在GIS設備上最早提出應用聲（shēng）方法測量局部放（fàng）電的是Graybill，他（tā）在1974年描（miáo）述了使用手提聲傳感器測量的方法。隨（suí）後，在1979年，Harrold提出了聲測法在電（diàn）力係（xì）統中廣泛應用的可能，並論述了應用前景。早期提（tí）出的聲測法是利用（yòng）聽覺範（fàn）圍（wéi）內的聲波進行檢測，但是隨著環境噪聲的增加，這種依靠聽（tīng）覺範圍進行檢測的方法變得越來越不適用，後來逐漸改為利用超聲範圍的聲波進行局部放電的檢測，取得了良好的效果。利用超聲波進行局部放電的檢測已經有20年之久，實踐證明利用超聲（shēng）波法對GIS局部放電進行檢測是有效的，特別是對移動金屬（shǔ）顆粒引起的局（jú）部放電，檢測（cè）靈（líng）敏性很高（gāo）。人們發現不同的缺陷引起（qǐ）的局（jú）部放電所產（chǎn）生的超聲波形並不一樣（yàng），利用這些不同點（diǎn）就可以（yǐ）對缺陷類（lèi）型進行（háng）判斷和定位，所以開始了模式識別的研究。L.E.lundgaard等人研究了GIS中局部放電超聲波信號的模式識別，Hucher和Kranz也提出了將超聲波脈衝波形轉換至（zhì）頻（pín）域，利用頻譜特征進行識別的方法。隨著研究的深入，目前許多成品檢測設備已經被研製出來並投入使用（yòng），比（bǐ）如由挪威TransiNor As公（gōng）司的Schei研製出一種超聲波絕緣分析器AIA，VA-Tech研製出的集超聲波和超高頻檢測於一體的且具備自動模式識別的DIALOG係（xì）統。國內的不少高（gāo）校和公司（sī）也對超聲波檢測法（fǎ）進（jìn）行了許多（duō）研究，揚州國浩電氣有限公司也開發（fā）出了基於超聲波檢測法的局部放（fàng）電測試儀（yí）。
目前，對基於超聲波法的局部放電檢測理論已經研究的比較成熟，超聲波檢測法已經在現場得到了廣（guǎng）泛的應用，許多基於超聲波檢測法的局部放電檢測設備也已投人使用。隨著這些檢測設備的投入使用，現場使用人員反饋得來的信息是這些設備的檢測效率較低而且對數據進行分析的（de）能力（lì）很（hěn）有限。現場使用的（de）超（chāo）聲波測試儀僅（jǐn）僅對檢測（cè）得到（dào）的超聲波信號進行幅值計算、超聲波對語音信號的轉換和監聽，對超聲波信號中（zhōng）包含的豐富的絕緣信息的利用率較低，這樣就造成了檢測的結果可靠性不高。伴（bàn）隨著電力電子技術、材料（liào）技術等的發展，這些（xiē）問題有望在不久的將（jiāng）來解決。
局部放電缺陷類型的識別研究在（zài）90年代（dài）開始引入模式識別（bié）的方（fāng）法，主要針對變壓器和GIS的（de）局部放電超聲信號，研究水平不高，尚（shàng）處於（yú）初（chū）級階段。神經網絡（Neural Network，NN）識別方法是（shì）一種遵循經驗（yàn）風險最小化原理而設計（jì）出的機器學習方法，目前被（bèi）研究和應用的比（bǐ）較（jiào）多。神經網絡（luò）識別方（fāng）法是基於Vapnik&Chervonenkis的（de）統計學習理（lǐ）論，這個理（lǐ）論是指如果數據服從某個固定但是未知的分布，要使機器的理想輸出（chū）和實際輸出之間的偏差盡量最小，也就是使機（jī）器的錯誤（wù）概率在上界最小化，學習機器就（jiù）需要滿足結構風險最小化的原理。這樣就可（kě）能使神經網絡的學習出（chū）現問題，因為訓練的誤差小並不等於預測結（jié）果誤差最小（xiǎo），會出現推廣能力（lì）變差的情況，增加了真實的風險。支持（chí）向量機（Support Vector Machine，SVM）是基於結構最（zuì）小化（huà）理論提出的，相對於神經網絡，它的（de）結構更為簡單（dān），泛化（huà）等能力得到了顯著的提高。支持向量機是一（yī）種新的（de）模式識別分類器（qì），對其的研究尚處於起步階段。支持向量機是一種基於統（tǒng）計理論的學（xué）習方法，可（kě）以在有限樣本的情況下，找到（dào）最優的（de）解，尤其適合處理分析小樣本數據，有較強（qiáng）的學習和泛化能力，在回歸估計和模式識別等方麵有強大的應用前景（jǐng），成為繼神經（jīng）網絡的後起（qǐ）之秀。
關注微（wēi）信公（gōng）眾號