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.pdf

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,2023,40(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（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 Comprehensive 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 Engineering,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 research 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 extracted,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 on 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 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，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，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，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 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，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；输出层的输入向量为隐含层的输出向量和权向量 wjk的内积与偏置向量 yk的叠加，并通过50 实 验 技 术 与 管 理 激活函数输出；训练过程中通过输出层的误差函数对输入量求偏导更新权重系数。图 1 BP 神经网络结构图 2 综合实验设计 2.1 放电缺陷模型制作 2.1.1 实验材料及其预处理 实验选用厚度分别为 1 mm 和 0.12 mm 的普通牛皮绝缘纸（kraft）和国产 25矿物绝缘油。首先，将 1 mm 厚绝缘纸裁剪成直径 70 mm 的圆片，将 0.12 mm 厚绝缘纸裁剪成外径 70 mm、内径38 mm 的圆环。然后，根据实际变压器绝缘处理工艺，按照图 2 流程对裁剪好的绝缘纸进行真空、干燥和浸油预处理，祛除绝缘纸中的气泡并由矿物油填充，降低水分含量，以提高绝缘性能。最后，利用硅胶将上、下层 1 mm 厚绝缘纸板与中间 0.12 mm 厚绝缘纸粘合密封，形成三明治结构式气隙样品。图 2 绝缘纸预处理 2.1.2 放电缺陷模型制作 针对实际变压器中的缺陷类型及其放电形式，根据 GB/T 1048.12016绝缘材料电气强度试验方法 第 1 部分：工频下试验标准和 CIGRE Method II 标准，设计针-板、柱-板和球-板电极结构模型（见图 3），以模拟电晕、沿面和气隙三种典型放电缺陷类型。模型中电极系统均浸没于绝缘油中，电晕放电和沿面放电模型中的样品均为 1 mm 纸板，气隙放电模型中的样品为三明治式气隙样品，针电极距纸板表面 2 mm，柱电极和球电极轻抵样品上表面。注：1-高 压 引 线；2-套 管；3-铜 杆；4-针 电 极；5-有机 玻 璃 容 器；6-绝 缘 油；7-绝 缘 纸 样 品；8-地 电 极；9-地线；10-柱 电 极；11-球 电 极；12-环 氧 板；13-环 氧 螺 栓；14-气 隙 样 品。图 3 典型放电缺陷模型（单位：mm）2.2 实验系统搭建 根据图 4 搭建实验系统。电力变压器提供实验所需的外施工频电压，电压大小通过调压器控制台控制；保护电阻起限流保护作用；分压器与放电模型并联，起耦合电容作用，还能完成分压，分压比为 1 000:1，提供给示波器记录施加电压的相位信息；脉冲电流传感器（ETS-93686）与放电模型串联，感应样品的局部放电信号，并由同轴电缆送至数字示波器（LeCroy WaveRunner 604Zi）以待采集。为降低系统可能形成的干扰，设备表面均做抛光锐化处理，高压引线均采用空心铝管。注：红 线 为 火 线。图 4 局部放电实验系统 严家明，等：基于智能算法的局部放电模式分层识别综合实验设计 51 2.3 局部放电测量 利用搭建好的局部放电实验系统，根据 GB/T 73542018高电压试验技术 局部放电测量标准，采用阶梯升压法，测试放电缺陷模型中样品的起始放电电压，升压速度为 500 V/s。