CN105606966A - 基于混合神经网络算法的局部放电模式识别方法 - Google Patents

Abstract

本发明公开了一种基于混合神经网络算法的变压器局部放电模式识别方法，该方法包括提取特高频局部放电信号特征、建立值集库和放电类型的判断过程；具体包括：首先构建典型局部放电模型，采集放电的特高频信号，进行混频降频处理；然后根据放电信号生成5种二维谱图，提取37种统计特征量(值集)，构成值集库；最后通过混合神经网络算法对照值集库与故障信号计算出的统计特征量对应的值集，即可识别变压器的局部放电类型。本发明充分利用了局部放电超宽频带的信号，克服了单一神经网络模式识别的缺点，建立了变压器局部放电值集库，对不同类型的放电进行模式识别，为变压器局部放电在线监测提供了有价值的数据，具有很好的工程实用价值。

Description

基于混合神经网络算法的局部放电模式识别方法

技术领域

本发明涉及于电力变压器故障诊断领域，具体涉及一种基于混合神经网络算法的局部放电模式识别方法。

背景技术

变压器绝缘结构中放电的类型很多，不同的放电类型对绝缘的破坏作用有很大差异，因此有必要对各种放电类型加以区分。对由局部放电特高频测量系统所提取的多种典型变压器局放模型的放电谱图进行模式识别，可以区分不同类型的绝缘内部缺陷。传统的识别分类方法的识别可靠性和实用性较低，较常见的方法是统计概率分类法和距离分类法。统计概率分类法是计算出各个特征量的概率置信区间，从而将某未知放电类型的特征量与之比较，符合置信区间的特征量个数即为识别率。距离分类法包括距离法、距离法、中心分布归类法等多种方法，其中中心分布法应用效果较好，它是将多维特征空间中的点及其临近区域按照距离函数的划分标准进行分类。对应于多维空间中的任意一点，都可以按照距离函数的划分标准将其划归于某一个已经被分类的区域，并指出属于这一区域的可靠程度。

近年来，将神经网络用于局部放电模式识别已有很多的文献报道，该方法大大提高了识别的可靠性和实用性，目前广泛采用的是基于误差反向传播算法(BP算法)的多层前馈神经网络。BP算法在局部寻优时比较成功，但也存在如下问题：1)对初始权值和阈值的选取敏感；2)容易陷入局部极小点，致使学习过程失效；3)算法收敛速度慢，效率低。粒子群算法(PSO算法)是从随机解出发，通过迭代寻找最优解，通过适应度来评价解的优劣。粒子群算法中每个粒子就是解空间中的一个解，根据自己移动的路径和同伴移动的经验来调整自己的移动路径。每个粒子的速度决定它们移动的方向和距离。为了避免陷入局部极小，可采用局部PSO算法，每个粒子速度更新根据粒子自己历史最优质和粒子邻域内粒子的最优值。局部PSO算法擅长全局搜索，而BP算法在用于局部搜索时比较有效。因此，有必要基于上述两种算法构造一种新的混合算法，使其既可用于全局搜索，又能在局部搜索时有效，这对于改善神经网络的识别效果、提高模式识别的可靠性和实用性具有十分重要的意义。

发明内容

(1)采集变压器油中各类典型放电模型的放电信号

构建5种典型局部放电模型，包括内部空隙型放电模型、沿面型放电、悬浮电位体型放电、油中气泡型放电、油-屏障型放电，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别。通过局部放电测量系统测得放电的放电量、放电电压、放电时间、放电相位和放电周期。对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。

(2)计算二维谱图的统计特征量

将步骤(1)中5种放电模型的局部放电采集信号经过傅里叶变化制成反映放电特征的5种二维谱图，分别为最大放电量相位分布平均放电量相位分布放电次数相位分布局部放电幅值分布H(q)和局部放电能量分布H(p)。然后分别计算5种二维谱图的37个统计特征量，包括：

谱图：Sk，Ku，Pe，Q，cc，μ

谱图：Sk，Ku，Pe，Q，cc，μ，φ

谱图：Sk，Ku，Pe，Q，cc，μ

H(q)谱图：Sk，Ku，μ

H(p)谱图：Sk，Ku，μ

其中谱图中的Sk、Ku、Pe和均需计算正负半周值，考虑到0°和180°附近常有放电发生，所以应避开这两个点，选择了[135°,315°)为负半周，[315°,360°]和[0°,135°)为正半周。

(3)利用变压器局部放电模型的放电参数对神经网络进行训练

将步骤(2)得到的5种放电模型的局部放电测量结果随机的分成样本集和测试集两组，样本集用于神经网络的学习，测试集不经过网络学习环节，直接用于神经网络识别。首先利用局部PSO算法训练神经网络，使其定位于权空间全局最优或近似全局最优的附近，然后采用BP算法进行局部搜索，使其迅速地收敛到最终的优化值。局部PSO算法的作用是宏观搜索，处理的是大范围搜索问题，而BP算法中线性搜索过程的作用是极值局部搜索，即微观搜索，处理的是小范围搜索和搜索加速问题。

