引言

21世紀,計算機科學進入了飛速發(fā)展的階段,先進的網(wǎng)絡結構和算法大量應用于人工智能領域,模式識別理論和技術也隨之取得了巨大進步。以往局部放電類型的識別主要依靠運維人員的經(jīng)驗,根據(jù)局部放電圖譜進行人工分析判斷,精準度不高。計算機模式識別方法在局部放電類型識別領域的應用改變了人工識別的現(xiàn)狀,這種方法大幅提高了識別的準確性和效率。

本文將利用誤差反向傳播神經(jīng)網(wǎng)絡(BPNN)算法,對xLPE電纜典型絕緣缺陷產(chǎn)生的局部放電信號的特征參數(shù)進行處理分析,進而識別局部放電類型。

1BP神經(jīng)網(wǎng)絡的結構及原理

BPNN作為一種成熟的人工神經(jīng)網(wǎng)絡模型,已在許多領域得到應用。常用的BPNN結構如圖1所示,按功能可以劃分為輸入層(I)、隱含層(H)和輸出層(o)。其中只有一個(I)和(o),但(H)的個數(shù)可以根據(jù)需要建立一個或多個。每個層級由一些具有簡單數(shù)據(jù)處理功能的神經(jīng)元構成,神經(jīng)元的個數(shù)可多可少。用連線將不同層級的神經(jīng)元連接起來,我們稱這些連線為權重線,但(I)和(o)的各神經(jīng)元之間沒有權重線連接。網(wǎng)絡調節(jié)通過權重線的權重來調整輸出。

BP神經(jīng)網(wǎng)絡兼具學習和記憶功能。輸入層輸入值[x]正向傳播到輸出層,生成的輸出值[y]和期望值[r]之間產(chǎn)生誤差,然后網(wǎng)絡將進行反向傳播,通過調整各層級間的權重[w],同時需要設定隱含層和輸出層各節(jié)點的閾值,不斷減小系統(tǒng)[y]和[7]的差值,將其控制在閾值范圍內,最終使[y]逼近[r]。

BP神經(jīng)網(wǎng)絡算法實現(xiàn)權值逼近需要激活函數(shù)的引入,這樣可以在網(wǎng)絡中引入非線性,非線性能夠解決線性不可分問題。沒有激活函數(shù)的神經(jīng)網(wǎng)絡始終都是一個線性映射,無法解決線性不可分問題。常用的激活函數(shù)是s(Logistic)函數(shù)類中的雙曲正切函數(shù)和sigmoid函數(shù)。式(1)為sigmoid函數(shù)的表達式:

sigmoid函數(shù)的值域為[0,1],且在1/2處中心對稱,在定義域連續(xù)可導,f'(x)≥0,當且僅當在f(x)=0,1時,f'(x)=0,在f(x)=1/2時,f'(x)max=1/4。權值逼近以梯度下降法為基礎,而權值與激活函數(shù)導數(shù)成正比關系,當激活函數(shù)在0附近時,權重的改變最大。根據(jù)以往經(jīng)驗和局放信號的特點,選擇sigmoid函數(shù)有益于權值逼近,實現(xiàn)網(wǎng)絡的收斂。

2BP神經(jīng)網(wǎng)絡算法

通過學習和訓練,BP神經(jīng)網(wǎng)絡在閾值范圍內形成輸入和輸出之間的某種特定的映射關系。在訓練過程中,廣義的6法則是調整BP神經(jīng)網(wǎng)絡權值的常用訓練算法。

我們先做一下設定:輸入層神經(jīng)元個數(shù)為I,隱含層神經(jīng)元個數(shù)為J,輸出層神經(jīng)元個數(shù)為K,相應各層神經(jīng)元的編號為i=1,2,…,I;j=1,2,…,J;w=1,2,…,K。[Hij]表示(I)與(丑)權重矩陣,[Bj]表示(丑)閾值矩陣,[Kwj]表示(丑)與(O)權重矩陣,[Bw]表示(O)閾值矩陣。

算法步驟如下:

(1)數(shù)據(jù)樣本歸一化處理。把數(shù)變?yōu)?0,1)之間的小數(shù)主要是為了數(shù)據(jù)處理方便提出來的,把數(shù)據(jù)映射到0~1范圍之內處理,更加便捷快速。

(2)初始化網(wǎng)絡權重。在開始階段,我們可以給網(wǎng)絡權重賦予一個隨機值,一般在-1和1之間。

(3)計算隱含層的輸出[H]:

(4)計算輸出層的輸出[y]:

(5)首次訓練以輸入值本身作為期望輸出值,求出均方差E,若E≤s,則學習過程結束,s為規(guī)定的正數(shù):

(6)若E>s,我們需要對權重進行調節(jié):

式中,a為學習速度。

不斷重復(3)至(6)的計算過程,直至收斂。

當完成網(wǎng)絡訓練階段后,便可以利用BP神經(jīng)網(wǎng)絡建立確定映射關系進行電力電纜絕緣缺陷類型的識別,其流程如圖2所示。

神經(jīng)元個數(shù)、隱含層層數(shù)、學習速率和訓練樣本個數(shù)的設定都會影響B(tài)P神經(jīng)網(wǎng)絡算法的識別效果,所以合理的設定十分必要。

