在GIS设备上最早提出应用声方法测量局部放电的是Graybill，他在1974年描述了使用手提声传感器测量的方法。随后，在1979年，Harrold提出了声测法在电力系统中广泛应用的可能，并论述了应用前景。早期提出的声测法是利用听觉范围内的声波进行检测，但是随着环境噪声的增加，这种依靠听觉范围进行检测的方法变得越来越不适用，后来逐渐改为利用超声范围的声波进行局部放电的检测，取得了良好的效果。利用超声波进行局部放电的检测已经有20年之久，实践证明利用超声波法对GIS局部放电进行检测是有效的，特别是对移动金属颗粒引起的局部放电，检测灵敏性很高。人们发现不同的缺陷引起的局部放电所产生的超声波形并不一样，利用这些不同点就可以对缺陷类型进行判断和定位，所以开始了模式识别的研究。L.E.lundgaard等人研究了GIS中局部放电超声波信号的模式识别，Hucher和Kranz也提出了将超声波脉冲波形转换至频域，利用频谱特征进行识别的方法。随着研究的深入，目前许多成品检测设备已经被研制出来并投入使用，比如由挪威TransiNor As公司的Schei研制出一种超声波绝缘分析器AIA，VA-Tech研制出的集超声波和超高频检测于一体的且具备自动模式识别的DIALOG系统。国内的不少高校和公司也对超声波检测法进行了许多研究，扬州国浩电气有限公司也开发出了基于超声波检测法的局部放电测试仪。
目前，对基于超声波法的局部放电检测理论已经研究的比较成熟，超声波检测法已经在现场得到了广泛的应用，许多基于超声波检测法的局部放电检测设备也已投人使用。随着这些检测设备的投入使用，现场使用人员反馈得来的信息是这些设备的检测效率较低而且对数据进行分析的能力很有限。现场使用的超声波测试仪仅仅对检测得到的超声波信号进行幅值计算、超声波对语音信号的转换和监听，对超声波信号中包含的丰富的绝缘信息的利用率较低，这样就造成了检测的结果可靠性不高。伴随着电力电子技术、材料技术等的发展，这些问题有望在不久的将来解决。
局部放电缺陷类型的识别研究在90年代开始引入模式识别的方法，主要针对变压器和GIS的局部放电超声信号，研究水平不高，尚处于初级阶段。神经网络（Neural Network，NN）识别方法是一种遵循经验风险最小化原理而设计出的机器学习方法，目前被研究和应用的比较多。神经网络识别方法是基于Vapnik&Chervonenkis的统计学习理论，这个理论是指如果数据服从某个固定但是未知的分布，要使机器的理想输出和实际输出之间的偏差尽量最小，也就是使机器的错误概率在上界最小化，学习机器就需要满足结构风险最小化的原理。这样就可能使神经网络的学习出现问题，因为训练的误差小并不等于预测结果误差最小，会出现推广能力变差的情况，增加了真实的风险。支持向量机（Support Vector Machine，SVM）是基于结构最小化理论提出的，相对于神经网络，它的结构更为简单，泛化等能力得到了显著的提高。支持向量机是一种新的模式识别分类器，对其的研究尚处于起步阶段。支持向量机是一种基于统计理论的学习方法，可以在有限样本的情况下，找到最优的解，尤其适合处理分析小样本数据，有较强的学习和泛化能力，在回归估计和模式识别等方面有强大的应用前景，成为继神经网络的后起之秀。
关注微信公众号