关键词：局部放电；模式识别；多分辨率分析；BP神经网络                                                                                                                                  

Abstract: In this paper, the method of combining multi-resolution analysis and BP neural network for pattern recognition of partial discharge signals is studied. Based on related theoretical analysis, the multi-resolution analysis method is used to extract the signal feature quantities of each sample, and the BP neural network is used as a classifier. The pattern recognition was performed on each feature, and the recognition was finally verified by MATLAB. The recognition results proved the correctness and feasibility of the method.

Keywords: Partial discharge; Pattern recognition; Multi resolution analysis; BP neural network

1  引言

电力设备是构成电力系统的基本元件，其工况是影响电力系统运行可靠性的重要因素。随着科技的进步，虽然电力设备在制造工艺上不断改进，但电力设备的绝缘性能劣化仍是它失效的主要因素。而局部放电信号作为电力设备前期绝缘潜伏性缺陷和故障的表现形式^[1]，局部放电的模式识别显得尤为重要。

目前，国内外学者对局部放电的模式识别进行了大量的研究及应用，并取得了显著效果。局部放电的模式识别主要包含了三个环节，分别为：各类局部放电信号分析，特征量的提取及识别器识别。由于多分辨率分析可以对数据信号进行多尺度分解，能够使信号特征在不同层次显示出来，所以本研究中采用基于多分辨率分析的方法进行局部放电信号特征向量的提取。近年来，人工神经网络的出现使得各类故障识别智能化，学习识别能力方面大大增强，而BP神经网络在这方面得到了很好的运用^[2-3]，所以本文采用BP神经网络作为识别器进行局部放电模式识别。

2  各类局部放电信号分析

局部放电信号属于高频脉冲信号，是典型的非平稳信号，实验研究局部放电信号上升沿通常为纳秒级，脉冲宽度为几个到几十个纳秒^[4]。由于局部放电出现在不同的电力设备中，局部放电信号可分为电缆局部放电信号、本地局部放电信号。其中本地局部放电包括开关柜局部放电和电缆终端头局部放电。开关柜内的局部放电类型主要可以分为三种，分别为表面放电、电晕放电和高压电极的尖端放电^[5]。而高压电极的尖端放电出现情况非常少，所以主要介绍前两种。以下是各类局部放电信号特点。
2.1 电缆局部放电信号分析

电力电缆中的局部放电信号脉冲波形是单极性脉冲，频率范围在200kHz-4MHz，一般情况下电缆PD的上升时间为20ns-150ns。工频的正半周和负半周内都有局部放电信号出现，其中正半周为正极性脉冲，负半周为负极性脉冲^[6]，且各正负极性局部放电脉冲峰值差别不大，但并不是所有的脉冲都有相同的放电幅值，在正半周出现局部放电信号对应的相位范围在0°~90°，在负半周出现局部放电信号对应的相位范围在180°~270°。典型电缆局部放电信号如图1所示。

图1 电缆局部放电信号波形

2.2 本地局部放电信号分析

本地局部放电信号为高频振荡脉冲，主要包括开关柜内电晕局部放电信号、开关柜内表面局部放电信号和电缆终端头局部放电信号。通常频率范围在4.5MHz~70MHz。电晕放电只出现在工频的半个周期内且局部放电信号幅值很高，局部放电对应的相位范围很窄，通常局部放电相位发生在固定位置处，如图2所示。表面局部放电信号频率范围在4.5MHz~10MHz，在正负半周内均有局部放电信号，只是正负半周内的脉冲峰值有不少差异，可能会出现正半周内的幅值超过负半周内的幅值的情况。如图3所示。电缆终端头局部放电信号，使用HFCT和TEV检测到的局部放电脉冲波形具有快速高频振荡的特点，频率一般为10MHz-100MHz，如图4所示。

虽然本地局部放电信号包括以上多种基本类型的局部放电，但是依据局部放电信号波形特征与波形频率结合考虑，本地局部放电与电缆本体内发生的局部放电信号频谱差异性大，只要区别出电缆本体局部放电波形特征与本地局部放电涵盖的所有可能情况的波形特征即可。