3電纜絕緣缺陷類型及局部放電信號特征提取

幾種常見的電纜缺陷有:沿面放電、懸浮放電、氣泡放電、絕緣受潮放電,其模型如圖3所示。

與之對應的時域波形如圖4~7所示。

在進行模式識別之前,我們要對電纜局部放電信號進行特征提取,特征量的選取直接影響識別結果。目前,電纜局部放電特征量有放電幅值、放電相位、放電次數(shù)、重復率等,常用的提取方法有傅里葉變換、小波分析、圖像矩陣等方法。

4基于4P神經(jīng)網(wǎng)絡的電纜局部放電類型模式識別

依托BP神經(jīng)網(wǎng)絡技術進行電纜局部放電類型模式識別的參數(shù)設置如下:

(1)設置樣本參數(shù)。

對每種電纜局部放電模型各采集60個數(shù)據(jù)樣本,其中30個用來訓練BP神經(jīng)網(wǎng)絡,剩余30個作為檢測樣本,用來檢驗模式識別效果。

(2)設置網(wǎng)絡層數(shù)。

一個輸入層代表電纜局部放電信號的特征量。

一個輸出層代表局部放電類型,4種局部放電類型作為BP神經(jīng)網(wǎng)絡的期望輸出,把沿面放電、懸浮放電、氣泡放電、絕緣受潮放電賦值為(0,0),(0,1),(1,0),(1,1)。

一個隱含層能夠實現(xiàn)權值逼近,達到識別效果。

(3)確定神經(jīng)元數(shù)量。

輸入層神經(jīng)元的數(shù)量是3,本文選取放電幅值、放電相位和放電次數(shù)作為電纜局部放電特征量,分別對應輸入層的3個神經(jīng)元。

輸出層中的神經(jīng)元數(shù)量是2,因為局部放電類型的數(shù)量是4,分別用(0,0),(0,1),(1,0),(1,1)表示,兩個神經(jīng)元就可以達到效果。

隱含層中神經(jīng)元數(shù)量的選取比較復雜,應根據(jù)訓練過程進行調整[4]。數(shù)量過少會影響識別準確度,數(shù)量過多會導致網(wǎng)絡運算量過大,堆棧溢出。

(4)初始化權重。

在開始階段,我們可以給網(wǎng)絡權重賦予一個隨機值,一般在-1和1之間。

(5)確定學習速率、期望誤差、最大訓練次數(shù)。

在BP神經(jīng)網(wǎng)絡訓練過程中,系統(tǒng)不斷調整權重閾值。合理的學習速率設置能夠使權重和閾值的調整快速準確,根據(jù)經(jīng)驗設置它的值為0.01。

期望誤差的作用是用來判斷迭代運算是否結束,當其值大于運算結果時,識別過程結束,反之網(wǎng)絡將繼續(xù)調整權重和閾值。根據(jù)經(jīng)驗設置它的值為0.001。

通常我們將設置一個最大訓練次數(shù)的參數(shù)值,當網(wǎng)絡運行的迭代次數(shù)大于此值,但仍沒有小于期望誤差時,可以結束訓練。根據(jù)經(jīng)驗設置它的值為5000。

采用BP神經(jīng)網(wǎng)絡算法的四種典型電纜絕緣缺陷模型的局部放電信號模式識別結果如表1所示。

由表1可以看出,利用BP神經(jīng)網(wǎng)絡能夠達到對電纜典型絕緣缺陷模型局部放電信號的識別效果,總體平均識別正確率為91.75%,證明了利用BP神經(jīng)網(wǎng)絡技術識別電纜局部放電類型的可行性。

一些信號如果僅憑運維人員的經(jīng)驗人工判斷,很難識別出它的缺陷類型,但是運用BP神經(jīng)網(wǎng)絡算法可以達到目的,且準確率較高。對于那些BP神經(jīng)網(wǎng)絡無法識別的特殊信號,我們分析其原因,是特征數(shù)據(jù)選取得不夠全面。

5問題與研究方向

BP神經(jīng)網(wǎng)絡算法用于不同絕緣缺陷引起的電纜局部放

電信號分類,整體識別率較高,然而,沿面放電識別效果低于其他三種放電類型。

所以,如何實現(xiàn)放電類型精確識別將成為我們的研究方

向?？梢酝ㄟ^完善特征向量、健全局部放電指紋庫、多種識別模式聯(lián)合使用等方法,去除冗余信息,匯攏互補信息,獲得診斷結果的一次性解釋,提升識別的正確率和可靠性。

6結語

本文研究了BP神經(jīng)網(wǎng)絡的原理、結構及算法,并利用BP神經(jīng)網(wǎng)絡算法對電纜局部放電缺陷類型進行了模式識別。結果表明,該種識別方法具有較高的準確率,從而反映出將BP神經(jīng)網(wǎng)絡算法應用到電纜局部放電類型識別領域的可行性。