GIS局部放電檢測
傳統的局部放電識別方法完全取決于專家的知識和經驗，具有很大的局限性。依靠局部放電在線監測系統，能夠獲得比目測更豐富的局部放電信息，能夠反映出不同局部放電類型更細微的差異，通過計算機自動識別，能夠反映出局部放電模式更細微的特征差異。下圖描述了局部放電模式識別的基本過程，可以大致分為數據獲取、預處理、放電模式構造、特征提取和模式分類五個主要部分，由計算機最終完成局部放電模式分類就實現了局部放電模式識別。
局部放電模式識別原理框圖
大量的研究表明：人工神經網絡以其良好的魯棒性、自適應能力和非線性映射能力，特別適合作為缺陷類型與故障現象存在復雜映射關系的局部放電模式的分類器。
對模式識別，常用一組與分類有關的參數來描述，也就是識別系統的特征。對任何一個系統，特征參數越多，描述越詳盡，對該系統的識別越深刻。因此在模式識別中，把多個分類器的輸出信息集成起來進行分類決策是解決復雜分類問題的一種有效方法。近幾年來，很多學者己對這方面作了深入的研究，提出了一些算法如貝葉斯、Dempster-Shafer(簡為D-S)聯合、BKS等。但是這些算法都是基于抽象級信息的集成，對分類器的輸出信息沒能充分利用，因此這些算法雖然在一定程度上提高了分類性能，但還不能達到一個特別理想的效果。考慮到大部分的分類器能夠提供度量級的信息，如BP網絡，近鄰分類器等，而基于度量級信息的聯合能更好地利用各個分類器的輸出信息，因此，近來這些集成方法引起了研究人員的興趣。Hossein，Cho提出了利用Sugeno的模糊積分進行度量級的信息融合方法，取得了較好的效果，其中的模糊積分密度值取自各分類器的識別率。進一步研究表明，模糊積分密度的選取對于集成系統的性能起關鍵作用，同時分類器的識別率并非是模糊積分密度的最優值。因此研究模糊積分密度函數非常有意義。可以利用遺傳算法在組合優化方面的能力，提出利用遺傳算法來尋找每個分類器的最優模糊積分密度的方法，實驗表明，采用該方法，集成系統的性能有明顯的提高。
但目前由于模式識別的ANN模型很多，用神經網絡進行識別時，要求有足夠、豐富且正交完備的訓練樣本集，否則，就會使系統的性能變差，降低系統識別率。由于一些樣本是難于做到這點，因此，在實際中，難以訓練出識別率較高的網絡，而且，神經網絡在識別局部放電時，當識別樣本所含干擾比較大時，網絡容易產生誤識。
自然界中的許多現象和形態具有其復雜性和不規則性，由于傳統的幾何學利用整數維來描述對象，對于事物的復雜性和不規則性缺乏足夠的分辨能力。而Mandelbrot提出的分形理論，突破了傳統幾何學中維數的限制，認為復雜體的幾何維數可以是分數。分形理論認為事物具有自相似、自放射或統計自相似等層次結構。分形幾何的主要價值是在極端有序和真正混沌之間提供了一種中間可能性。分形引入分形維的概念，使得本來十分復雜的事物，事實上可用僅含很少參數的簡單公式來描述。然而，對于自然界大量存在的無規分形，不像數學上的有規分形，具有在無窮尺度上的自相似性，它只是在一定范圍內存在，也就是說在一定尺度范圍內具有分形性，這個尺度范圍稱為無標度區分維數概念。無標度區是研究無規分形的基礎，分形特征只能在無標度區內進行分析。局部放電現象屬無規分形范疇，因此，只能在無標度區內提取其分形特征。分維數也稱作分形維數，是描述分形集合復雜性的一種數量，也是分形特征的基本參數，對研究復雜現象有很大意義。針對不同的研究對象，分維數的定義有多種形式，有時它們都有意義并可能相等，而有時卻只有某些維數有意義并且不相等，因此，對分維數還需要進行進一步的深入研究。本文從局部放電模式識別研究的實際應用角度來討論幾個常用的分維數，主要有豪斯道夫維數、盒維數、關聯維數和信息維數。
小波與分形是近年來才發展起的新的數學理論，直觀的說，小波就是人們可以觀察到的最短、最簡單的振動。小波分析是傅立葉分析的重要發展，它既保留了傅氏理論的優點，又克服了它的不足。小波分析是基于一簇由母波函數生成的“相似”函數一一子波而展開的。由這組相似函數的不同伸縮和平移構成平方可積函數空間L2(R)的仿射構架，甚至是正交集，從而穩定地逼近任意給定的隱射關系。由于小波函數的定義，使得它一出現就和分形理論有了不解之緣。小波總是從遠到近觀察形體一一被譽為數學顯微鏡，它具有的放大和移位功能，與分形的本質是一樣的，即尺度變換。所以根據她們這種內在的聯系。運用到局部放電模式識別中，可以相互補充，既減少了特征量的冗余度，有避免了冗長的數學計算還可以提高模式識別的準確率，是今后研究模式識別的一種可行的方法。
關注微信公眾號