引言

21世紀(jì),計算機(jī)科學(xué)進(jìn)入了飛速發(fā)展的階段,先進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)和算法大量應(yīng)用于人工智能領(lǐng)域,模式識別理論和技術(shù)也隨之取得了巨大進(jìn)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(jìn)行人工分析判斷,精準(zhǔn)度不高。計算機(jī)模式識別方法在局部放電類型識別領(lǐng)域的應(yīng)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(zhǔn)確性和效率。

本文將利用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(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(jìn)行處理分析,進(jìn)而識別局部放電類型。

1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理

BPNN作為一種成熟的人工神經(jīng)網(wǎng)絡(luò)模型,已在許多領(lǐng)域得到應(yīng)用。常用的BPNN結(jié)構(gòu)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(gòu)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(quán)重線,但(I)和(o)的各神經(jīng)元之間沒有權(quán)重線連接。網(wǎng)絡(luò)調(diào)節(jié)通過權(quán)重線的權(quán)重來調(diào)整輸出。

BP神經(jīng)網(wǎng)絡(luò)兼具學(xué)習(xí)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(luò)將進(jìn)行反向傳播,通過調(diào)整各層級間的權(quán)重[w],同時需要設(shè)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(nèi),最終使[y]逼近[r]。

BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)權(quán)值逼近需要激活函數(shù)的引入,這樣可以在網(wǎng)絡(luò)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(luò)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(dá)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(dǎo),f'(x)≥0,當(dāng)且僅當(dāng)在f(x)=0,1時,f'(x)=0,在f(x)=1/2時,f'(x)max=1/4。權(quán)值逼近以梯度下降法為基礎(chǔ),而權(quán)值與激活函數(shù)導(dǎo)數(shù)成正比關(guān)系,當(dāng)激活函數(shù)在0附近時,權(quán)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(quán)值逼近,實現(xiàn)網(wǎng)絡(luò)的收斂。

2BP神經(jīng)網(wǎng)絡(luò)算法

通過學(xué)習(xí)和訓(xùn)練,BP神經(jīng)網(wǎng)絡(luò)在閾值范圍內(nèi)形成輸入和輸出之間的某種特定的映射關(guān)系。在訓(xùn)練過程中,廣義的6法則是調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)值的常用訓(xùn)練算法。

我們先做一下設(shè)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(yīng)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(quán)重矩陣,[Bj]表示(丑)閾值矩陣,[Kwj]表示(丑)與(O)權(quán)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(nèi)處理,更加便捷快速。

(2)初始化網(wǎng)絡(luò)權(quán)重。在開始階段,我們可以給網(wǎng)絡(luò)權(quán)重賦予一個隨機(jī)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(xùn)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(xué)習(xí)過程結(jié)束,s為規(guī)定的正數(shù):

(6)若E>s,我們需要對權(quán)重進(jìn)行調(diào)節(jié):

式中,a為學(xué)習(xí)速度。

不斷重復(fù)(3)至(6)的計算過程,直至收斂。

當(dāng)完成網(wǎng)絡(luò)訓(xùn)練階段后,便可以利用BP神經(jīng)網(wǎng)絡(luò)建立確定映射關(guān)系進(jìn)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(xué)習(xí)速率和訓(xùn)練樣本個數(shù)的設(shè)定都會影響B(tài)P神經(jīng)網(wǎng)絡(luò)算法的識別效果,所以合理的設(shè)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(yīng)的時域波形如圖4~7所示。

在進(jìn)行模式識別之前,我們要對電纜局部放電信號進(jìn)行特征提取,特征量的選取直接影響識別結(jié)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(fù)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(luò)的電纜局部放電類型模式識別

依托BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電纜局部放電類型模式識別的參數(shù)設(shè)置如下:

(1)設(shè)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(xùn)練BP神經(jīng)網(wǎng)絡(luò),剩余30個作為檢測樣本,用來檢驗?zāi)Ｊ阶R別效果。

(2)設(shè)置網(wǎng)絡(luò)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(luò)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?qū)崿F(xiàn)權(quán)值逼近,達(dá)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(yīng)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(dá)到效果。

隱含層中神經(jīng)元數(shù)量的選取比較復(fù)雜,應(yīng)根據(jù)訓(xùn)練過程進(jìn)行調(diào)整[4]。數(shù)量過少會影響識別準(zhǔn)確度,數(shù)量過多會導(dǎo)致網(wǎng)絡(luò)運算量過大,堆棧溢出。

(4)初始化權(quán)重。

在開始階段,我們可以給網(wǎng)絡(luò)權(quán)重賦予一個隨機(jī)值,一般在-1和1之間。

(5)確定學(xué)習(xí)速率、期望誤差、最大訓(xùn)練次數(shù)。

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,系統(tǒng)不斷調(diào)整權(quán)重閾值。合理的學(xué)習(xí)速率設(shè)置能夠使權(quán)重和閾值的調(diào)整快速準(zhǔn)確,根據(jù)經(jīng)驗設(shè)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(jié)束,當(dāng)其值大于運算結(jié)果時,識別過程結(jié)束,反之網(wǎng)絡(luò)將繼續(xù)調(diào)整權(quán)重和閾值。根據(jù)經(jīng)驗設(shè)置它的值為0.001。

通常我們將設(shè)置一個最大訓(xùn)練次數(shù)的參數(shù)值,當(dāng)網(wǎng)絡(luò)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(jié)束訓(xùn)練。根據(jù)經(jīng)驗設(shè)置它的值為5000。

采用BP神經(jīng)網(wǎng)絡(luò)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(jié)果如表1所示。

由表1可以看出,利用BP神經(jīng)網(wǎng)絡(luò)能夠達(dá)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(luò)技術(shù)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(luò)算法可以達(dá)到目的,且準(zhǔn)確率較高。對于那些BP神經(jīng)網(wǎng)絡(luò)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(luò)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。可以通過完善特征向量、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(bǔ)信息,獲得診斷結(jié)果的一次性解釋,提升識別的正確率和可靠性。

6結(jié)語

本文研究了BP神經(jīng)網(wǎng)絡(luò)的原理、結(jié)構(gòu)及算法,并利用BP神經(jīng)網(wǎng)絡(luò)算法對電纜局部放電缺陷類型進(jìn)行了模式識別。結(jié)果表明,該種識別方法具有較高的準(zhǔn)確率,從而反映出將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到電纜局部放電類型識別領(lǐng)域的可行性。