基于神经网络的GIS局部放电模式识别的研究

李晨焱牛小光何洁

(中国核电工程有限公司，中国北京100840)

【摘要】通过对GIS局部放电信号进行使用BP算法的人工神经网络的分析，较大地提高了GIS局部放电模式的识别率。

教育期刊网 http://www.jyqkw.com
关键词 GIS；局部放电；神经网络；模式识别

0引言

GIS是封闭式气体绝缘变电站的简称(英文为GasInsulatedSubstation)，作为具有检修周期长、可靠性较高、不受外界影响的优点，自20世纪６０年代问世以来，得到了极快的发展，并已成为电力系统中极为重要的设备。GIS在运行中存在各种可能的局部放电，故对其进行监测能够极大的保证安全性。本文对GIS局部放电信号进行使用BP算法的人工神经网络的分析，能够极大的提高GIS局部放电模式的识别率。

1局部放电模式的分类

根据GIS内部发生放电的机理和位置的不同，通常会有绝缘内部介质间的气隙放电、高压导体附近的电晕放电、介质表面达到击穿场强的表面放电、存在尖锐气体运气的电树枝放电、接触不良导致的悬浮放电、接地不良导致的接触放电等六类；其中，对设备影响较大的是前三类。本文着重开展对气隙放电、电晕放电、表面放电的模式识别的分析。

2人工神经网络

人工神经网络（ANN，为ArtificialNeuralNetworks的缩写）是在现代神经科学研究成果的基础上提出的，是通过模仿生物大脑的功能，使用大量的简单神经元，通过一定的联系构成一个复杂的网络系统，并通过复杂的非线性动力学系统、大规模的并行分布处理方式，可以不断地吸收外界的输入信息，完善自身。通过已知的局部放电信号的信息作为处理单元的输入，输出模式的映射关系，使得神经网络可通过自学能力开展对局部放电的模式的识别。

其中：xi（i＝1，2，…，n）是神经元的输入量，wi（i＝1，2，…，n）是输入量的权值，也是神经元之间的连接强度，θ是阈值，f为激励函数。

3基于BP算法的神经网络的模式识别

BP网络是对非线性可微分函数进行泉值训练并采用误差后向传播算法的前馈的多层神经网络(back-propagationnetwork)，属于非导师学习，其函数必须为处处可微。

BP网络包括输入层、一个或多个隐含层及输出层，我们设置输入层为局部放电的特征向量，输出层为放电模式。

首先通过试验，得出局部放电信号的特征函数及模式分类的样本数据，并对数据预处理；然后选取模型结构参数、学习参数，利用误差反向算法对BP网络开展训练到一定的收敛度。最后根据训练结果得出局放信号的模式识别率。

4实例分析

本文分析的BP网络提取在6、10、16kV下气隙放电、电晕放电、表面放电三种类型的脉冲信号（每种放电包含3组共30个放电脉冲数据），选取初始权值和阈值后，网络结点数量也随即固定，此时开始训练网络,网络训练完成后，使用放电信号的若干个统计算子（放电信号脉冲上升时间Tr、脉冲持续时间Te、平均振荡周期Tc、振荡周期的均方?啄c等12个参数构成）为输入量，选取隐含层数为1，神经元数目为16；输出向量的期望输出分别为（1，0，0）（0，1，0）。

(0，0，1)分别代表试验中样本所示的GIS中气隙放电、电晕放电和沿面放电三种局放模式。

通过选取不同的可考虑阈值得出以下识别结果：

从结果可看出，在不同的可靠率下局放模式识别率并不相同，平均识别可靠率为89.08%。

5结论

基于BP算法网络的神经网络，其隐含可由上而下的自稳调节权值和阈值，可以得到较高的识别率。

教育期刊网 http://www.jyqkw.com
参考文献

［１］国际电工委员会(IEC).局部放电测量推荐标准270号文件[Z].1968.

［２］焦李成,神经网络系统理论[M].西安电子科技大学出版社,1992.

［３］朱德恒,谈克雄.电绝缘诊断技术[M].中国电力出版社,1999.

［４］宗孔德,胡广书.数字信号处理[M].清华大学出版社,1988,6.

［５］张森,张正梁,等.MＡＴＬＡＢ仿真技术与实例应用教程[M].机械工业出版社,2004.

［责任编辑：邓丽丽］