局部PSO-BP混合算法用于神经网络的学习过程，粒子群个数取50，最大迭代次数取150，粒子运动最大速度为1.0，即速度范围归一化后取[-1,1]，学习因子取C1＝1.4，C2＝1.8，采用从0.8线性递减到0.1。按下式更新粒子的速度和位置，其中Pim为局部寻优的粒子。

按v_i+1＝ωv_i+C₁r₁(p_i-X_i)+C₂r₂(p_im-X_i)

X_i+1＝X_i+v_i+1

BP算法的学习步幅取0.14，惯性系数取0.17，终止条件1定义为小于0.01，即当连续三代群体的平均适应度之差小于0.01时，由BP算法继续进行局部优化；终止条件2定义为误差的平方和小于0.0001。

(4)进行局部放电模式识别

将步骤(2)中得到的另一组样本集直接用于神经网络识别，经过谱图绘制、统计特征量计算后得到的值集与库中每种放电的特征量值集相比较，识别出放电类型。根据统计特征量的数目，神经网络的输入层神经元个数定为37，相应于前述每种放电对应的五种二维谱图的统计特征量。输出层神经元个数取为5，相应于5种放电模式，取其期望输出为：油中气泡型放电1(1,0,0,0,0)、悬浮电位体型放电2(0,1,0,0,0)、油-屏障型放电3(0,0,1,0,0)、纸或纸板内部空隙型放电4(0,0,0,1,0)、纸或纸板沿面型放电5(0,0,0,0,1)。

与现有的技术相比，本发明的有益效果在于：

本发明构造了局部PSO-BP混合算法作为神经网络的学习算法，利用各种放电谱图提供的信息，对变压器特高频局部放电的五种放电模式进行了识别。该算法既解决了BP算法神经网络对初始权值敏感和容易局部收敛的问题，又提高了局部PSO算法神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力，在变压器局部放电特高频模式识别中具有较好的应用前景。

附图说明

图1是混合神经算法进行模式识别的流程图；

图2是利用本发明的模式识别方法对某种类型的局部放电信号的识别结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

(1)采集变压器油中各类典型放电模型的放电信号

构建5种典型局部放电模型，包括内部空隙型放电模型、沿面型放电、悬浮电位体型放电、油中气泡型放电、油-屏障型放电，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别。通过局部放电测量系统测得放电的放电量、放电电压、放电时间、放电相位和放电周期。对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。

(2)计算二维谱图的统计特征量

将步骤(1)中5种放电模型的局部放电采集信号经过傅里叶变化制成反映放电特征的5种二维谱图，分别为最大放电量相位分布平均放电量相位分布放电次数相位分布局部放电幅值分布H(q)和局部放电能量分布H(p)。然后分别计算5种二维谱图的37个统计特征量，包括：

谱图：Sk，Ku，Pe，Q，cc，μ

谱图：Sk，Ku，Pe，Q，cc，μ，φ

谱图：Sk，Ku，Pe，Q，cc，μ

H(q)谱图：Sk，Ku，μ

H(p)谱图：Sk，Ku，μ

其中谱图中的Sk、Ku、Pe和均需计算正负半周值，考虑到0°和180°附近常有放电发生，所以应避开这两个点，选择了[135°,315°)为负半周，[315°,360°]和[0°,135°)为正半周。各统计特征量按如下公式计算：

相位中值μ＝∑x_i×P_i(1)

式中，x_i为离散值(第i个相位窗)；P_i表示x_i出现的概率；

偏斜度 $Sk=\frac{\mathrm{\Σ}{(x_i-\mathrm{\μ})}^3\×P_i}{{\mathrm{\σ}}^3}---\left(2\right)$

式中，σ为标准偏差(σ²＝∑(x_i-μ)²×P_i)；Sk＝0表示谱图完全对称，Sk<0表示偏向右侧，Sk>0表示偏向左边。

突出度 $Ku=\frac{\mathrm{\&Sigma;}{(x_i-\mathrm{\&mu;})}^4\&times;P_i}{{\mathrm{\&sigma;}}^4}-3---\left(3\right)$

Ku＝0表示突出程度符合正态分布，Ku<0表示比正态分布缓和，Ku>0表示比正态分布峰更陡。

局部峰个数：Pe＝∑Peak(x_i)(4)

