252第第 15 章章 电气绝缘故障诊断方法电气绝缘故障诊断方法151 模式识别模式识别模式识别是伴随计算机技术的研究和应用而发展起来的，可用于设备诊断，是一种重要的诊断手段。人们利用分类方法来认识世界上的各种事物。给某一类事物确定概念和范围，给予定量的或结构的描述，通常称之为模式，然后将需要识别的事物与已知模式相对照，进行识别、归类。具有某些共同特性的模式的集合称为模式类。模式识别是利用计算机代替人来进行识别的，即利用计算机对各种物理量进行描述和分类，将待检模式分配到各自的模式类中去。广义的模式识别包括：描述被识对象的信号的引出、量化、预处理、特征提取和模式分类，其过程可由图 15-1 来表示。 图 15-1 模式识别过程示意图图 15-1 中被识对象先经 A/D 变换，转换为能由计算机处理的数字量（若被识对象为非电量，则首先应将它们转换为电信号） 。信号需经过预处理，以滤除混入的干扰，并突出有用信号。经改善后的有用信号，进行特征抽取，以供分类用。模式分类则是在特征抽取基础上，把被识对象归并分类，并确认其为某种模式。由于特征抽取与待检模式的类别密切相关，在分类过程中特征抽取和预处理方法将不断得到改进和提高，这就是图中虚线回溯的意义。1511 模式识别的特征样本模式识别的特征样本进行模式识别时，由试验数据提取出的一些特征构成了样本。设样本包含有I个特征参数，它们形成一组向量。对作为样板的、不同类型或严重程度等情况下的故障，可以提取它们的各种特征，得到许多向量，这些向量称为样板模式。由待检数据提取出的特征参数形成的向量称为待检模式。以放电识别为例。为构成放电样本,有不同的放电数据特征参数提取方法。根据特征参数的特点,可分为以下 4 类:荧光屏显示图谱、三维 -q-n 谱图、放电的统计特征量、放电脉冲波形特征量。1. 荧光屏显示图谱放电测量装置荧光屏上显示的放电图谱包含有丰富的信息。使用荧光屏显示图谱提取放电样本时,除了需用模拟量放电测量装置外,还要用数字相机摄取荧光屏上的图谱。数字相机的关键部件是电荷耦合器(coupling charge device,简称 CCD),它的作用是进行光电转换,即将影像信息的光信号转换成电信号,然后通过模/数转换器将电信号转换为数字信号。数字信号保存在数字相机的存储器内,它既可由打印机以图片的形式输出,即将数字信号重新转换为影像;也可交由计算机保存、处理。数字相机是光、电、机一体化的装置,有时简称它为 CCD 相机。对放电图谱,数字相机可将摄得的脉冲高度q作为放电发生相位的函数以数字量的形式输出，将这些量作为向量元素被识 对象数字化预处理特征 抽取模式 分类非电量转换253可构成放电样本。为减少输入数据,可将轴划分为若干小段,再将各小段内的脉冲平均高度作为向量元素。2. 三维 -q-谱图对局部放电三维 -q-n 谱图,有两种放电样本向量构成方法:三维谱图表列数据法和曲面拟合法。绘制三维谱图时大量的放电数据需要进行处理，即将 -q平面分为若干小块,统计每秒内放电发生的及q处于各小块内的次数n ,得到谱图表列数据。据此可绘出三维谱图,也可将这些数据作为放电样本向量的元素,这种方法即谱图表列数据法。为了保证足够的放电信息,所分小块的数目不能过少,因此样本向量的元素较多。为了缩短向量长度,也可对谱图进行曲面拟合,用曲面拟合参数来体现谱图特征,并以此作为样本向量,该方法即谱图曲面拟合法。3.放电的统计特征量三维谱图表列数据较多,为减少数据量,也可由二维谱图提取特征量。例如,可由局部放电二维 -q 谱图、-n 谱图分别提取其偏斜度、陡峭度、局部峰点数(各参数在工频正负半周分别提取),还可由 -q 谱图提取正负半周图形的互相关系数、放电量因数(负、正半周平均放电量之比)、修正的互相关系数。由此得到 15 个特征参数,并由它们构成放电样本。