基于BP神經(jīng)網(wǎng)絡(luò)算法的電纜局部放電類(lèi)型模式識(shí)別
掃描二維碼
隨時(shí)隨地手機(jī)看文章
引言
21世紀(jì),計(jì)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(shí)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(lèi)型的識(shí)別主要依靠運(yùn)維人員的經(jīng)驗(yàn),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(jì)算機(jī)模式識(shí)別方法在局部放電類(lèi)型識(shí)別領(lǐng)域的應(yīng)用改變了人工識(shí)別的現(xiàn)狀,這種方法大幅提高了識(shí)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(duì)xLPE電纜典型絕緣缺陷產(chǎn)生的局部放電信號(hào)的特征參數(shù)進(jìn)行處理分析,進(jìn)而識(shí)別局部放電類(lèi)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(gè)(I)和(o),但(H)的個(gè)數(shù)可以根據(jù)需要建立一個(gè)或多個(gè)。每個(gè)層級(jí)由一些具有簡(jiǎn)單數(shù)據(jù)處理功能的神經(jīng)元構(gòu)成,神經(jīng)元的個(gè)數(shù)可多可少。用連線(xiàn)將不同層級(jí)的神經(jīng)元連接起來(lái),我們稱(chēng)這些連線(xiàn)為權(quán)重線(xiàn),但(I)和(o)的各神經(jīng)元之間沒(méi)有權(quán)重線(xiàn)連接。網(wǎng)絡(luò)調(diào)節(jié)通過(guò)權(quán)重線(xiàn)的權(quán)重來(lái)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(guò)調(diào)整各層級(jí)間的權(quán)重[w],同時(shí)需要設(shè)定隱含層和輸出層各節(jié)點(diǎn)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(shí)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(xiàn)性,非線(xiàn)性能夠解決線(xiàn)性不可分問(wèn)題。沒(méi)有激活函數(shù)的神經(jīng)網(wǎng)絡(luò)始終都是一個(gè)線(xiàn)性映射,無(wú)法解決線(xiàn)性不可分問(wèn)題。常用的激活函數(shù)是s(Logistic)函數(shù)類(lèi)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?yàn)閇0,1],且在1/2處中心對(duì)稱(chēng),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(shí),f'(x)=0,在f(x)=1/2時(shí),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(shí),權(quán)重的改變最大。根據(jù)以往經(jīng)驗(yàn)和局放信號(hào)的特點(diǎn),選擇sigmoid函數(shù)有益于權(quán)值逼近,實(shí)現(xiàn)網(wǎng)絡(luò)的收斂。
2BP神經(jīng)網(wǎng)絡(luò)算法
通過(guò)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(guò)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(gè)數(shù)為I,隱含層神經(jīng)元個(gè)數(shù)為J,輸出層神經(jīng)元個(gè)數(shù)為K,相應(yīng)各層神經(jīng)元的編號(hào)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(lái)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(kāi)始階段,我們可以給網(wǎng)絡(luò)權(quán)重賦予一個(gè)隨機(jī)值,一般在-1和1之間。
(3)計(jì)算隱含層的輸出[H]:
(4)計(jì)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(guò)程結(jié)束,s為規(guī)定的正數(shù):
(6)若E>s,我們需要對(duì)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(jì)算過(guò)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(lèi)型的識(shí)別,其流程如圖2所示。
神經(jīng)元個(gè)數(shù)、隱含層層數(shù)、學(xué)習(xí)速率和訓(xùn)練樣本個(gè)數(shù)的設(shè)定都會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)算法的識(shí)別效果,所以合理的設(shè)定十分必要。
3電纜絕緣缺陷類(lèi)型及局部放電信號(hào)特征提取
幾種常見(jiàn)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(duì)應(yīng)的時(shí)域波形如圖4~7所示。
在進(jìn)行模式識(shí)別之前,我們要對(duì)電纜局部放電信號(hào)進(jìn)行特征提取,特征量的選取直接影響識(shí)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(lèi)型模式識(shí)別
依托BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電纜局部放電類(lèi)型模式識(shí)別的參數(shù)設(shè)置如下:
(1)設(shè)置樣本參數(shù)。
對(duì)每種電纜局部放電模型各采集60個(gè)數(shù)據(jù)樣本,其中30個(gè)用來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),剩余30個(gè)作為檢測(cè)樣本,用來(lái)檢驗(yàn)?zāi)J阶R(shí)別效果。
(2)設(shè)置網(wǎng)絡(luò)層數(shù)。
一個(gè)輸入層代表電纜局部放電信號(hào)的特征量。
一個(gè)輸出層代表局部放電類(lèi)型,4種局部放電類(lèi)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(gè)隱含層能夠?qū)崿F(xiàn)權(quán)值逼近,達(dá)到識(shí)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(duì)應(yīng)輸入層的3個(gè)神經(jīng)元。
輸出層中的神經(jīng)元數(shù)量是2,因?yàn)榫植糠烹婎?lèi)型的數(shù)量是4,分別用(0,0),(0,1),(1,0),(1,1)表示,兩個(gè)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(guò)程進(jìn)行調(diào)整[4]。數(shù)量過(guò)少會(huì)影響識(shí)別準(zhǔn)確度,數(shù)量過(guò)多會(huì)導(dǎo)致網(wǎng)絡(luò)運(yùn)算量過(guò)大,堆棧溢出。
(4)初始化權(quán)重。
在開(kāi)始階段,我們可以給網(wǎng)絡(luò)權(quán)重賦予一個(gè)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(guò)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(yàn)設(shè)置它的值為0.01。
期望誤差的作用是用來(lái)判斷迭代運(yùn)算是否結(jié)束,當(dāng)其值大于運(yùn)算結(jié)果時(shí),識(shí)別過(guò)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(yàn)設(shè)置它的值為0.001。
通常我們將設(shè)置一個(gè)最大訓(xùn)練次數(shù)的參數(shù)值,當(dāng)網(wǎng)絡(luò)運(yùn)行的迭代次數(shù)大于此值,但仍沒(méi)有小于期望誤差時(shí),可以結(jié)束訓(xùn)練。根據(jù)經(jīng)驗(yàn)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(hào)模式識(shí)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(duì)電纜典型絕緣缺陷模型局部放電信號(hào)的識(shí)別效果,總體平均識(shí)別正確率為91.75%,證明了利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)識(shí)別電纜局部放電類(lèi)型的可行性。
一些信號(hào)如果僅憑運(yùn)維人員的經(jīng)驗(yàn)人工判斷,很難識(shí)別出它的缺陷類(lèi)型,但是運(yùn)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(duì)于那些BP神經(jīng)網(wǎng)絡(luò)無(wú)法識(shí)別的特殊信號(hào),我們分析其原因,是特征數(shù)據(jù)選取得不夠全面。
5問(wèn)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(hào)分類(lèi),整體識(shí)別率較高,然而,沿面放電識(shí)別效果低于其他三種放電類(lèi)型。
所以,如何實(shí)現(xiàn)放電類(lèi)型精確識(shí)別將成為我們的研究方
向??梢酝ㄟ^(guò)完善特征向量、健全局部放電指紋庫(kù)、多種識(shí)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(shí)別的正確率和可靠性。
6結(jié)語(yǔ)
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(duì)電纜局部放電缺陷類(lèi)型進(jìn)行了模式識(shí)別。結(jié)果表明,該種識(shí)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(lèi)型識(shí)別領(lǐng)域的可行性。