3  基于多分辨率分析的局部放电信号特征量提取

建立局部放电识别系统，需要对不同来源所采集的局放信号进行加工处理，提取能代表各信号良好时频局部化特性的特征向量，为后级基于智能算法的识别器提供局部放电样本特征集从而进行智能化识别，这是进行局部放电模式识别的重点和关键。目前，用于局放信号特征提取的方法有很多，其中多分辨率分析法可以对采集的信号进行多尺度分解，能够很好的反映信号的相关特征，所以本研究中采用多分辨率分析的方法提取样本特征量。以下为多分辨率分析法的相关理论和特征量提取的基本方法。

通过上式可知，信号可由整体变化趋势低频分量cA_N和细节高频分量cD_N组成。因而可以通过这些不同频率段信号成分的相关系数，来作为反应局部放电信号的特征量。本文中基于多分辨率分析提取局部放电信号特征量的具体步骤如下：

(1) 对局部放电信号进行n尺度分解；

(2) 提取各层的高频系数cd_i(i=1,2,3...N) 和最底层的低频系数ca_n；

(3) 对(2)中提取的cd_i和ca_n进行绝对值求和，并按尺度顺序进行排列，构成特征向量；

(4) 为避免在数据分析上带来的不便，将步骤(3)中所得特征量按照公式(4)进行处理，构成归一化特征向量，输入给后级识别器进行相关的模式识别。

                        (4)

4  基于BP神经网络的识别器设计

本研究采用上一节中多分辨率分析法提取局部放电信号相关特征量，通过建立特征样本集后输入给后级识别器进行识别，而智能算法作为识别器的核心部分，需要人为的进行选择和设计。目前，由非线性变换单元组成的BP神经网络^[7]已普遍使用在实际系统里，被广泛应用于模式识别、图像处理和分析、控制等领域。所以在本研究中采用BP神经网络设计识别器用于局部放电故障的模式识别。下面将具体介绍BP神经网络相关理论和设计方法。

4.1 BP神经网络结构及原理

BP神经网络在结构上有三部分组成，分别为输入层、隐含层和输出层，层与层之间多采用全连接的方式。网络中隐含层一般设置为单层或者多层，其不直接的参与网络的输入和输出,但通过网络学习可以改变隐含各层连接线的权值和阈值，从而影响最终的输出结果。图6为隐含层为单层时的三层BP神经网络结构图。

图6 三层BP神经网络结构图

BP神经网络兼具学习和记忆功能，对于图6中的3层BP神经网络，当样本输入该网络，依次从输入层、隐含层和输出层顺序处理并传递，最终产生一个输出结果，这种逐层传递过程称为前向传播。当输出结果不能满足预期要求时，其与期望输出的误差将反向逐层传递并更新修正各层权值，这种传递过程为误差逆传播。凭借反复交替的前向传播和误差逆传播的训练过程，最终使得输出结果逼近期望值。

4.2 BP神经网络学习步骤

BP网络学习规则又成为学习规则，通过学习和训练，BP网络在阈值范围内形成输入和输出之间的某种特定的映射关系。其具体的学习步骤如下：

(1) 设定网络中所有权值、阈值的初始值和期望的误差精度，选择一个适合的学习速率和最大训练次数；

(2) 由给定的输入样本，顺序计算隐含层输出和输出层的输出，并根据误差计算公式计算输出与期望的误差E；

(3) 当首次训练所得误差E<或者已达到最大训练次数时，则结束本次学习过程；

(4) 若误差E>，便对各层的权值和阈值进行调整，不断重复进行训练，直到收敛为止。

4.3 BP神经网络识别器相关的参数确定

MATLAB本身带有神经网络工具箱，可以使权值训练更加便捷，使得工作效率大大提高。所以本文依托于MATLAB进行模式识别研究，其中BP网络的设计主要包括：
    (1)输入层和输出层的设计

输入层的节点数一般等于提取特征量的维数，输出层的节点数在模式识别识别网络中一般等于输出类别数；

(2) 隐含层设计

隐含层节点数的确定将会在一定程度上影响神经网络的性能。隐含节点数较少会影响网络的学习识别能力，而隐含节点数较多会使训练的时间延长。根据经验，可以参考下面公式进行隐含层节点设计：

                              (5)

