基于HHT和概率神經網絡的變壓器局部放電故障識別

公茂法 魏景禹 姜文 接怡冰 公政 王萬樂

摘 要： 為解決傳統傅里葉變換和小波分解對變壓器局部放電信號非平穩性的分析缺陷，以及BP神經網絡易陷入局部極小點等問題，提出一種基于希爾伯特能量聚類和概率神經網絡的變壓器局部放電識別算法。算法利用希爾伯特?黃變換提取局部放電信號的希爾伯特能量譜，然后進行指數族聚類計算獲得特征值，最后利用概率神經網絡進行分類識別。分別對油中懸浮放電、沿面放電等放電類型進行模擬實驗，并用此算法進行分析，實驗結果表明，該算法所提取的特征值有較高的可分性，且分類識別率高，可以有效地識別變壓器局部放電故障類型。

關鍵詞： 希爾伯特?黃變換; 概率神經網絡; 指數聚類; 模態分解; 局部放電; 變壓器

中圖分類號： TN711?34; TM85 文獻標識碼： A 文章編號： 1004?373X（2018）09?0152?05

Abstract： Since the traditional Fourier transform and wavelet decomposition have the defect for the non?stationary analysis of transformer partial discharge （PD） signal， and the BP neural network is easily to fall into the local minimum， a transformer partial discharge identification algorithm based on Hilbert energy clustering and probabilistic neural network （PNN） is proposed. The Hilbert?Huang transform （HHT） is used to extract the Hilbert energy spectrum of PD signals， and then the exponential family calculation is performed to obtain the feature values. The PNN is used to classify and identify the feature values. The simulation experiment was carried out for the discharge types of suspended discharge and surface discharge in oil， which are analyzed with the proposed algorithm. The experimental results show that the feature values extracted by this algorithm has high separability， and the algorithm has high classification identification efficiency， and can identify the fault types of transformer PD effectively.

Keywords： Hilbert?Huang transform; probabilistic neural network; exponential clustering; mode decomposition; partial discharge; transformer

0 引 言

局部放電故障類型是評估高壓電力設備絕緣狀態的重要技術指標之一，不僅反映絕緣狀態水平，還可估算電力設備絕緣的使用壽命。因此對變壓器局部放電故障識別算法的研究顯得尤為重要。近年來，對放電信號的處理分析大多由傅里葉變換轉換為能夠進行時頻局域化分析的小波變換，這兩種方法對平穩信號都有良好的處理效果，但是，這些算法不能隨信號本身時間和頻率的變化由自身做出調整，不能客觀反映出真實的信號特性[1]。文獻[2]在列車軸承機械故障診斷中應用希爾波特?黃變換（Hilbert?Huang Transform，HHT）中的EEMD方法，取得了良好的效果。HHT是一種適用于非線性和非平穩信號的處理方法，提高了分解時對時頻的適應能力。

同時，人工神經網絡在模式識別技術中得到了越來越多的應用。文獻[3?4]闡明了人工神經網絡在模式識別上的重要地位，并應用于放電識別。文獻[5?6]分別用BP神經網絡和支持向量機對局部放電模式進行識別，效果良好。但在研究中發現，BP神經網絡存在收斂速度慢、易陷入局部極小點等問題難以避免，同時支持向量機并不適合用于大樣本多分類的問題。隨著神經網絡的發展，提出概率神經網絡（Probabilistic Neural Network，PNN）。文獻[7]利用概率神經網絡的非線性映射分類能力實現逆變器的故障診斷，表現出PNN在模式識別中穩定性高、抗噪聲能力強、診斷速度快和正確率高的優勢。

針對以上問題，本文基于HHT和概率神經網絡，提出一種希爾伯特能量聚類與概率神經網絡相結合的變壓器局部放電故障識別算法。該算法可以較好地避免特征提取過程中能量的損失，提高特征值的分辨性，同時計算速度快，不需要識別網絡的優化，提高了局部放電識別的速度和精度。

1 局部放電信號分析和希爾伯特?黃變換

變壓器中的局部放電脈沖均存在振蕩分量，且大部分放電持續時間在100～300 ns，不同的放電類型其脈沖持續時間、波形的上升和下降沿所用時間，以及波形振動分量等諸多特性存在差異，為放電脈沖類型的識別提供了依據。但是實際測得的波形中存在諸多干擾分量，且為非線性、非平穩信號，本文采用HHT對原始信號進行處理。

在HHT中，瞬時頻率是非常重要的概念，與傳統的頻率不同，瞬時頻率表征信號在局部時間點上瞬態頻率特性，整個持續期上的瞬時頻率反映了信號頻率的時變規律，據此可以對信號特征值進行提取。

