1、 实 验 技 术 与 管 理 第 40 卷 第 2 期 2023 年 2 月 Experimental Technology and Management Vol.40 No.2 Feb.2023 收稿日期:2022-07-27 基金项目:教育部第二批新工科研究与实践项目（E-DZYQ20201416）；中国矿业大学教学研究重点项目（2021ZD01）；中国矿业大学实验技术研究与开发重大项目（S2020Z003）；国家重点研发计划项目（2017YFF0210600）；煤炭行业教育研究课题（2021MXJG082）作者简介:严家明（1977），男，安徽六安，博士，讲师，主要从事电气设备在线监测及
2、故障诊断方面的教学与科研，yanjiaming888 。引文格式:严家明，周一恒，徐瑞东，等.基于智能算法的局部放电模式分层识别综合实验设计J.实验技术与管理,2023,40(2):48-56.Cite this article:YAN J M,ZHOU Y H,XU R D,et al.Comprehensive experiment design of partial discharge pattern layered recognition based on intelligent algorithmJ.Experimental Technology and Management,202
3、3,40(2):48-56.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.02.008 基于智能算法的局部放电模式分层识别 综合实验设计 严家明1，周一恒2，徐瑞东1，邓先明1 （1.中国矿业大学 电气工程学院，江苏 徐州 221116；2.中国矿业大学 信息与控制工程学院，江苏 徐州 221116）摘 要：该文设计了局部放电模式识别实验，改进了基于智能算法的样本分层实验分析方法，建立了基于教研融合的实验教学新模式。通过设计三种放电缺陷采集局部放电信号，利用小波变换清洗局部放电数据，基于统计学构建局部放电相位分布
4、（PRPD）图谱并提取特征量，对比分析了利用 BP 神经网络（BPNN）传统算法和改进的样本分层算法对放电类型识别的效率。实验结果表明，样本分层智能算法能够提高局部放电模式识别效率。该实验基于教师科研成果，综合运用了电气、信息、统计学及计算机等多学科交叉，建立了“基于实践、递进启发、学科交叉”的教研融合实验教学新模式，锻炼了学生的实践动手能力和知识综合运用能力，培养了学生的探索热情和创新意识。关键词：放电缺陷；PRPD 模式；统计特征；样本分层识别；教研融合 中图分类号：TM835；G642.423 文献标识码：A 文章编号：1002-4956(2023)02-0048-09 Comprehe
5、nsive experiment design of partial discharge pattern layered recognition based on intelligent algorithm YAN Jiaming1,ZHOU Yiheng2,XU Ruidong1,DENG Xianming1(1.School of Electrical Engineering,China University of Mining and Technology,Xuzhou 221116,China;2.School of Information and Control Engineerin
6、g,China University of Mining and Technology,Xuzhou 221116,China)Abstract:In this paper,a partial discharge(PD)pattern recognition experiment was designed,a sample-layered experiment analysis method based on intelligent algorithm was improved,and a new experiment-teaching mode based on teaching and r
7、esearch integration was established.Three kinds of discharge defects were designed to acquire partial discharge signals,partial discharge data was cleaned by wavelet transform,partial discharge phase distribution(PRPD)maps were constructed based on statistics and their statistics features were extra
8、cted,efficiency of discharge pattern recognition by using traditional BP neural network(BPNN)algorithm and improved sample-layered algorithm was compared and analyzed.The experiment results show that sample-layered intelligent algorithm can improve efficiency of discharge pattern recognition.Based o
