基于BP神经网络算法的电缆局部放电类型模式识别

引言

21世纪,计算机科学进入了飞速发展的阶段,先进的网络结构和算法大量应用于人工智能领域,模式识别理论和技术也随之取得了巨大进步。以往局部放电类型的识别主要依靠运维人员的经验,根据局部放电图谱进行人工分析判断,精准度不高。计算机模式识别方法在局部放电类型识别领域的应用改变了人工识别的现状,这种方法大幅提高了识别的准确性和效率。

本文将利用误差反向传播神经网络(BPNN)算法,对xLPE电缆典型绝缘缺陷产生的局部放电信号的特征参数进行处理分析,进而识别局部放电类型。

1BP神经网络的结构及原理

BPNN作为一种成熟的人工神经网络模型,已在许多领域得到应用。常用的BPNN结构如图1所示,按功能可以划分为输入层(I)、隐含层(H)和输出层(o)。其中只有一个(I)和(o),但(H)的个数可以根据需要建立一个或多个。每个层级由一些具有简单数据处理功能的神经元构成,神经元的个数可多可少。用连线将不同层级的神经元连接起来,我们称这些连线为权重线,但(I)和(o)的各神经元之间没有权重线连接。网络调节通过权重线的权重来调整输出。

BP神经网络兼具学习和记忆功能。输入层输入值[x]正向传播到输出层,生成的输出值[y]和期望值[r]之间产生误差,然后网络将进行反向传播,通过调整各层级间的权重[w],同时需要设定隐含层和输出层各节点的阈值,不断减小系统[y]和[7]的差值,将其控制在阈值范围内,最终使[y]逼近[r]。

BP神经网络算法实现权值逼近需要激活函数的引入,这样可以在网络中引入非线性,非线性能够解决线性不可分问题。没有激活函数的神经网络始终都是一个线性映射,无法解决线性不可分问题。常用的激活函数是s(Logistic)函数类中的双曲正切函数和sigmoid函数。式(1)为sigmoid函数的表达式:

sigmoid函数的值域为[0,1],且在1/2处中心对称,在定义域连续可导,f'(x)≥0,当且仅当在f(x)=0,1时,f'(x)=0,在f(x)=1/2时,f'(x)max=1/4。权值逼近以梯度下降法为基础,而权值与激活函数导数成正比关系,当激活函数在0附近时,权重的改变最大。根据以往经验和局放信号的特点,选择sigmoid函数有益于权值逼近,实现网络的收敛。

2BP神经网络算法

通过学习和训练,BP神经网络在阈值范围内形成输入和输出之间的某种特定的映射关系。在训练过程中,广义的6法则是调整BP神经网络权值的常用训练算法。

我们先做一下设定:输入层神经元个数为I,隐含层神经元个数为J,输出层神经元个数为K,相应各层神经元的编号为i=1,2,…,I;j=1,2,…,J;w=1,2,…,K。[Hij]表示(I)与(丑)权重矩阵,[Bj]表示(丑)阈值矩阵,[Kwj]表示(丑)与(O)权重矩阵,[Bw]表示(O)阈值矩阵。

算法步骤如下:

(1)数据样本归一化处理。把数变为(0,1)之间的小数主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。

(2)初始化网络权重。在开始阶段,我们可以给网络权重赋予一个随机值,一般在-1和1之间。

(3)计算隐含层的输出[H]:

(4)计算输出层的输出[y]:

(5)首次训练以输入值本身作为期望输出值,求出均方差E,若E≤s,则学习过程结束,s为规定的正数:

(6)若E>s,我们需要对权重进行调节:

