基于人工神经网络的电气设备超高频局部放电模式识别研究_朱瑞丹.pdf

第 卷 第 期 年 月电 子 器 件 .项目来源：年度广西高校中青年教师科研基础能力提升项目（）收稿日期：修改日期：，（，；，）：（），（），：；：；：基于人工神经网络的电气设备超高频局部放电模式识别研究朱瑞丹，（柳州职业技术学院 机电工程学院，广西 柳州；汕头大学 工学院，广东 汕头）摘 要：为了提高电气设备超高频（）局部放电特征识别能力，提出基于人工神经网络（）的电气设备超高频局部放电模式识别方法。根据电气设备绕组间的短路阻抗特性进行超高频局部放电模型构造，计算电气设备励磁支路增量电感，采用人工神经网络辨识方法进行电气设备超高频局部放电特征提取和模式识别，计算输出的静态电感和增量电感，采用快速傅里叶变换提取电气设备放电脉冲调节，计算一次侧基频电流幅值，根据励磁曲线和励磁电阻的匹配模式，建立电气设备超高频局部放电的参数提取模型，采用人工神经网络实现电气设备超高频局部放电模式识别。仿真分析结果表明，在 时，所提方法多数值均能检测出局部放电，采用该方法进行电气设备超高频局部放电模式参数识别的准确性较高，收敛性较好，抗干扰能力较强。关键词：；电气设备；超高频；局部放电模式；识别中图分类号：文献标识码：文章编号：（）电气设备超高频局部放电过程是一个多电平换流和脉冲激发过程，在电气设备超高频局部放电过程中，需要对电气设备的并网特性进行模式辨识，构建电气设备超高频局部放电的正负序相互解耦结构模型，结合对电气设备的输出脉冲特征量进行特征辨识，增强电气设备稳定性。研究电气设备的超高频局部放电模式识别方法，在提高电气设备超高频局部放电稳定性方面具有重要意义。对电气设备超高频局部放电是建立在对电气设备的输出功率调节基础上，结合对放电脉冲的输出特征参数调节，实现对电气设备超高频局部放电模式识别，文献中提出基于射线检测联合检测的电气设备超高频局部放电自动检测方法，对超高频局部放电脉冲信号采用射线检测方法进行频谱特征提取，提取电气设备超高频局部放电脉冲的包络幅值，实现放电脉冲检测，但该方法进行电气设备超高频局部放电脉冲检测的计算开销较大，自适应性不好。文献中提出一种基于模糊 的电气设电 子 器 件第 卷备超高频局部放电模式识别方法，对超高频局部放电脉冲信号采用射线检测方法进行频谱特征提取，提取电气设备超高频局部放电脉冲的谱特征，采用模糊 进行自动控制和模式识别，但该方法的收敛性不好。针对上述问题，本文提出基于人工神经网络（，）的电气设备超高频局部放电模式识别方法。首先进行超高频局部放电模型构造，计算电气设备励磁支路增量电感，采用 辨识方法进行电气设备超高频局部放电特征提取和模式识别，然后计算输出的静态电感和增量电感，采用快速傅里叶变换提取电气设备一次侧基频电流幅值，根据励磁曲线和励磁电阻的匹配模式，建立电气设备超高频局部放电的参数提取模型，采用 深度学习方法实现电气设备超高频局部放电模式识别。最后进行仿真分析实验，展示了本文方法在提高电气设备超高频局部放电模式识别能力方面的优越性能。超高频局部放电模型及参数解析 超高频局部放电模型构造为了实现基于 的电气设备超高频局部放电模式识别，首先根据电气设备绕组间的短路阻抗特性进行超高频局部放电模型构造，计算电气设备励磁支路增量电感，对超高频局部放电脉冲信号采用射线检测进行频谱特征分析，得到超高频局部放电的模式识别对象模型，如下：（）（）（）（）|（）式中：表示并网逆变电感，表示正负序阻抗，是电气设备超高频高压侧电压；电气设备控制约束特征量如下：（）（）（）（）（）（）式中：表示正序和负序之间的频率谐波电流，是电压扰动与电流响应分量的比率，是微分参数。建立交流侧相序阻抗模型，进行电气设备的超高频局部放电模式识别，输出电气设备的超高频局部放电脉冲分量，提取电气设备超高频局部放电脉冲特征量，得到功率传输的约束对象模型矩阵。