9、n teachers scientific research achievements,this experiment comprehensively utilizes interdisciplinary ways of electricity,information,statistics,computer and so on,and establishes a new experiment teaching and research integration mode of“based on practice,progressive inspiration,interdisciplinary
10、crossing”,which trains students practice ability and comprehensive application ability of knowledge,and cultivates students exploration enthusiasm and innovation consciousness.Key words:discharge defect;PRPD pattern;statistics feature;sample-layered recognition;teaching and research integration 严家明，
11、等：基于智能算法的局部放电模式分层识别综合实验设计 49 局部放电是导致电力设备绝缘故障的主要原因1。随着“碳达峰、碳中和”目标2的推进，为实现这一目标而构建的“新型电力系统”，其“双高”特性（高比例可再生能源并网、高比例电力电子装备并网）3使电力设备面临更加严酷复杂的电磁环境，更易引发局部放电，导致设备绝缘过早失效，影响电力系统安全运行。监测电力设备局部放电、识别放电模式及对应的缺陷类型，对于及时发现设备存在的绝缘缺陷、评估绝缘运行状态、制定合理的检修策略，从而保障电力设备的安全稳定运行，具有重要的现实意义。目前对局部放电类型的模式识别采用了众多智能识别分析方法，其中神经网络的使用最为广泛，
12、如利用 BP 神经网络（back propagation neural network,BPNN）、径向基神经网络（radical basis function network,RBFN）识别放电类型并判断放电程度4-5。在此基础上，还有诸如 Adaboost 集成、概率神经网络分类等优化智能算法6-7，使局部放电的神经网络识别效率得到进一步提升。这些局部放电类型模式识别方法，是用训练好的网络算法对待识样本进行一次性整体识别，识别过程简易、方便，但也存在因部分样本特征相似而导致识别结果混淆情况。本文拟对待识样本采用分层识别方法，以降低相似性混淆问题。局部放电是电力设备绝缘常规预防性实验项目8，
13、也是电气工程专业高压类方向学生必须掌握的实验项目。本文设计了识别“电晕放电、沿面放电及气隙放电”模式类型的局部放电综合实验，分析局部放电的模式及其特征量，探讨采用样本分层智能算法提高模式识别效率的实验分析方法。1 实验原理 局部放电模式识别主要包括放电模式构造、特征量提取、智能算法选择三个关键环节9。具体来说，用不同检测方法获得的放电信号可以构造出不同的放电模式；放电模式包含的信息量较大，直接对其进行识别难度较高，须提取能表征放电模式特征的特征量以供识别；智能算法具有一定自学习能力，能通过特征数据库进行学习训练，最后用来进行放电缺陷类型识别。1.1 局部放电 PRPD 模式 脉冲电流法是最基本
14、的局部放电检测方法，基于脉冲电流法获得的放电信号可构造出局部放电相位分布（phase resolved partial discharge，PRPD）模式，这是使用最广泛的一种放电模式10，包括三维统计模式和二维统计模式。（1）三维统计图谱。PRPD 三维统计模式也称为-q-n 模式。该模式可由图像直观地表征局部放电脉冲所对应的工频相位、放电量 q 及放电次数 n 之间的关系。通过采集多个工频周期的局部放电脉冲信号，将和 q 划分为若干个小区间，即在-q 平面形成若干网格，统计每个网格内的放电次数，即可获得-q-n 三维图谱 Hn(q,)。（2）二维统计图谱。为了更精细地反映相位、放电量 q
15、和放电次数 n 之间的关系，引入了 PRPD 二维统计模式。其最常用形式为关于放电相位分布的二维图谱，即最大放电量相位分布图谱 Hqmax()、平均放电量相位分布图谱 Hqave()、放电次数相位分布图谱Hn()。通过该模式，可以更细致地观测最大放电量、平均放电量及放电次数随放电相位的分布及变化情况。1.2 统计特征量 放电特征量常用二维图谱的统计特征量表征，如偏斜度 Sk、翘度 Ku、不对称度 Asy及相关度 Cc等11-12。偏斜度 Sk和翘度 Ku分别表征图谱相对于正态分布的偏移程度和集中程度：Sk0 图谱左右对称，Sk0 图谱向左偏，Sk0 图谱尖峰分布，Ku1 负半周幅值大于正半周，
16、Asy1负半周幅值小于正半周；Cc=1 轮廓相似，Cc0 轮廓差异较大。统计特征量是对放电图谱特征的统计描述，蕴含了绝缘缺陷的内在信息，为放电缺陷类型智能化识别提供了分辨依据。模式识别中常用的二维放电图谱统计特征量如表 1 所示。表 1 PRPD 二维图谱统计特征 模式名称 图谱符号 统计特征量 最大放电量相位分布Hqmax()Sk+,Sk,Ku+,Ku,Asy,Cc平均放电量相位分布Hqave()Sk+,Sk,Ku+,Ku,Asy,Cc放电次数相位分布 Hn()Sk+,Sk,Ku+,Ku,Asy,Cc注：“+”和“”分别代表左半周和右半周。1.3 智能算法 作为一种常用的智能算法，BP 神经网络具有固有的模式分类和良好的噪声抑制能力，因而在局部放电模式识别中得到广泛应用。BP 神经网络是采用误差反向传播算法的多层前馈网络13-14，网络的输入与输出是一种非线性映射关系，网络层内神经元间无连接，网络参数更新采用误差反馈传播，权重系数根据误差梯度的最大方向调整，其主要结构如图 1 所示。隐含层以输入向量 xi和权向量 wij的内积与偏置向量 aj叠加作为输入变量，通过激活函数输出；输出层