GIS局部放電檢測
傳統(tǒng)的局部放電識(shí)別方法完全取決于專家的知識(shí)和經(jīng)驗(yàn)，具有很大的局限性。依靠局部放電在線監(jiān)測系統(tǒng)，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(xì)微的差異，通過計(jì)算機(jī)自動(dòng)識(shí)別，能夠反映出局部放電模式更細(xì)微的特征差異。下圖描述了局部放電模式識(shí)別的基本過程，可以大致分為數(shù)據(jù)獲取、預(yù)處理、放電模式構(gòu)造、特征提取和模式分類五個(gè)主要部分，由計(jì)算機(jī)最終完成局部放電模式分類就實(shí)現(xiàn)了局部放電模式識(shí)別。
局部放電模式識(shí)別原理框圖
大量的研究表明：人工神經(jīng)網(wǎng)絡(luò)以其良好的魯棒性、自適應(yīng)能力和非線性映射能力，特別適合作為缺陷類型與故障現(xiàn)象存在復(fù)雜映射關(guān)系的局部放電模式的分類器。
對模式識(shí)別，常用一組與分類有關(guān)的參數(shù)來描述，也就是識(shí)別系統(tǒng)的特征。對任何一個(gè)系統(tǒng)，特征參數(shù)越多，描述越詳盡，對該系統(tǒng)的識(shí)別越深刻。因此在模式識(shí)別中，把多個(gè)分類器的輸出信息集成起來進(jìn)行分類決策是解決復(fù)雜分類問題的一種有效方法。近幾年來，很多學(xué)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(lián)合、BKS等。但是這些算法都是基于抽象級(jí)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(dá)到一個(gè)特別理想的效果?？紤]到大部分的分類器能夠提供度量級(jí)的信息，如BP網(wǎng)絡(luò)，近鄰分類器等，而基于度量級(jí)信息的聯(lián)合能更好地利用各個(gè)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(jìn)行度量級(jí)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(shí)別率。進(jìn)一步研究表明，模糊積分密度的選取對于集成系統(tǒng)的性能起關(guān)鍵作用，同時(shí)分類器的識(shí)別率并非是模糊積分密度的最優(yōu)值。因此研究模糊積分密度函數(shù)非常有意義。可以利用遺傳算法在組合優(yōu)化方面的能力，提出利用遺傳算法來尋找每個(gè)分類器的最優(yōu)模糊積分密度的方法，實(shí)驗(yàn)表明，采用該方法，集成系統(tǒng)的性能有明顯的提高。
但目前由于模式識(shí)別的ANN模型很多，用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別時(shí)，要求有足夠、豐富且正交完備的訓(xùn)練樣本集，否則，就會(huì)使系統(tǒng)的性能變差，降低系統(tǒng)識(shí)別率。由于一些樣本是難于做到這點(diǎn)，因此，在實(shí)際中，難以訓(xùn)練出識(shí)別率較高的網(wǎng)絡(luò)，而且，神經(jīng)網(wǎng)絡(luò)在識(shí)別局部放電時(shí)，當(dāng)識(shí)別樣本所含干擾比較大時(shí)，網(wǎng)絡(luò)容易產(chǎn)生誤識(shí)。
自然界中的許多現(xiàn)象和形態(tài)具有其復(fù)雜性和不規(guī)則性，由于傳統(tǒng)的幾何學(xué)利用整數(shù)維來描述對象，對于事物的復(fù)雜性和不規(guī)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(tǒng)幾何學(xué)中維數(shù)的限制，認(rèn)為復(fù)雜體的幾何維數(shù)可以是分?jǐn)?shù)。分形理論認(rèn)為事物具有自相似、自放射或統(tǒng)計(jì)自相似等層次結(jié)構(gòu)。分形幾何的主要價(jià)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(fù)雜的事物，事實(shí)上可用僅含很少參數(shù)的簡單公式來描述。然而，對于自然界大量存在的無規(guī)分形，不像數(shù)學(xué)上的有規(guī)分形，具有在無窮尺度上的自相似性，它只是在一定范圍內(nèi)存在，也就是說在一定尺度范圍內(nèi)具有分形性，這個(gè)尺度范圍稱為無標(biāo)度區(qū)分維數(shù)概念。無標(biāo)度區(qū)是研究無規(guī)分形的基礎(chǔ)，分形特征只能在無標(biāo)度區(qū)內(nèi)進(jìn)行分析。局部放電現(xiàn)象屬無規(guī)分形范疇，因此，只能在無標(biāo)度區(qū)內(nèi)提取其分形特征。分維數(shù)也稱作分形維數(shù)，是描述分形集合復(fù)雜性的一種數(shù)量，也是分形特征的基本參數(shù)，對研究復(fù)雜現(xiàn)象有很大意義。針對不同的研究對象，分維數(shù)的定義有多種形式，有時(shí)它們都有意義并可能相等，而有時(shí)卻只有某些維數(shù)有意義并且不相等，因此，對分維數(shù)還需要進(jìn)行進(jìn)一步的深入研究。本文從局部放電模式識(shí)別研究的實(shí)際應(yīng)用角度來討論幾個(gè)常用的分維數(shù)，主要有豪斯道夫維數(shù)、盒維數(shù)、關(guān)聯(lián)維數(shù)和信息維數(shù)。
小波與分形是近年來才發(fā)展起的新的數(shù)學(xué)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(dòng)。小波分析是傅立葉分析的重要發(fā)展，它既保留了傅氏理論的優(yōu)點(diǎn)，又克服了它的不足。小波分析是基于一簇由母波函數(shù)生成的“相似”函數(shù)一一子波而展開的。由這組相似函數(shù)的不同伸縮和平移構(gòu)成平方可積函數(shù)空間L2(R)的仿射構(gòu)架，甚至是正交集，從而穩(wěn)定地逼近任意給定的隱射關(guān)系。由于小波函數(shù)的定義，使得它一出現(xiàn)就和分形理論有了不解之緣。小波總是從遠(yuǎn)到近觀察形體一一被譽(yù)為數(shù)學(xué)顯微鏡，它具有的放大和移位功能，與分形的本質(zhì)是一樣的，即尺度變換。所以根據(jù)她們這種內(nèi)在的聯(lián)系。運(yùn)用到局部放電模式識(shí)別中，可以相互補(bǔ)充，既減少了特征量的冗余度，有避免了冗長的數(shù)學(xué)計(jì)算還可以提高模式識(shí)別的準(zhǔn)確率，是今后研究模式識(shí)別的一種可行的方法。
關(guān)注微信公眾號(hào)