（）（）（）（）|（）对超高频局部放电脉冲信号进行频谱特征分离，得到超高频局部放电脉冲的波动性控制方程：（）（），（），）（）（）（）（）（）|（）式中：表示确定扰动步长下的输出放电脉冲信号；是电气设备超高频局部放电信号的脉冲响应；表示电气设备超高频局部放电的直流电压输入信号；表示双闭环控制的步长，采用外环和电流内环的联合控制方法，得到电气设备超高频局部放电的滤波因子，当 值不变求放电脉冲的瞬时谱时，增大 能够进行放电脉冲增益调节，提高电气设备的多功率稳态调节能力。参数解析辨识采用 辨识方法进行电气设备超高频局部放电特征提取和模式识别，计算输出的静态电感和增量电感，进行放电脉冲参数估计，根据电气设备超高频局部放电特性，得到第 个阵元接收到的放电脉冲信号（），模式解析参数为（），可输出电气设备超高频局部放电电压和电流指令状态特征量表示为：?（，）?（，）|（）式中：是特征参数，是电气设备的超高频局部放电的最大功率点因素，是输出相频特征，?，?，?表示输出电气设备变压器超高频局部放电电流指令状态特征量；，表示可调参数。基于负荷波动性调节方法，得到电气设备超高频局部放电脉冲参数分别为：（）（）（）（）采用自相关特征检测方法，以控制采样周期为输入，计算某一频率、某一相序的电压扰动分量，得到锁相环、直流电压环的特征量为：（）（）以输出功率为控制目标函数，进行电气设备超高频局部放电模式识别的优化求解，计算输入、输出旋转矢量部分，得到电气设备超高频局部放电的第 期朱瑞丹：基于人工神经网络的电气设备超高频局部放电模式识别研究 电流和稳态电压为：（）（）（）（）（）（）（）式中：|（）（）（）|（）（）在频率耦合状态下进行输出功率调节，得到电气设备的超高频局部放电模式识别模型满足（）（），采用扩展卡尔曼滤波方法，得到优化参数控制模型为：（）（）（）（）（）用（）与（）分别表示模型参考系数和功率分配系数，综上分析，采用离散傅里叶分析方法，进行电气设备超高频局部放电解析辨识。电气设备超高频局部放电模式识别优化 超高频局部放电脉冲特征提取在上述进行超高频局部放电模型构造，计算电气设备励磁支路增量电感的基础上，进行电气设备超高频局部放电模式识别，提出基于 的电气设备超高频局部放电模式识别方法。计算电气设备的超高频局部放电模式识别系统状态差值，采用非线性反馈调节方法，进行电气设备的超高频局部放电模式识别的模糊调度，得到非线性反馈调节模型：（）（）（）（）（）（）（）（），）（），）（）（）（）|（）式中：，是 人工神经网络学习系数；，是 的比例系数和微分系数。在负载扰动和参数摄动条件下，得到超高频局部放电的振荡特性表示为：（，?，）（，?，），|（）式中：是第 通道的 调节器参数，（，?，），是电气设备超高频局部放电动态耦合的参数，是电气设备超高频局部放电的特征分辨系数，电气设备超高频局部放电的模态分量为（，?，）。感应电动势为：（，?，）（，?，）（，?，）（，?，）（，?，）|（）（，?，）表示 自适应学习下的瞬态电压，输出误差校正为：（，?，?，）（）外部扰动抑制的联合微分方程为：（，?，?）（，?，?），|（）由此计算电气设备励磁支路增量电感，采用 辨识方法进行电气设备超高频局部放电特征提取和模式识别。深度学习及模式识别电气设备识别的问题特征量为：（）（）（）（）（）电气设备超高频局部放电的稳态功耗为：（）（）（）在深度饱和状态下，电气设备的超高频局部放电模式识别的耦合因子表示为：（）（）（）采用 辨识方法进行电气设备超高频局部放电特征提取，得到电气设备的扰动电流 为：（）（）（）端电压在逆变器滤波电容约束下重合，电气设备的 时滞项 为：（）（）（）感应电流、直流偏磁为：（）（）（）（）根据对局部放电模式的参数解析结果，采用分组线性组合调节方法，进行变结构 调节，得到局部放电模式识别输出为：（，?）（?）（，?）（?）（，?）（?）|（）电 子 器 件第 卷式中：（）是电气设备超高频局部放电的积分器，采用三层前向神经元的 人工神经网络进行深度学习，实现电气设备超高频局部放电模式识别。