式（5）中，l为隐含层节点数；n为输入节点数；m为输出节点数；a为1~10之间的调节系数。

(3) 初始权值选取

在一般的非线性系统中，网络学习能否收敛并实现局部最小，网络训练时间的长短都和初始权值的确定有关，一般选取(-1,1)之间的随机数作为初始权值。

(4) 学习速率的选取

学习速率在网络训练过程中影响相关各权值的变换量。根据经验一般为了确保网络的稳定性，学习速率的取值较小，选取的范围在0.01~0.8之间。

(5) 期望误差和最大训练次数的选取

一般情况下，在设计网络的训练过程中，期望误差和最大训练次数的确定可分别通过在不同参数下进行多组对比训练，最终选取可达预期目标的最优网络所对应的相关参数。

5  模式识别验证分析

首先，依据3.2节中多分辨率分析提取特征量的方法，按照局部放电信号特征量的提取步骤(1)、(2)对已知的典型电缆局部放电信号、典型本地局部放电信号和噪声信号进行5层小波分解，其各层相关系数和由各层系数重构信号分别如图7、图8所示，由图8中重构信号和原始信号对比看出，各信号经过小波分解后提取各层相关系数进行重构，重构后的信号与原始信号基本一致，证明采用多分辨率分析法获取系数的正确性。

由图7得知各信号在不同频段的组成成分大不相同，因此按照3.2节中步骤(3)、(4)通过各分解系数确立的特征量也应具有明显的不同。图9、图10分别是各信号提取的特征量和根据公式(4)进行归一化处理后的特征量，由图9、图10可看出，各信号特征量的变化趋势和各特征量中元素大小都具有明显的差异，而这种差异，将会为下一步识别器的识别提供良好的样本依据。

构造的BP神经网络识别器，隐含层和输出层神经元的传递函数分别采用logsig函数和perelin函数，隐含层节点数设为10，期望误差为1e-5，最大训练次数为1000。将电缆局放、本地局放和噪音事件各100组信号数据采用前述方法提取特征量后输入所构造识别器，三种信号特征量样本中各随机挑选50组供识别器训练使用，剩余50组供识别器测试使用，经过测试后的各信号识别结果如附表所示。

附表  局部放电识别结果

从附表局部放电识别结果可看出，使用多分辨率分析提取特征量进行BP神经网络模式识别，能够很好的对各类信号进行识别，识别率能够在90%及以上，总体识别效果较好。

6  结论

本文通过分析各类局部放电信号特征，采用了多分辨率分析的方法提取各信号特征量，然后对各组特征量进行归一化作为BP神经网络的输入样本进行局部放电信号的模式识别，最终达到了预期识别的目的，证明了多分辨率分析法和BP神经网络相结合识别局部放电信号的有效性。

参考文献：

[1] 李军浩,韩旭涛,刘泽辉,李彦明. 电气设备局部放电检测技术述评[J]. 高电压技术,2015,41(08):2583-2601.

[2] 成小瑛. 局部放电模式识别特征量提取方法研究与特征量相关性分析[D]. 重庆大学,2003.

[3] 曹昌睿,郑重. 局部放电模式识别中常用波形特征及其识别效率之比较[J]. 青海大学学报(自然科学版),2010,28(06):41-44+48.

[4] 唐金锋. 局部放电检测中信号降噪与特征分析方法研究[D]. 西安电子科技大学,2013.

[5] 叶海峰,钱勇,王红斌,等. 开关柜表面暂态地电压信号频谱特征[J]. 高电压技术,2015,41(11):3849-3857.

[6] 罗新. 10kV电缆在线局部放电检测的去噪及识别方法研究[D]. 华南理工大学,2014.

[7] 唐志国,唐铭泽,李金忠,等. 电气设备局部放电模式识别研究综述[J]. 高电压技术,2017,43(07):2263-2277.

第一作者简介：

尹月（1992年-）女，硕士研究生，大连交通大学电气信息工程学院学生

研究方向为中高压电气设备局部放电监测

第二、三作者简介

郑祥（1979年-）男，博士，讲师，研究方向为高压电气测试及其控制技术。

付大赓（1994年-），男，硕士研究生，研究方向为中高压电气设备局部放电监测