對信號的時間序列[Xt]進行Hilbert變換，可得：

然而，單純的Hilbert變換會濾掉信號中的諧波，造成信號失真，因此結合經驗模態分解（Empirical Mode Decomposition，EMD）可以從原始信號中篩選出固有模態（Intrinsic Mode Function，IMF）。將滿足條件的IMF分量通過多次篩選后獲得，即EMD，具體方法可參考文獻[8?9]。每個IMF分量的頻率和尺度隨信號的變化而改變，對油中懸浮放電信號進行EMD的結果如圖1所示，其中imf1～imf8為IMF分量，[r]為殘留余項。

在此，由于余項[rn（t）]的能量很小，只是單調函數或常量，一般不予考慮。

由HHT變換得來的放電信號可以進一步表示為幅值、頻率和時間的函數，即Hilbert譜[10][H（w，t）]。

2 基于概率神經網絡的模式識別

概率神經網絡是一種被概率統計學普遍認可的決策策略，其理論依據是貝葉斯最小風險準則，適合模式分類。其基于非線性算子模式后驗概率輸出和用Parzen窗的概率密度函數估計的方法，使得PNN網絡結構簡單、訓練簡潔，且收斂速度很快，有理想的分類能力[11]。PNN結構由其原理決定，包括輸入層、模式層、求和層和競爭層。

PNN網絡的具體設計根據處理問題的具體情況確定。將原始數據進行歸一化處理后，形成輸入特征矩陣[Xmn，]其中，[m]為特征值維數，對應輸入層有[m]個神經元，[n]為輸入樣本個數。

模式層的核心是基于歐氏距離下的高斯核函數，將輸入特征樣本與訓練樣本的距離通過高斯核函數的徑向基非線性映射后得到輸出向量，是實現PNN中非線性算法高精度特性的一個重要步驟，表達式如下：

模式層完成的是計算輸入特征矩陣與各個模式的匹配關系，按照固定的函數進行輸出。

求和層即對模式層輸出的同一類別的樣本進行概率歸總，因此，求和層神經元數目對應訓練樣本故障類別[k，]每個類別匯總采用Parzen窗的概率密度函數：

競爭層的神經元個數[l]取決于輸出分類的種類或組合。競爭層將求和層得出的最大后驗概率密度的一組種類作為網絡的最終輸出。

3 仿真實驗

3.1 信號分析和算法提出

變壓器局部放電原因比較多，放電類型也多種多樣，本文在實驗室條件下搭建變壓器放電模型構造4種局部放電模型：油中懸浮放電、油中沿面放電、油中氣隙放電和空氣中針板放電，分別對應圖2a）～圖2d）。模擬實驗共提取樣本數據40組，其中30組作為訓練樣本，10組為測試樣本。

首先，對4種放電信號進行HHT后，得到信號對應于幅值和時頻的Hilbert譜，再將Hilbert譜匯總為邊際譜，如圖3a）～圖3d）所示分別為4種變壓器局部放電的邊際譜和局部放大的邊際譜。由圖3可以看出，不同的放電類型放電波形的頻率有較大差異，且幅值主要集中分布在低頻端，能量集中，在放大的局部圖譜中可以看出在不同頻率的含量上有著明顯的差異，因此對時頻譜按指數進行數據聚類，同時結合希爾伯特能量譜，實現對Hilbert譜按指數分布族提取能量特征值。

3.2 故障識別和結果分析

根據表1提取的特征值維數和數目，設置PNN網絡結構為9?30?4?4。最后將用HHT變換得到的特征值送入設定好的PNN進行訓練和測試，為做對比，同時將由小波變換（Wavelet Transform，WT）提取的能量特征值送入PNN進行訓練和測試，實驗結果如圖4所示。

由圖4可以看出，網絡訓練時，在同樣分類器的條件下，經HEC算法得到的特征值使PNN對局部放電故障分類的準確率有明顯提高，同時，結合圖5的測試結果可以看出，在同樣的網絡下，識別的準確率有明顯差異，表明該算法能有效提高信號特征值自身的可分性。另外，注意到由小波能量值作為特征值的測試和訓練中，其誤差多出現在油中懸浮放電和油中沿面放電之間，這是由于信號特征相似度高，且小波分解的尺度固定，使頻率適應性不足，視頻分解不精確，對特征提取產生了影響。