当满足dy_i-1/dx_i-1＞0且dy_i+1/dx_i+1＜0时，认为Peak(x_i)＝1。该参数用于区分正、负半周单个峰和多个峰的分布。

放电不对称度： $Q=\frac{Q_s^{-}/N^{-}}{Q_s^{+}/N^{+}}---\left(5\right)$

式中，分别为正、负半周的放电值总和，N⁺、N^-分别为正、负半周的放电次数。该参数反映了一个工频周期内正、负半周放电量的不对称程度。

相位不对称度 $\mathrm{\&phi;}={\mathrm{\&phi;}}_{inc}^{-}/{\mathrm{\&phi;}}_{inc}^{+}---\left(6\right)$

式中，φ⁺ _inc、分别表示正、负半周的起始放电相位。该参数表示起始放电电压在正、负半周所对应相位的比值。

互相关因子 $cc=\frac{{\mathrm{\&Sigma;x}}_i\&CenterDot;y_i-{\mathrm{\&Sigma;x}}_i{\mathrm{\&Sigma;y}}_i/n}{\sqrt{\&lsqb;{\mathrm{\&Sigma;x}}_i^2-{\left({\mathrm{\&Sigma;x}}_i\right)}^2/n\&rsqb;\&lsqb;{\mathrm{\&Sigma;y}}_i^2-{\left({\mathrm{\&Sigma;y}}_i\right)}^2/n\&rsqb;}}---\left(7\right)$

式中，x_i、y_i分别表示正、负半周第i个相位窗口的放电量；n表示每半周相位窗口数。该参数表示分布谱图正、负半周形状的对称程度。

Q、和cc都描述谱图正、负半周的分布差异。Q＝1表示正、负半周放电水平相当，Q＝0表示有很大差异。表示正、负半周起始放电相位对称，表示完全不对称。cc＝1表示100％的正、负半周形状对称，cc＝0表示完全不对称。

修正互相关因子mcc＝φ×Q×cc(8)

mcc＝1表示正、负半周分布完全对称，mcc＝0表示完全不对称。

(3)利用变压器局部放电模型的放电参数对神经网络进行训练

将步骤(2)得到的多个5种放电模型的局部放电测量结果随机的分成样本集和测试集两组，样本集用于神经网络的学习，测试集不经过网络学习环节，直接用于神经网络识别。首先利用局部PSO算法训练神经网络，使其定位于权空间全局最优或近似全局最优的附近，然后采用BP算法进行局部搜索，使其迅速地收敛到最终的优化值。局部PSO的作用是宏观搜索，处理的是大范围搜索问题，而BP算法中线性搜索过程的作用是极值局部搜索，即微观搜索，处理的是小范围搜索和搜索加速问题。

局部PSO-BP混合算法用于神经网络的学习过程，粒子群个数取50，最大迭代次数取150，粒子运动最大速度为1.0，即速度范围归一化后取[-1,1]，学习因子取C1＝1.4，C2＝1.8，采用从0.8线性递减到0.1。按下式更新粒子的速度和位置，其中Pim为局部寻优的粒子。

按v_i+1＝ωv_i+C₁r₁(p_i-Xi₎+C₂r₂(p_im-X_i)(9)

x_i+1＝X_i+v_i+1(10)

BP算法的学习步幅取0.14，惯性系数取0.17，终止条件1定义为小于0.01，即当连续三代群体的平均适应度之差小于0.01时，由BP算法继续进行局部优化；终止条件2定义为误差的平方和小于0.0001。

(4)进行局部放电模式识别

将步骤(2)中得到的测试集直接用于神经网络识别，经过谱图绘制、统计特征量计算后得到的值集与库中每种放电的特征量值集相比较，识别出放电类型。根据统计特征量的数目，神经网络的输入层神经元个数定为37，相应于前述每种放电对应的五种二维谱图的统计特征量。输出层神经元个数取为5，相应于5种放电模式，取其期望输出为：油中气泡型放电1(1,0,0,0,0)、悬浮电位体型放电2(0,1,0,0,0)、油-屏障型放电3(0,0,1,0,0)、纸或纸板内部空隙型放电4(0,0,0,1,0)、纸或纸板沿面型放电5(0,0,0,0,1)。

图1示出整个模式识别的流程，首先对测量方法所得数据进行预处理，将时域的局部放电数据进行软件峰值处理，模拟硬件峰值保持。同时，将工频电压周期分为500个相位窗，在每个相位窗内，将超过阈值的最大数据进行峰值保持，然后将所得结果按放电量、电压、相位、周期的格式存储。

然后对多个工频周期的放电信号进行统计，计算出基于相位分窗的5种二维放电谱图：最大放电量相位分布平均放电量相位分布放电次数相位分布局部放电幅值分布H(q)和局部放电能量分布H(p)。然后将各种分布谱图进行统计分析，计算出相位中值μ，偏斜度Sk、突出度Ku、局部峰个数Pe、放电不对称度Q、相位不对称度互相关因子cc、、修正相关因子mcc共37个统计特征量，提取值集，构成对应的值集库。将样本随机分为2组，1组用来训练混合神经网络，另外一组直接进行放电类型识别。