实验分析 实验基础验证本文提出方法、文献基于射线检测、文献基于模糊、国外文献时频域分析和文献小波变换的方法，在实现电气设备超高频局部放电模式识别中的应用性能，进行实验，得出结果并进行分析。本文将三维频谱方法用于超高频局部放电模式识别。当三维频谱的放电数维被投影到平面上时，三维频谱可以简单地用包含放电数目的二维矩阵来表示。将三维光谱的识别转化为表格数据的识别。表格化数据与图像识别领域中常用的像素灰度数据非常相似。到目前为止，基于自动编码的原理，训练计算机找到三维光谱输入信息的数据压缩表示形式，然后进行分离和分类。在典型放电样本库中，以、三个样本作为原始训练源，然后以 个样本作为测试样本。研究了每个样品的统计分布，并进行了蒙特卡罗模拟，得到了样品三维光谱在二维平面上的表格矩阵，并将其压缩为 行矢量。此行向量是神经网络的输入维度。模拟次数为 次。形成包含 个样本的训练集 和包含 个测试集的样本。为了保证网络的全局收敛，在样本集中，将各种样本依次存储在一个单元中。每个单元中的样本数量为 个，这些样本被重新生成由几个单元组成的重复堆栈。测试集样本以类似的顺序堆叠，每个单位的样本数量为 个。在神经网络类的分类中，对于给定的样本输入，网络会给它一个属于每一类的评价概率向量。对于这个向量，最常用的判别方法是“取大的第一标准”。根据自由竞争原则，取输出结果最大的模式作为其分类结果。在测试网络时，如果网络的输出向量与样本的标签向量相同，则认为网络识别正确，否则认为识别错误。本任务的目标是将局部放电分为三类：、和。请参见表，为每种类型的放电安排输出标签编号向量。它们的顺序与 和 样本的顺序相对应。通常，对系统的识别性能进行评估，主要集中在系统的准确识别率和识别时间。一个好的网络应该具有最高的识别率和最短的识别时间。本实验的目的是对人工神经网络等五种网络的识别性能进行比较。因此，本文首先对识别率进行了研究，并将其作为衡量识别性能的主要依据。对于训练好的网络，将测试集输入的识别结果与测试集标签进行比较，识别率等于正确识别的样本数除以样本总数。识别率识别正确的个数测试集样本总数表 任务的标签向量形式类别标签编号向量 实验过程训练样本为（，）。首先，建立一个结构为（代表三层结构）的神经网络。从左到右，输入层对应的节点数为，中间层的节点数为，输出 层 的 节 点 数 为，（下 同）。激 活 函 数 为，学习率为，批处理数据为。随机生成神经网络的第一层权值参数。采用反向传导算法对网络参数进行优化。目前还没有公认的理论方法来确定 的值，一般是通过实践经验来选择的。当选择范围较小时，可通过逐级调试确定。当选择范围较大时，以下经验公式可供参考。（）（）（）式中：为输入层节点数，为输出层节点数，为一个 之间的常数。将输入层 中的节点数和输出层 中的节点数纳入上述公式。式（）给出的取值范围约为；式（）给出的取值约为；式（）给出的取值约为。由此可见，的经验值在 以内。在通过经验公式缩小 的可选范围后，逐个测试该范围内的值，并观察不同网络结构下收敛后的神经网络的识别率。从 开始，中间层的节点数 从 到 逐渐增加；观察在这些 值下神经网络的分类效果，结果如图 所示。如图所示，总体来看，其他四种神经网络对任务局部放电的基本类别具有较高的识别率。其他网络的识别率大多在 左右，最优识别率为。自编码网络的总体识别率略高于其他四种神经网络，最优识别率为。相应的结果如表 所示。随着中间层结构的编号，其他四种网络的曲线波动都比神经网络的大。这表明，对于结构相同的四个第 期朱瑞丹：基于人工神经网络的电气设备超高频局部放电模式识别研究 网络和神经网络，前者的识别率受结构参数的影响更大，后者的识别率更稳定。图 五种神经网络对任务的识别效果表 网络最优识别率对应识别结果局部放电类别内部放电岩面放电电晕放电识别率 总识别率 结语构建电气设备超高频局部放电的正负序相互解耦结构模型，结合电气设备的输出脉冲特征量进行特征辨识。提出基于 的电气设备超高频局部放电模式识别方法。根据电气设备绕组间的短路阻