GIS可能出現各種各樣的絕緣缺陷，由于每種缺陷導致發生的局部放電具有不同的特征，因此可以通過對獲得的局部放電信號進行模式識別來評估GIS絕緣的狀態和缺陷類別。局部放電模式識別主要包括五個步驟，分別為：數據獲取、數據預處理、放電模式構造、特征參數提取、分類器識別，如圖所示。下面主要對放電模式構造、特征參數提取、分類器三個方面進行介紹。
GIS局部放電模式識別過程
PRPD圖譜
與PRPD不同，基于時間的分析模式(Time Resolved Partial Discharge，TRPD）的研究對象是局部放電信號隨時間變化的情況。該分析模式關注所檢測到的局部放電脈沖波形及時間信息，而不關心信號相對于工作電壓的相位信息。通過提取不同局部放電脈沖的波形特征，可以完成對絕緣缺陷的識別分類。
基于PRPD, TRPD還衍生出了一些其他的局部放電信號分析模式，如Δu分析模式、Δu/Δφ分析模式、q一v分析模式等。
局部放電模式識別中，由于采集的數據量巨大，需要降低參數維數和需要處理的數據量，將最有代表性的特征提取出來構造特征空間，作為模式識別的依據。目前常用的特征參數提取方法主要有：統計特征法、脈沖波形特征法、圖像矩特征法、分形特征法等。
模式識別中還有一個重要的環節，就是分類器的選擇與構造。常用的分類器有基于距離的分類器、基于人工神經網絡的分類器、基于模糊算法的分類器、統計分類器、基于支持向量機的分類器等。目前應用最廣泛的是基于人工神經網絡(NN)的分類器。人工神經網絡是一種機器學習方法，遵循結構風險最小化原理。我們知道，機器的實際輸出總是與理想輸出之間總會有一定的偏差，而機器學習的目的就是希望能將二者之間的偏差降到最低。而Vapnik的統計學習理論表明，當數據服從某個特定的分布時，為了獲得最小偏差，機器需要滿足結構風險最小化原理。因此神經網絡會遇到學習問題，即訓練誤差小并不必然引起機器預測效果的改善，并且在某些情況下，如果訓練誤差過小，反而會降低泛化能力，進而增加真實風險。支持向量機(SVM)是在統計學習理論基礎上發展起來的一種新的學習方法，正是結構風險最小化理論的具體實現。與神經網絡相同的是，SVM結構簡單但泛化能力突出，不但可以解決小樣本學習問題，同時也能很好地解決神經網絡難以解決的局部極小值問題，對于過學習或欠學習問題也有良好的規避方法。
關注微信公眾號