图2所示为利用该混合神经网络算法的模式识别对某个放电识别结果，结果为内部空隙放电。其中1代表悬浮电位体型放电，2代表纸或纸板内部空隙型放电，3代表油-屏障型放电，4代表油中气泡型放电，5代表纸或纸板沿面型放电。

Claims (5)

1.一种基于混合神经网络算法的变压器局部放电模式识别方法，其特征在于，包括以下步骤：

(1)构建5种典型局部放电模型，采集变压器油中5种放电模型的放电信号；

(2)绘制放电模型的局部放电采集信号的5种二维谱图，分别计算二维谱图的37个统计特征量，构成特征量值集库；

(3)将步骤(2)得到的局部放电信号的统计特征量随机的分成样本集和测试集两组，提取样本集用于混合神经网络的学习；

(4)将测试集中的每个信号的特征量与特征量值集库中每种放电的特征量值集相比较，利用训练好的混合神经网络寻出最优解，进行局部放电模式识别。

2.如权利要求1所述一种基于混合神经网络算法的变压器局部放电模式识别的方法，其特征在于，所述步骤(1)中，5种典型局部放电模型，包括内部空隙型放电模型、沿面型放电、悬浮电位体型放电、油中气泡型放电、油-屏障型放电，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别；通过局部放电测量系统测得放电的放电量、放电电压、放电时间、放电相位和放电周期。对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。

3.如权利要求1所述一种基于混合神经网络算法的变压器局部放电模式识别的方法，其特征在于，所述步骤(2)中，5种放电模型的局部放电采集信号经过傅里叶变换制成反映放电特征的5种二维谱图，分别为最大放电量相位分布平均放电量相位分布放电次数相位分布局部放电幅值分布H(q)和局部放电能量分布H(p)，然后分别计算5种二维谱图的37个统计特征量，包括：

谱图：Sk，Ku，Pe，Q，cc，μ

谱图：Sk，Ku，Pe，Q，cc，μ，φ

谱图：Sk，Ku，Pe，Q，cc，μ

H(q)谱图：Sk，Ku，μ

H(p)谱图：Sk，Ku，μ

其中谱图中的Sk、Ku、Pe和μ均需计算正负半周值，选择[135°,315°)为负半周，[315°,360°]和[0°,135°)为正半周。

4.如权利要求1所述一种基于混合神经网络算法的变压器局部放电模式识别的方法，其特征在于，所述步骤(3)中5种放电模型的局部放电测量结果随机的分成样本集和测试集两组，样本集用于神经网络的学习，测试集不经过网络学习环节，直接用于神经网络识别；首先利用局部粒子群优化算法(ParticleSwarmOptimizationPSO)训练神经网络，使其定位于权空间全局最优或近似全局最优的附近，然后采用误差反向传播的BP算法进行局部搜索，使其迅速地收敛到最终的优化值，局部PSO的作用是宏观搜索，处理的是大范围搜索问题，而BP算法中线性搜索过程的作用是极值局部搜索，即微观搜索，处理的是小范围搜索和搜索加速问题。

局部PSO-BP混合算法用于神经网络的学习过程，粒子群个数取50个，最大迭代次数取150次，粒子运动最大速度为1.0，即速度范围归一化后取[-1,1]，学习因子取C1＝1.4，C2＝1.8，采用从0.8线性递减到0.1，按下式更新粒子的速度和位置，其中p_im为局部寻优的粒子。

v_i+1＝ωv_i+C₁r₁(p_i-X_i)+C₂r₂(p_im-X_i)

X_i+1＝X_i+v_i+1

BP算法的学习步幅取0.14，惯性系数取0.17，终止条件1定义为小于0.01，即当连续三代群体的平均适应度之差小于0.01时，由BP算法继续进行局部优化；终止条件2定义为误差的平方和小于0.0001。

5.如权利要求1所述一种基于混合神经网络算法的变压器局部放电模式识别的方法，其特征在于，所述步骤(4)将测试集直接用于神经网络识别，经过谱图绘制、统计特征量计算后得到的值集与库中每种放电的特征量值集库相比较，识别出放电类型；神经网络的输入层神经元个数定为37，输出层神经元个数取为5，相应于5种放电模式，取其期望输出为：油中气泡型放电1(1,0,0,0,0)、悬浮电位体型放电2(0,1,0,0,0)、油-屏障型放电3(0,0,1,0,0)、纸或纸板内部空隙型放电4(0,0,0,1,0)、纸或纸板沿面型放电5(0,0,0,0,1)。