伴隨著計(jì)算機(jī)技術(shù)的發(fā)展和人工智能的興起，模式識(shí)別技術(shù)廣泛地運(yùn)用于局部放電的研究中，作為一種重要的故障診斷方法。
PD在線檢測(cè)中，模式識(shí)別是噪聲去除之后的另一大難點(diǎn)問(wèn)題。檢測(cè)到的放電脈沖可能來(lái)自電纜本體、電纜終端頭、也可能來(lái)自與其連接的其他設(shè)備(如開(kāi)關(guān)柜等)。由于不同來(lái)源的PD信號(hào)，對(duì)設(shè)備的危害不同，其判斷標(biāo)準(zhǔn)也有所不同，所以對(duì)PD信號(hào)的識(shí)別就顯得尤為重要。傳統(tǒng)的局部放電識(shí)別方法完全取決于專(zhuān)家的知識(shí)和經(jīng)驗(yàn)，具有很大的局限性，應(yīng)用計(jì)算機(jī)輔助測(cè)量系統(tǒng)獲得的局部放電信息比目測(cè)的結(jié)果具有更豐富的細(xì)節(jié)，能夠反映出不同局部放電類(lèi)型更細(xì)微的差異?，F(xiàn)階段模式識(shí)別的主要步驟如下圖所示。
局部放電模式識(shí)別過(guò)程
第二步是識(shí)別過(guò)程。在這一過(guò)程中，對(duì)于PD源未知的PD信號(hào)，在用與第一步相同的規(guī)則提取特征后，利用分類(lèi)器與已存在的各類(lèi)數(shù)據(jù)特征對(duì)比，進(jìn)行匹配，從而判斷出放電的類(lèi)型。
由上述可知，模式識(shí)別的重點(diǎn)是特征提取和分類(lèi)器(識(shí)別算法)的選擇。特征提取是PD識(shí)別的第一步，特征選取的好壞直接影響到識(shí)別的效果。目前，PD特征提取的方法主要分為兩大類(lèi)：統(tǒng)計(jì)特征法和時(shí)域分析法?；诮y(tǒng)計(jì)特征法的模式識(shí)別目前實(shí)際應(yīng)用較多，一般針對(duì)PD的各種統(tǒng)計(jì)分布譜圖進(jìn)行，常用的方法有n一q一φ三維譜圖分析法、分形維數(shù)法、灰度圖像識(shí)別法，及各種方法的混合使用等。但統(tǒng)計(jì)特征法中的各種方法都涉及到了PD信號(hào)的相位，而配電電纜一般為三芯結(jié)構(gòu)且共一根地線，當(dāng)兩相或三相同時(shí)出現(xiàn)PD時(shí)，檢測(cè)PD的相位特征變得幾乎不可能。時(shí)域分析法是針對(duì)高速采集一次放電產(chǎn)生的時(shí)域脈沖所得到的波形特征或相應(yīng)的變換結(jié)果進(jìn)行模式識(shí)別。目前主要有傅里葉分析法，小波分析法及波形參數(shù)直接提取法等。由于PD脈沖在傳輸過(guò)程的衰減和變形、以及現(xiàn)場(chǎng)嚴(yán)重的電磁干擾等，要準(zhǔn)確提取其特征量非常困難，故時(shí)域分析法在實(shí)際檢測(cè)中的研究應(yīng)用還相對(duì)較少。
模式識(shí)別中的分類(lèi)器主要有三種：神經(jīng)網(wǎng)絡(luò)分類(lèi)器、最小距離分類(lèi)器以及模糊識(shí)別分類(lèi)器。神經(jīng)網(wǎng)絡(luò)分類(lèi)器是將樣本的特征值作為輸入向量，通過(guò)對(duì)已知樣本的訓(xùn)練，調(diào)整神經(jīng)網(wǎng)絡(luò)中各個(gè)神經(jīng)元的權(quán)值和閾值，確定網(wǎng)絡(luò)輸入與輸出之間的映射關(guān)系，然后對(duì)未知的放電類(lèi)型進(jìn)行識(shí)別分類(lèi)。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性在PD的模式識(shí)別中得到了廣泛應(yīng)用。常用的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。最小距離分類(lèi)器是通過(guò)對(duì)特征向量的計(jì)算，得到未知的放電類(lèi)型與已知的各類(lèi)樣本之間的距離，按最小距離將其分類(lèi)。模糊識(shí)別分類(lèi)器的理論基礎(chǔ)是模糊數(shù)學(xué)，在識(shí)別中的過(guò)程中利用模糊數(shù)學(xué)方法對(duì)分類(lèi)對(duì)象進(jìn)行判定。
關(guān)注微信公眾號(hào)