在GIS設(shè)備上最早提出應(yīng)用聲方法測(cè)量局部放電的是Graybill，他在1974年描述了使用手提聲傳感器測(cè)量的方法。隨后，在1979年，Harrold提出了聲測(cè)法在電力系統(tǒng)中廣泛應(yīng)用的可能，并論述了應(yīng)用前景。早期提出的聲測(cè)法是利用聽(tīng)覺(jué)范圍內(nèi)的聲波進(jìn)行檢測(cè)，但是隨著環(huán)境噪聲的增加，這種依靠聽(tīng)覺(jué)范圍進(jìn)行檢測(cè)的方法變得越來(lái)越不適用，后來(lái)逐漸改為利用超聲范圍的聲波進(jìn)行局部放電的檢測(cè)，取得了良好的效果。利用超聲波進(jìn)行局部放電的檢測(cè)已經(jīng)有20年之久，實(shí)踐證明利用超聲波法對(duì)GIS局部放電進(jìn)行檢測(cè)是有效的，特別是對(duì)移動(dòng)金屬顆粒引起的局部放電，檢測(cè)靈敏性很高。人們發(fā)現(xiàn)不同的缺陷引起的局部放電所產(chǎn)生的超聲波形并不一樣，利用這些不同點(diǎn)就可以對(duì)缺陷類型進(jìn)行判斷和定位，所以開(kāi)始了模式識(shí)別的研究。L.E.lundgaard等人研究了GIS中局部放電超聲波信號(hào)的模式識(shí)別，Hucher和Kranz也提出了將超聲波脈沖波形轉(zhuǎn)換至頻域，利用頻譜特征進(jìn)行識(shí)別的方法。隨著研究的深入，目前許多成品檢測(cè)設(shè)備已經(jīng)被研制出來(lái)并投入使用，比如由挪威TransiNor As公司的Schei研制出一種超聲波絕緣分析器AIA，VA-Tech研制出的集超聲波和超高頻檢測(cè)于一體的且具備自動(dòng)模式識(shí)別的DIALOG系統(tǒng)。國(guó)內(nèi)的不少高校和公司也對(duì)超聲波檢測(cè)法進(jìn)行了許多研究，揚(yáng)州國(guó)浩電氣有限公司也開(kāi)發(fā)出了基于超聲波檢測(cè)法的局部放電測(cè)試儀。
目前，對(duì)基于超聲波法的局部放電檢測(cè)理論已經(jīng)研究的比較成熟，超聲波檢測(cè)法已經(jīng)在現(xiàn)場(chǎng)得到了廣泛的應(yīng)用，許多基于超聲波檢測(cè)法的局部放電檢測(cè)設(shè)備也已投人使用。隨著這些檢測(cè)設(shè)備的投入使用，現(xiàn)場(chǎng)使用人員反饋得來(lái)的信息是這些設(shè)備的檢測(cè)效率較低而且對(duì)數(shù)據(jù)進(jìn)行分析的能力很有限?，F(xiàn)場(chǎng)使用的超聲波測(cè)試儀僅僅對(duì)檢測(cè)得到的超聲波信號(hào)進(jìn)行幅值計(jì)算、超聲波對(duì)語(yǔ)音信號(hào)的轉(zhuǎn)換和監(jiān)聽(tīng)，對(duì)超聲波信號(hào)中包含的豐富的絕緣信息的利用率較低，這樣就造成了檢測(cè)的結(jié)果可靠性不高。伴隨著電力電子技術(shù)、材料技術(shù)等的發(fā)展，這些問(wèn)題有望在不久的將來(lái)解決。
局部放電缺陷類型的識(shí)別研究在90年代開(kāi)始引入模式識(shí)別的方法，主要針對(duì)變壓器和GIS的局部放電超聲信號(hào)，研究水平不高，尚處于初級(jí)階段。神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）識(shí)別方法是一種遵循經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理而設(shè)計(jì)出的機(jī)器學(xué)習(xí)方法，目前被研究和應(yīng)用的比較多。神經(jīng)網(wǎng)絡(luò)識(shí)別方法是基于Vapnik&Chervonenkis的統(tǒng)計(jì)學(xué)習(xí)理論，這個(gè)理論是指如果數(shù)據(jù)服從某個(gè)固定但是未知的分布，要使機(jī)器的理想輸出和實(shí)際輸出之間的偏差盡量最小，也就是使機(jī)器的錯(cuò)誤概率在上界最小化，學(xué)習(xí)機(jī)器就需要滿足結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理。這樣就可能使神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)出現(xiàn)問(wèn)題，因?yàn)橛?xùn)練的誤差小并不等于預(yù)測(cè)結(jié)果誤差最小，會(huì)出現(xiàn)推廣能力變差的情況，增加了真實(shí)的風(fēng)險(xiǎn)。支持向量機(jī)（Support Vector Machine，SVM）是基于結(jié)構(gòu)最小化理論提出的，相對(duì)于神經(jīng)網(wǎng)絡(luò)，它的結(jié)構(gòu)更為簡(jiǎn)單，泛化等能力得到了顯著的提高。支持向量機(jī)是一種新的模式識(shí)別分類器，對(duì)其的研究尚處于起步階段。支持向量機(jī)是一種基于統(tǒng)計(jì)理論的學(xué)習(xí)方法，可以在有限樣本的情況下，找到最優(yōu)的解，尤其適合處理分析小樣本數(shù)據(jù)，有較強(qiáng)的學(xué)習(xí)和泛化能力，在回歸估計(jì)和模式識(shí)別等方面有強(qiáng)大的應(yīng)用前景，成為繼神經(jīng)網(wǎng)絡(luò)的后起之秀。
關(guān)注微信公眾號(hào)