸出向量；

4）降維后的特征樣本劃分為訓(xùn)練樣本和測(cè)試樣本，并依據(jù)訓(xùn)練樣本確定分類(lèi)器的結(jié)構(gòu)（各層的神經(jīng)元個(gè)數(shù)）；

5）采用遺傳算法對(duì)PNN 的平滑因子進(jìn)行優(yōu)化；

6）將訓(xùn)練樣本送入GA_PNN 網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

4.2 PNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

4.2.1 各放電類(lèi)型的模式識(shí)別

為驗(yàn)證所提出的模式識(shí)別方法對(duì)局部放電模式的識(shí)別效果，從每類(lèi)缺陷類(lèi)型的樣本集選取30 個(gè)測(cè)試樣本和30 個(gè)訓(xùn)練樣本，分類(lèi)進(jìn)行識(shí)別，試驗(yàn)結(jié)果如表3 所示。由表3 中的數(shù)據(jù)可以看出，基于該方法的模式總體識(shí)別率達(dá)到96.0%，其中有2 類(lèi)模式存在少量樣本的誤分類(lèi)，主要原因是這2類(lèi)模式的二維圖譜存在少量的離散樣本。

表3 各類(lèi)模式的識(shí)別率Tab.3 Recognition rate of various patterns

4.2.2 不同分類(lèi)器的識(shí)別效果比較

為模擬現(xiàn)實(shí)工作中故障的隨機(jī)性，本次實(shí)驗(yàn)從經(jīng)過(guò)降維的5 類(lèi)共300 個(gè)樣本中，隨機(jī)選取150個(gè)訓(xùn)練樣本和150 個(gè)測(cè)試樣本，模式識(shí)別效果圖如圖11 所示?？梢钥闯觯?jīng)過(guò)訓(xùn)練后，所選取的150 個(gè)測(cè)試樣本中，除了少數(shù)的絕緣內(nèi)部放電類(lèi)型之外，其余類(lèi)別都能和其實(shí)際的類(lèi)別對(duì)應(yīng)上，識(shí)別率達(dá)96.7%。

圖11 隨機(jī)選取測(cè)試樣本的識(shí)別結(jié)果Fig.11 Recognition results of randomly selected test samples

利用BPNN，SVM，PNN 和GA_PNN 方法對(duì)相同的訓(xùn)練樣本和測(cè)試樣本進(jìn)行GIS 模式識(shí)別。BPNN 的隱節(jié)點(diǎn)采用試湊法確定，采用監(jiān)督學(xué)習(xí)方式進(jìn)行權(quán)值和閾值的訓(xùn)練，訓(xùn)練目標(biāo)為0.000 05；大量實(shí)驗(yàn)表明，SVM 的核函數(shù)選用徑向基核函數(shù)能夠得到較優(yōu)的結(jié)果，擴(kuò)展常數(shù)為1，因SVM是二分類(lèi)器，因此采用4 個(gè)SVM 分類(lèi)器拓展成五分類(lèi)器；PNN 的平滑因子采用經(jīng)驗(yàn)法設(shè)為0.1。分別將降維前和降維后的特征樣本送入4個(gè)分類(lèi)器進(jìn)行模式識(shí)別，結(jié)果如表4和表5所示。

表4 降維前4種識(shí)別方法的識(shí)別率和識(shí)別時(shí)間Tab.4 Recognition rate and recognition time of four recognition methods before dimension reduction

由表4 和表5 可知，相比較于降維前的樣本數(shù)據(jù)，各識(shí)別方法在處理降維后的特征樣本時(shí)具有更短的識(shí)別時(shí)間和更高的識(shí)別率。這是因?yàn)榻稻S方法提供的低維樣本空間便于縮短識(shí)別時(shí)間，且LDA 降維后的樣本空間具有明顯的類(lèi)間信息，能夠提高識(shí)別率。

表5 降維后4種識(shí)別方法的識(shí)別率和識(shí)別時(shí)間Tab.5 Recognition rate and recognition time of four recognition methods after dimension reduction

由表5 可知，GA_PNN 與PNN 的識(shí)別速度快并且相差不多，SVM 的速度次之，BP 網(wǎng)絡(luò)則需要更多時(shí)間。這是由于PNN 網(wǎng)絡(luò)無(wú)需反復(fù)訓(xùn)練，SVM 需要求得支撐向量，建立分類(lèi)超平面，BP 網(wǎng)絡(luò)則需要多次迭代以更新權(quán)值和閾值，且極易陷入局部最優(yōu)而表現(xiàn)出較差的識(shí)別率和識(shí)別時(shí)間。SVM 和PNN 識(shí)別效果相差不大，識(shí)別率能夠達(dá)到88%左右，而經(jīng)過(guò)遺傳算法優(yōu)化平滑因子的PNN方法的識(shí)別率能夠達(dá)到96%，且擁有最短的識(shí)別時(shí)間。

5 結(jié)論

對(duì)于GIS 局部放電信號(hào)的特性，提出了采用LDA 數(shù)據(jù)分析方法并結(jié)合改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行局部放電模式識(shí)別。基于GIS 高壓實(shí)驗(yàn)平臺(tái)，模擬了5 類(lèi)典型的GIS 局部放電模式，并采用線性判別分析法對(duì)超高頻信號(hào)的統(tǒng)計(jì)特征參量進(jìn)行降維處理，結(jié)合GA_PNN 的識(shí)別方法進(jìn)行局部放電模式識(shí)別，并與目前常用的分類(lèi)方法進(jìn)行比較，結(jié)論如下：

1）對(duì)于GIS 局部放電原始信號(hào)的特性，采用線性判別分析法對(duì)特征空間進(jìn)行降維處理，得到含有明顯類(lèi)別信息的低維特征空間，提供給PNN識(shí)別模型具有類(lèi)別信息的訓(xùn)練樣本，能夠有效提高識(shí)別率。

2）采用遺傳算法對(duì)PNN 的平滑因子進(jìn)行優(yōu)化，得到適合PD 模式分類(lèi)的平滑因子，相對(duì)于常用的經(jīng)驗(yàn)法選取的平滑因子而言，優(yōu)化平滑因子后的PNN 更適合解決GIS 局部放電模式識(shí)別問(wèn)題。

3）采用優(yōu)化后的PNN 作為模式識(shí)別器，分別對(duì)降維前和降維后的特征樣本進(jìn)行局部放電模式識(shí)別，相比較于常用的BPNN，SVM，PNN 等識(shí)別方法，GA_PNN 方法具有較高的識(shí)別精度和較快的識(shí)別速度。所提方法并不局限于解決GIS設(shè)備的局部放電問(wèn)題，亦適用于其他電氣設(shè)備的局部放電問(wèn)題。

4）采用常見(jiàn)的高斯窗函數(shù)作為概率密度函數(shù)。依據(jù)實(shí)際問(wèn)題，選擇最佳的窗函數(shù)，能夠直接影響GIS 局部放電模式的識(shí)別結(jié)果，該部分研究仍需進(jìn)一步展開(kāi)。