GIS局部放电检测
传统的局部放电识别方法完全取决于专家的知识和经验，具有很大的局限性。依靠局部放电在线监测系统，能够获得比目测更丰富的局部放电信息，能够反映出不同局部放电类型更细微的差异，通过计算机自动识别，能够反映出局部放电模式更细微的特征差异。下图描述了局部放电模式识别的基本过程，可以大致分为数据获取、预处理、放电模式构造、特征提取和模式分类五个主要部分，由计算机最终完成局部放电模式分类就实现了局部放电模式识别。
局部放电模式识别原理框图
大量的研究表明：人工神经网络以其良好的鲁棒性、自适应能力和非线性映射能力，特别适合作为缺陷类型与故障现象存在复杂映射关系的局部放电模式的分类器。
对模式识别，常用一组与分类有关的参数来描述，也就是识别系统的特征。对任何一个系统，特征参数越多，描述越详尽，对该系统的识别越深刻。因此在模式识别中，把多个分类器的输出信息集成起来进行分类决策是解决复杂分类问题的一种有效方法。近几年来，很多学者己对这方面作了深入的研究，提出了一些算法如贝叶斯、Dempster-Shafer(简为D-S)联合、BKS等。但是这些算法都是基于抽象级信息的集成，对分类器的输出信息没能充分利用，因此这些算法虽然在一定程度上提高了分类性能，但还不能达到一个特别理想的效果。考虑到大部分的分类器能够提供度量级的信息，如BP网络，近邻分类器等，而基于度量级信息的联合能更好地利用各个分类器的输出信息，因此，近来这些集成方法引起了研究人员的兴趣。Hossein，Cho提出了利用Sugeno的模糊积分进行度量级的信息融合方法，取得了较好的效果，其中的模糊积分密度值取自各分类器的识别率。进一步研究表明，模糊积分密度的选取对于集成系统的性能起关键作用，同时分类器的识别率并非是模糊积分密度的最优值。因此研究模糊积分密度函数非常有意义。可以利用遗传算法在组合优化方面的能力，提出利用遗传算法来寻找每个分类器的最优模糊积分密度的方法，实验表明，采用该方法，集成系统的性能有明显的提高。
但目前由于模式识别的ANN模型很多，用神经网络进行识别时，要求有足够、丰富且正交完备的训练样本集，否则，就会使系统的性能变差，降低系统识别率。由于一些样本是难于做到这点，因此，在实际中，难以训练出识别率较高的网络，而且，神经网络在识别局部放电时，当识别样本所含干扰比较大时，网络容易产生误识。
自然界中的许多现象和形态具有其复杂性和不规则性，由于传统的几何学利用整数维来描述对象，对于事物的复杂性和不规则性缺乏足够的分辨能力。而Mandelbrot提出的分形理论，突破了传统几何学中维数的限制，认为复杂体的几何维数可以是分数。分形理论认为事物具有自相似、自放射或统计自相似等层次结构。分形几何的主要价值是在极端有序和真正混沌之间提供了一种中间可能性。分形引入分形维的概念，使得本来十分复杂的事物，事实上可用仅含很少参数的简单公式来描述。然而，对于自然界大量存在的无规分形，不像数学上的有规分形，具有在无穷尺度上的自相似性，它只是在一定范围内存在，也就是说在一定尺度范围内具有分形性，这个尺度范围称为无标度区分维数概念。无标度区是研究无规分形的基础，分形特征只能在无标度区内进行分析。局部放电现象属无规分形范畴，因此，只能在无标度区内提取其分形特征。分维数也称作分形维数，是描述分形集合复杂性的一种数量，也是分形特征的基本参数，对研究复杂现象有很大意义。针对不同的研究对象，分维数的定义有多种形式，有时它们都有意义并可能相等，而有时却只有某些维数有意义并且不相等，因此，对分维数还需要进行进一步的深入研究。本文从局部放电模式识别研究的实际应用角度来讨论几个常用的分维数，主要有豪斯道夫维数、盒维数、关联维数和信息维数。
小波与分形是近年来才发展起的新的数学理论，直观的说，小波就是人们可以观察到的最短、最简单的振动。小波分析是傅立叶分析的重要发展，它既保留了傅氏理论的优点，又克服了它的不足。小波分析是基于一簇由母波函数生成的“相似”函数一一子波而展开的。由这组相似函数的不同伸缩和平移构成平方可积函数空间L2(R)的仿射构架，甚至是正交集，从而稳定地逼近任意给定的隐射关系。由于小波函数的定义，使得它一出现就和分形理论有了不解之缘。小波总是从远到近观察形体一一被誉为数学显微镜，它具有的放大和移位功能，与分形的本质是一样的，即尺度变换。所以根据她们这种内在的联系。运用到局部放电模式识别中，可以相互补充，既减少了特征量的冗余度，有避免了冗长的数学计算还可以提高模式识别的准确率，是今后研究模式识别的一种可行的方法。
关注微信公众号