式中,a为学习速度。

不断重复(3)至(6)的计算过程,直至收敛。

当完成网络训练阶段后,便可以利用BP神经网络建立确定映射关系进行电力电缆绝缘缺陷类型的识别,其流程如图2所示。

神经元个数、隐含层层数、学习速率和训练样本个数的设定都会影响BP神经网络算法的识别效果,所以合理的设定十分必要。

3电缆绝缘缺陷类型及局部放电信号特征提取

几种常见的电缆缺陷有:沿面放电、悬浮放电、气泡放电、绝缘受潮放电,其模型如图3所示。

与之对应的时域波形如图4~7所示。

在进行模式识别之前,我们要对电缆局部放电信号进行特征提取,特征量的选取直接影响识别结果。目前,电缆局部放电特征量有放电幅值、放电相位、放电次数、重复率等,常用的提取方法有傅里叶变换、小波分析、图像矩阵等方法。

4基于4P神经网络的电缆局部放电类型模式识别

依托BP神经网络技术进行电缆局部放电类型模式识别的参数设置如下:

(1)设置样本参数。

对每种电缆局部放电模型各采集60个数据样本,其中30个用来训练BP神经网络,剩余30个作为检测样本,用来检验模式识别效果。

(2)设置网络层数。

一个输入层代表电缆局部放电信号的特征量。

一个输出层代表局部放电类型,4种局部放电类型作为BP神经网络的期望输出,把沿面放电、悬浮放电、气泡放电、绝缘受潮放电赋值为(0,0),(0,1),(1,0),(1,1)。

一个隐含层能够实现权值逼近,达到识别效果。

(3)确定神经元数量。

输入层神经元的数量是3,本文选取放电幅值、放电相位和放电次数作为电缆局部放电特征量,分别对应输入层的3个神经元。

输出层中的神经元数量是2,因为局部放电类型的数量是4,分别用(0,0),(0,1),(1,0),(1,1)表示,两个神经元就可以达到效果。

隐含层中神经元数量的选取比较复杂,应根据训练过程进行调整[4]。数量过少会影响识别准确度,数量过多会导致网络运算量过大,堆栈溢出。

(4)初始化权重。

在开始阶段,我们可以给网络权重赋予一个随机值,一般在-1和1之间。

(5)确定学习速率、期望误差、最大训练次数。

在BP神经网络训练过程中,系统不断调整权重阈值。合理的学习速率设置能够使权重和阈值的调整快速准确,根据经验设置它的值为0.01。

期望误差的作用是用来判断迭代运算是否结束,当其值大于运算结果时,识别过程结束,反之网络将继续调整权重和阈值。根据经验设置它的值为0.001。

通常我们将设置一个最大训练次数的参数值,当网络运行的迭代次数大于此值,但仍没有小于期望误差时,可以结束训练。根据经验设置它的值为5000。

采用BP神经网络算法的四种典型电缆绝缘缺陷模型的局部放电信号模式识别结果如表1所示。

由表1可以看出,利用BP神经网络能够达到对电缆典型绝缘缺陷模型局部放电信号的识别效果,总体平均识别正确率为91.75%,证明了利用BP神经网络技术识别电缆局部放电类型的可行性。

一些信号如果仅凭运维人员的经验人工判断,很难识别出它的缺陷类型,但是运用BP神经网络算法可以达到目的,且准确率较高。对于那些BP神经网络无法识别的特殊信号,我们分析其原因,是特征数据选取得不够全面。

5问题与研究方向

BP神经网络算法用于不同绝缘缺陷引起的电缆局部放

电信号分类,整体识别率较高,然而,沿面放电识别效果低于其他三种放电类型。

所以,如何实现放电类型精确识别将成为我们的研究方

向。可以通过完善特征向量、健全局部放电指纹库、多种识别模式联合使用等方法,去除冗余信息,汇拢互补信息,获得诊断结果的一次性解释,提升识别的正确率和可靠性。

6结语

本文研究了BP神经网络的原理、结构及算法,并利用BP神经网络算法对电缆局部放电缺陷类型进行了模式识别。结果表明,该种识别方法具有较高的准确率,从而反映出将BP神经网络算法应用到电缆局部放电类型识别领域的可行性。