GIS局部放電檢測
傳統的局（jú）部（bù）放電識別方法完全取決於專家的知識和經驗，具有很大的局限性。依靠局部放電在線監測係（xì）統（tǒng），能夠獲得比目測更豐富的局部放電信息，能夠反映出不同局部（bù）放電類型更細微的差異，通過計算（suàn）機自動識別，能夠反映出局部放電模式更細微的特征差異。下（xià）圖描（miáo）述了局部放電模式識別的基本（běn）過程（chéng），可以大致分為數據獲（huò）取、預處理、放電模式構造、特（tè）征提取和模式分類五個主要部（bù）分，由計算機最終完（wán）成局部（bù）放電模式分類就實現了局部放電（diàn）模式識別。
局部（bù）放電模式識別原理框圖
大量的研究表明：人工神經網絡以其良好的魯棒性（xìng）、自適應能力和（hé）非線性映射能力，特別適合作為缺陷類（lèi）型（xíng）與故障現象存在複雜映射關係的局（jú）部放電模（mó）式的分類器。
對模式（shì）識別，常用一組與分類（lèi）有關的參數來描述，也就是識別係統的特征。對任何一個係統，特（tè）征參數越多，描述越詳盡，對該係統的（de）識別越深刻（kè）。因此在模式識（shí）別（bié）中（zhōng），把多個分類器的輸出信息集成起來進行分類決策是解決複雜分類問題的一種有效方法。近幾（jǐ）年來，很多學者己對這方（fāng）麵作了深入的研究，提出了一些算法如貝葉（yè）斯、Dempster-Shafer(簡為D-S)聯合、BKS等（děng）。但是這些算法都是基於（yú）抽象級（jí）信息的（de）集成，對分類器的輸出信（xìn）息沒能充分（fèn）利用，因此（cǐ）這些算法雖然在一定程度上提高了分類性能，但（dàn）還不能達到（dào）一個特別理想的效果。考慮到大部（bù）分的分類器能夠提供度量級的信息，如BP網（wǎng）絡，近鄰分類器等，而基於度量級信息的聯合能更好地（dì）利用各個分類器的輸出信息，因此，近來這些集成方法引起了研究人員的興趣。Hossein，Cho提出了利用Sugeno的模糊積分進行度量級的信息融合方法，取得了較好的效（xiào）果，其中的模糊積分密（mì）度值取自各（gè）分（fèn）類器的識別率。進一步研究表明，模糊積分密度的選取對於集成係統的性能起關鍵作用，同時分類器的識別率並非是模糊積分密度的最優（yōu）值。因此研究模糊（hú）積分密度函數非常有意義。可以利用遺傳算（suàn）法在組合優（yōu）化（huà）方麵的能力，提出利（lì）用遺傳（chuán）算法來尋找每個分類器的最優模糊（hú）積分密（mì）度的方法，實驗表明，采用該方法，集成係統的性（xìng）能有明顯的提高。
但目前由於模（mó）式識別的ANN模型很多，用神經網絡進行識別時，要求（qiú）有（yǒu）足夠、豐（fēng）富且正交完備的訓練樣本集，否則，就會使係統的性能（néng）變差，降低係統識別率。由於一些樣本是難於做到這點，因（yīn）此，在實際（jì）中，難以訓練出識別率較高的網絡，而且，神經網絡在識別局部放電時（shí），當識別樣本所含幹擾（rǎo）比較（jiào）大時，網絡容易產生誤識。
自然界中的許多現象和形態具有其（qí）複雜性和不規則性，由於傳統的幾（jǐ）何學利用整數維來描述對象，對（duì）於事物的複雜性和不規則性（xìng）缺乏足夠的分（fèn）辨能力。而Mandelbrot提出的（de）分形理論（lùn），突（tū）破了傳統幾何學中維數的（de）限製（zhì），認為複雜體的幾何維數（shù）可以是分數。分形理論認為（wéi）事物（wù）具（jù）有自相似、自放射或統計自相似等層次結構。分形（xíng）幾何的主要價值是（shì）在極端有序和真正混沌之間提供了一種中間可能性（xìng）。分形引入分形維的概念，使得本來十分複（fù）雜的事物，事實上可（kě）用僅含很少參數的（de）簡單公式來描述。然而，對於自然界大量存在的（de）無規分形，不像數學上（shàng）的有規分形，具有在（zài）無窮尺度上的自相似性，它隻是在一定範圍內存在，也就是說在一定尺度範圍內具有分形性，這個尺度範圍稱為無標度區分維數概（gài）念。無標度（dù）區是研究無（wú）規分形的基礎，分形特征（zhēng）隻能在無標度區內進行分析。局部放電現象屬無規（guī）分形範疇，因此，隻能在無標度區內提取其分形特征。分維數也稱作分形維數，是描述分形集合複雜性的一種數量，也是分（fèn）形（xíng）特征的基（jī）本參（cān）數，對研究複雜現象有很（hěn）大意義。針對不同的研究對象，分維數的定義有多種形式，有時它們都有意（yì）義並可能相等，而有時卻隻有某些維數有（yǒu）意（yì）義並且不相等，因此，對分維數還（hái）需要進行進（jìn）一步的深入研究。本文從局部放電（diàn）模式識別研究的實（shí）際應用角度來討論幾個常用的分維數，主要（yào）有豪斯道夫維數、盒（hé）維（wéi）數、關（guān）聯維數（shù）和（hé）信息維數。
小波與分形是近年來才（cái）發展起的新的數學理論，直觀（guān）的說，小波就是人們可以觀察（chá）到的最短、最簡單的振動。小波分析是傅立葉分析的重要發展，它既保留了傅氏理論的優點（diǎn），又克（kè）服了它的不足。小波分析是基（jī）於一簇由母波函數生成的“相似”函數（shù）一一子波而展開的。由這組相似函數的不同伸縮和平移構成平方可積函數空間L2(R)的仿射構架，甚至是正交集，從（cóng）而穩定地逼近任意給定的隱射關係。由於小波函數的定義，使得它一出現就（jiù）和分形理（lǐ）論有了不解之緣。小波（bō）總是從遠到近觀（guān）察形體一一被譽為數學顯微鏡，它具有的放大和移位功能（néng），與分形的（de）本質是一樣的，即尺（chǐ）度變換。所以根據她們這種內在的（de）聯係。運（yùn）用到局部放電（diàn）模式識別中，可以相互補充，既（jì）減少了特征量的冗餘度，有避免了（le）冗長的數學計算還可以提高模（mó）式識別（bié）的準確率，是今後研究模式識別的一種可行的方法。
關注微信公（gōng）眾（zhòng）號