由三维谱图数据可求取绘制二维谱图的数据,实际上也可直接对放电信息进行数据统计,再来绘制二维谱图。即先将工频电压相位 等分为 W 个区间,统计第 i 个相位区间 i内发生放电的次数 ni和放电量总和 qsi,求得该区间的放电量平均值 qi=qsi/ni,根据 i、qi、ni的数值就可作出 -q 谱图、-n 谱图。若将 -q 谱图想象成为统计分布中的概率密度分布图形(i为随机变量),则其偏斜度SK(15-1) WiiipSK133/)(15-2) Wiiiip1/(15-3) Wiiip1(15-4) Wiiip12)(式中 pi、 i的出现概率、均值和标准差。偏斜度 SK=0，表示图形左右对称；SK0，表示图形向左偏斜，SK0，表示图形较尖锐，KU0，表示图形较平坦。图形中的局部峰点可由 dp/d 值确定，对于点（i，pi） ，若， (15-6)011ii ddp 011ii ddp 254则该点即为局部峰点；局部峰点数 PE 为相应图形中局部峰点的总数。工频正负半周两个图形SK、KU、PE 可能会不同，所以要分别提取。此外对于 -q 谱图，还比较其正负半周圆形的差异，并提取特征参数，即正负半周两个图形的互相关系数(15-7)/)()(/)()(/ )(12121212111 wiWiiiwiWiiiWiWiWiiiiiWqqWqqWqqqq CC式中上标“+”或“”分别表示正负半周的数据；放是量因数 QF 为正、负半周平均放电量之比(15-8) WiiWiiiWiiWiiinqnnqn QF1111修正的互相关系数MCC=QFCC (15-9)对于 n 谱图,令(15-10) Wiiiinnp1其 SK，KU，PE 可沿用 -q 谱图相应参数的计算方法求得。据文献介绍，可由二维谱图提取一些量的平均值、偏差值等，并以这些特征参数来构成样本向量。4放电脉冲波形征量不同类型放电的脉冲波形会有差异，可提取其特征作为样本向量。例如空穴放电，放电统计时延使空穴上产生过电压，影响放电时的电压突变过程；当空穴与金属相邻时，因阴极的光电子发射，会出现大的放电脉冲，脉冲上升也较快。对不与金属相邻的空穴，每次放电后介质的表面电荷畸变了空穴电场，影响脉冲的上升时间及放电量。空穴周围介质还因放电发生变性，表面电导变化，改变空穴电场而影响放电脉冲。以聚丙烯板试样为例，对直径 2mm，深度 1mm 的空穴，若空穴与金属相邻，放电脉冲上升时间为 6ns，放电量为 5000pC；若空穴不与金属相邻，则脉冲上升时间为 14ns，放电量 27pC。可以用脉冲波形的自回归模型参数作为样本向量；也有用放电量、脉冲上升时间、脉冲下降时间、波形面积、放电量与波形持续时间的乘积、放电能量等 6 个特征量作为样本向量的。1512 局部放电的模式识别局部放电的模式识别模式识别是随着计算机技术的研究和应用而发展起来的一种重要的论断手段，于 90 年代应用于电力设备的放电识别，代替放电谱图的目测判断，显著提高了识别的科学性和有效性。在广义的模式识别中，被识别对象的信号需经过预处理，以滤除混入的干扰，并突出有用信号；再对改善的有用信号进行特征提取，以供分类用。变压器绝缘体系中的放电类型很多，不同的放电类型对绝缘的破坏作用有很大差异，因此有必要对各种放电类型加以区分。对变压器超高频局部放电自动识别系统所得的放电谱图进行模式255识别，可以区分不同类型的绝缘内部缺陷。将神经网络用于局部放电模式识别大大提高了识别的可靠性和实用性。应用于变压器超高频局部放电的模式识别，是将计算机辅助测试系统测得的电磁信号经放大、滤波后进行 A/D 转换，然后把提取到的多个工频周期的高频（中心频率在 500-1000MHz 之间可调）窄带（带宽 5MHz）时域信号送入计算机进行数据处理和分析，作出各种谱图（包括三维谱图 -q-n、三维谱图 Hqmax（） 、Hqn（） 、Hn（） 、H（p）和 H（q） ）和统计量（37 个） ，由此来分析变压器的局部放电情况。