GIS可能出现各种各样的绝缘缺陷，由于每种缺陷导致发生的局部放电具有不同的特征，因此可以通过对获得的局部放电信号进行模式识别来评估GIS绝缘的状态和缺陷类别。局部放电模式识别主要包括五个步骤，分别为：数据获取、数据预处理、放电模式构造、特征参数提取、分类器识别，如图所示。下面主要对放电模式构造、特征参数提取、分类器三个方面进行介绍。
GIS局部放电模式识别过程
PRPD图谱
与PRPD不同，基于时间的分析模式(Time Resolved Partial Discharge，TRPD）的研究对象是局部放电信号随时间变化的情况。该分析模式关注所检测到的局部放电脉冲波形及时间信息，而不关心信号相对于工作电压的相位信息。通过提取不同局部放电脉冲的波形特征，可以完成对绝缘缺陷的识别分类。
基于PRPD, TRPD还衍生出了一些其他的局部放电信号分析模式，如Δu分析模式、Δu/Δφ分析模式、q一v分析模式等。
局部放电模式识别中，由于采集的数据量巨大，需要降低参数维数和需要处理的数据量，将最有代表性的特征提取出来构造特征空间，作为模式识别的依据。目前常用的特征参数提取方法主要有：统计特征法、脉冲波形特征法、图像矩特征法、分形特征法等。
模式识别中还有一个重要的环节，就是分类器的选择与构造。常用的分类器有基于距离的分类器、基于人工神经网络的分类器、基于模糊算法的分类器、统计分类器、基于支持向量机的分类器等。目前应用最广泛的是基于人工神经网络(NN)的分类器。人工神经网络是一种机器学习方法，遵循结构风险最小化原理。我们知道，机器的实际输出总是与理想输出之间总会有一定的偏差，而机器学习的目的就是希望能将二者之间的偏差降到最低。而Vapnik的统计学习理论表明，当数据服从某个特定的分布时，为了获得最小偏差，机器需要满足结构风险最小化原理。因此神经网络会遇到学习问题，即训练误差小并不必然引起机器预测效果的改善，并且在某些情况下，如果训练误差过小，反而会降低泛化能力，进而增加真实风险。支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的学习方法，正是结构风险最小化理论的具体实现。与神经网络相同的是，SVM结构简单但泛化能力突出，不但可以解决小样本学习问题，同时也能很好地解决神经网络难以解决的局部极小值问题，对于过学习或欠学习问题也有良好的规避方法。
关注微信公众号