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】
[0001] 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】
[0002] 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。
[0003] 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(PS0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PS0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PS0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】
[0004] (1)采集变压器油中各类典型放电模型的放电信号
[0005] 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。
[0006] (2)计算二维谱图的统计特征量
[0007] 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Hqm(cp)、平均放电量相位分布Hqn(<p)、放电 次数相位分布Ηη(φ)、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：
[0008] Hqm((p)谱图：Sk，Ku，Pe，Q，cc，y
[0009] Hqn((j))谱图：Sk，Ku，Pe，Q，cc，y，<i)
[0010] Ηη(φ)谱图：Sk，Ku，Pe，Q，cc，μ
[0011] H(q)谱图：Sk，Ku，y [0012] H(p)谱图：Sk，Ku，y
[0013] 其中Hqm((p)、Hqn((p)、Ηη(φ)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。
[0014] (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
[0015] 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PS0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PS0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。
[0016] 局部PS0-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Cl = 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。
[0017] 按 vi+i= ω Vi+Ciri(pi-Xi)+C2r2(pim-Xi)
[0018] Xi+i=Xi+vi+i
[0019] 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〇. 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。
[0020] (4)进行局部放电模式识别
[0021] 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(1，〇,〇,〇,〇)、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， 〇)、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)。
[0022] 与现有的技术相比，本发明的有益效果在于：
[0023]本发明构造了局部PS0-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】
[0024] 图1是混合神经算法进行模式识别的流程图；
[0025] 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】
[0026] 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。
[0027] (1)采集变压器油中各类典型放电模型的放电信号
[0028] 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。
[0029] (2)计算二维谱图的统计特征量
[0030] 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.Hqm((p)、平均放电量相位分布Hqn(cp)、放电 次数相位分布Η?ι(φ)_、.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：
[0031] Hqm((j))谱图：Sk，Ku，Pe，Q，cc，y
[0032] 1^11((口).您图：Sk，Ku，Pe，Q，cc，y，Φ
[0033] Ηη(.φ.)谱图：Sk，Ku，Pe，Q，cc，y
[0034] H(q)谱图：Sk，Ku，y
[0035] H(p)谱图：Sk，Ku，y
[0036] 其中Hqm((p)、Hqn((p)、Ηη(φΗ普图中的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：
[0037] 相位中值 y=2XiXPi (1)
[0038] 式中，离散值(第i个相位窗）必表示Xl出现的概率；
[0040] 式中，0为标准偏差(〇2= 2(xi-y)2XPi);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。
[0042] Ku = 0表不突出程度符合正态分布，Ku〈0表不比正态分布缓和，Ku>0表不比正态分 布峰更陡。
[0043] 局部峰个数:Pe= SPeak(Xi) (4)
[0044] 当满足dyi-ι/dxi-1>0且dyi+i/dxi+i<0时，认为Peak(xi) = 1。该参数用于区分正、 负半周单个峰和多个峰的分布。
[0046] 式中，#、这分别为正、负半周的放电值总和，Ν+、ΓΓ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