（1）局部放电特征提取：变压器绝缘结构中发生的局部放电类型主要有五种：油中尖板（A） 、纸或纸板内部放电（B） 、油中气泡放电（C） 、纸或纸板沿面放电（D）和悬浮放电（E） 。局部放电具有明显的随机性，采用超高频测量系统，对 100 个工频周期的超高频放电信号进行统计，可以得到局部放电的各种分布谱图，包括 Hqman()、Hqn（） 、Hn（） 、H（p） 、H（q） ，它们能全面地描述局部放电的特征，可用于区分不同类型的局部放电。模式识别结果的正确与否关键在于放电信号特征的提取。我们采用上述五种分布谱图的统计算子作为神经网络的输入量，包括偏斜度 Sk、突出度 Ku、局部峰个数 Pe、放电不对称度 Q、相位不对称度 、互相关因子 cc 和相位中值 Mn 共 37 个特征量，进行放电类型的自动识别。（2）识别结果选取合适的训练样本集对提高网络的识别能力十分重要。一定要合理挑选样本，以使训练样本能涵盖全部样本的变化范围，这样经训练的神经网络可以达到较高的识别率。为此，每种放电模型都有 5 个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别；而且对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。最后，将多个 5 种放电模型的局部放电测量结果随机地分成两组，一组样本集用于神经网络的学习，另一组样本集不经过网络学习环节，直接用于神经网络识别，以判断网络的学习效果及推广能力。利用学习样本集分别用 BP 算法、AGA 和 AGA-BP 混合算法训练神经网络，一个典型的神经网络输出误差变化关系如图 15-2 所示，其中 AGA 算法的一代相当于 BP 的一步，两者的计算时间也基本相同。由图 15-2 可以看出，要达到同样的误差精度 0.0001，BP 网络、AGA 网络和 AGA-BP 网络需要的迭代次数分别为 24141、2716 和 1685 次，可见 AGA-BP 神经网络较 BP 神经网络和 AGA 神经网络，在全局优化意义上能更加稳定快速地收敛。图 15-2 神经网络误差输出变化利用测试样本集分别对 BP、AGA 和 AGA-BP 网络进行测试，识别结果如表 15-1 所示。表 15-2256列出了每种放电类型的具体识别情况。每种放电类型选取 5 组随机的数据，对每组数据，三种算法分别执行 20 次，取其平均结果。表 15-1 放电类型识别结果正确识别数/识别总数识别率（%）放电类型训练样本数/全部样本数BP-NNAGA-NNAGA-BP-NNBP-NNAGA-NNAGA-BP-NNA20/5022/3028/3029/3073.393.396.7B20/5027/3030/3030/3090100100C20/5026/3029/3030/3086.796.7100D20/5028/3030/3030/3093.3100100E20/5027/3029/3030/309096.7100152 专家系统专家系统专家系统是一个具有大量专门知识的计算机程序系统。它是目前人工智能领域研究中最为活跃的一个分枝。60 年代中期，美国 Stanford 大学的 E.A.Feigenbaum 教授等成功开发出了用于有机化学分析的 DENDRAL 系统；麻省理工学院的 C.Eegleman 等研制出了用于数学符号积分和公式化简的 MACSYMA 系统，从而揭开了专家系统研究的序幕。至今，已有各种类型的专家系统在许多领域获得成功，并带来了可观的经济效益。从 80 年代以来，美国已有 80%以上的大公司应用了专家系统技术；日本已拥有的处于不同阶段的专家系统达 2000