從表2中可以看出，基于同樣識別網絡的條件下，WT?PNN的識別率為80%，明顯小于HEC?PNN算法95%的識別率，WT算法所得特征值影響了網絡識別的正確率，對比識別錯誤樣本后發現，在WT算法下識別錯誤的樣本有三種，而HEC算法可以減少錯誤樣本的識別數量，對于油中懸浮放電和空氣中針板放電的識別率能夠達到100%;在同樣特征值提取算法的條件下，PNN網絡對多種類的分類識別準確率要高于BP神經網絡，在多分類樣本的應用中有明顯的優勢。

4 結 論

目前，傅里葉變換以及小波等算法已經廣泛應用于信號處理，但是其對于非線性和非平穩信號的分析有著固有的缺陷。針對這種情況，本文基于希爾伯特?黃變換分解局部放電信號，并通過希爾伯特能量圖譜分析局部放電信號的信號特點，提出希爾伯特能量聚類算法，克服了小波分解尺度不可變的缺陷，提高了特征值自身的可分性，使分類效果更加明顯。算法中結合PNN作為局部放電故障識別的分類器，識別效果優于BP神經網絡，具有更快的運算識別速度和更高的識別率，同時有著較好的擴展性。

參考文獻

[1] 李劍，寧佳欣，金卓睿，等.變壓器局部放電在線監測超高頻Hilbert分形天線研究[J].電力自動化設備，2007，27（6）：31?35.

LI Jian， NING Jiaxin， JIN Zhuorui， et al. Research on UHF Hilbert fractal antenna for online transformer PD monitoring [J]. Electric power automation equipment， 2007， 27（6）： 31?35.

[2] 王旭，彭暢，張振先.基于EEMD的共振解調技術在列車軸承故障診斷中的應用[J].現代電子技術，2015，38（21）：24?27.

WANG Xu， PENG Chang， ZHANG Zhenxian. Application of EEMD based resonance demodulation technology in train bea?ring fault diagnosis [J]. Modern electronics technique， 2015， 38（21）： 24?27.

[3] DANIKAS M G， GAO N， ARO M. Partial discharge recognition using neural networks： a review [J]. Electrical enginee?ring， 2003， 85（2）： 87?93.

[4] HOZUMI N， OKAMOTO T， IMAJO T. Discrimination of partial discharge patterns using neural network [J]. IEEE transactions on electrical insulation， 1992， 27（3）： 550?556.

[5] 鄧雨榮，郭麗娟，郭飛飛，等.引入二代小波的自適應BP神經網絡局部放電故障識別[J].電力建設，2013，34（6）：87?91.

DENG Yurong， GUO Lijuan， GUO Feifei， et al. Partial discharge fault identification by using adaptive BP neural network based on second generation wavelet [J]. Electric power construction， 2013， 34（6）： 87?91.

[6] 任先文，薛雷，宋陽，等.基于分形特征的最小二乘支持向量機局部放電模式識別[J].電力系統保護與控制，2011，39（14）：143?147.

REN Xianwen， XUE Lei， SONG Yang， et al. The pattern recognition of partial discharge based on fractal characteristics using LS?SVM [J]. Power system protection and control， 2011， 39（14）： 143?147.

[7] 袁國森，張彼德，李明昆，等.基于極值比值法和神經網絡的逆變器故障診斷[J].電測與儀表，2016（14）：34?38.

YUAN Guosen， ZHANG Bide， LI Mingkun， et al. Fault diagnosis for inverter based on extremum value ratio and probabilistic neural network [J]. Electrical measurement & instrumentation， 2016（14）： 34?38.

[8] 盧麗.EMD方法在局部放電超聲信號提取中的應用[J].現代電子技術，2009，32（3）：137?139.

LU Li. Application of EMD method in extracting ultrasonic signals of transformer partial discharge [J]. Modern electronics technique， 2009， 32（3）： 137?139.

[9] 許峰，李開成，王可.基于EMD和卡爾曼濾波的振蕩信號檢測[J].電測與儀表，2015，52（24）：60?64.

XU Feng， LI Kaicheng， WANG Ke. The detection of oscillation signal based on EMD and Kalman filter [J]. Electrical measurement & instrumentation， 2015， 52（24）： 60?64.

[10] 李成榕，王彩雄，唐志國，等.基于聚類分析的變壓器局部放電智能診斷的研究[J].華北電力大學學報（自然科學版），2008，35（6）：7?12.

LI Chengrong， WANG Caixiong， TANG Zhiguo， et al. Study of intelligent diagnosis of transformers partial discharge based on cluster analysis [J]. Journal of North China Electric Power University （natural science edition）， 2008， 35（6）： 7?12.

[11] PERERA N， RAJAPAKSE A. Recognition of fault transients using a probabilistic neural?network classifier [J]. IEEE tran?sactions on power delivery， 2011， 26（1）： 410?419.