测试起始放电电压后，以相同的升压速度将外施电压升高至起始放电电压的 1.5 倍，待放电信号稳定后，利用数字示波器采集局部放电信号，采样率为100 M/s，每个样品采集 200 工频周期放电信号。本实验独立测试了多组样品在不同放电类型下的起始放电电压，并采集了局部放电信号，实验样本的基本实验数据如表 2 所示，起始放电电压及相应的实验外施电压均在一定范围内小幅波动。表 2 实验样本数据 放电类型 起始放电电压/kV 实验外施电压/kV 样本数电晕放电 7.38.4 11.012.6 45 沿面放电 12.814.5 19.221.8 45 气隙放电 3.13.8 4.75.7 40 2.4 放电信号降噪处理 采集的局部放电信号常伴有强烈的电磁干扰，其中白噪声是主要干扰类型，且不易去除15。有效抑制局部放电信号白噪声并获得纯净的局放信号是进行模式识别的关键。小波变换具有良好的时频分析能力，在去除白噪声方面具有较大的优势16。小波函数（母函数）表达式17为：,1()|s bxbxss-=|（1）其中，s 为尺度因子，b 为平移因子。本文采用小波变换方法对采集的放电信号进行滤波清洗处理。首先，用 sym4 母小波对采集的放电信号进行 5 层分解；然后，对分解得到的每层小波系数采用软阈值处理，去除放电信号中的噪声分量；最后，通过信号重构获得高信噪比（signal to nose ratio,SNR）、低失真度的纯净局部放电信号。3 实验结果及分析 3.1 局部放电信号单周期特征 由针-板、柱-板及球-板电极采集的电晕、沿面及气隙放电周期信号分别如图 5、图 6 和图 7 所示（见图中原始信号部分）。由图可知，采集的局部放电原始信号中有强烈的噪声。通过本文设计的小波变换滤波清洗后，局部放电噪声得到了较好抑制，信噪比 SNR可达到 12.0 dB 以上（滤波清洗后的放电信号同附于原始信号图中，见滤波后信号部分）。图 5 电晕放电单周期信号 图 6 沿面放电单周期信号 图 7 气隙放电单周期信号 电晕放电周期信号的正、负半周表现出极不对称性：正半周信号大而稀疏，负半周信号小而密集（见图 5）。针-板电极系统为极不对称结构，形成的电场为极不均匀电场，且针电极为强场区域，针电极的电压极性决定了电极系统的电压极性。在外施电压作用下，针电极将首先达到起晕条件而发生电晕放电。实验中针电极接高压端，当外施工频电压处于正半周期时，针电极为正极性，即该电极系统处于正极性状态。根据极不均匀电场中“正极性系统的起晕电压高于负极性”的极性效应原理，此时的放电量因起晕电压值较高即维持放电的电压值较大而变大。同时，外施电52 实 验 技 术 与 管 理 压交流变化过程中，较高的起晕电压值也需要正弦电压经过更长时间的电压变化才能达到，导致放电间隔加大，从而单周期中放电次数也变得稀疏。同理，当外施电压处于负半周期时，根据“负极性系统的起晕电压低于正极性”的极性效应原理，此时的局部放电信号因起晕电压值较低而变得小而密集。沿面放电和气隙放电周期信号的正、负半周表现出近似对称性，但相较而言，沿面放电在整个周期中表现得大而稀疏（见图 6），气隙放电在整个周期中表现得小而密集（见图 7）。柱-板电极和球-板电极中柱和球的尺寸远大于针-板电极中针尖的尺寸，即柱-板电极和球-板电极结构对称性相较于针-板电极而言大大提高，在外施电压极性变换过程中，可认为电场处于近似对称状态，从而导致正负半周放电处于近似对称状态。同时，沿面放电发生在油-纸绝缘界面处，气隙放电发生在绝缘气隙中，相同条件下油中沿面放电的起始电压值高于气隙放电的起始电压值（见表 1 实验样本数据）。故相较而言，沿面放电因起晕电压值较高而导致其放电量较大，单周期中放电次数变得稀疏，气隙放电因起晕电压值较低而导致其放电量较小，单周期中放电次数变得密集。3.2 局部放电信号统计特征 PRPD 放电模式是一种广泛使用的局部放电多周期统计分布模式，能够反映局部放电多周期信号的统计特征，具有对单周期放电信号特征进行验证、泛化功效。本文对每一缺陷模型采集 200 工频周期的放电信号进行统计分析。3.2.1 PRPD 三维统计 PRPD 三维图谱 Hn(q,)直观地表征了局部放电脉冲所对应的工频相位、放电量 q 和放电次数 n 之间的关系。对采集的电晕放电、沿面放电及气隙放电200 工频周期放电信号进行统计得到的典型 PRPD 三维图谱如图 8、图 9、图 10 所示。由图可知，三维图谱中的放电信号均表现出“双簇”聚集特征。图 8 电晕放电 PRPD 三维图谱 图 9 沿面放电 PRPD 三维图谱 图 10 气隙放电 PRPD 三维图谱 根据图 8，电晕放电信号的“双簇”之间表现出极不对称性，放电相位正半周的放电量较大，放电次数很少即表现得稀疏，但放电相位负半周的放电量较小，放电次数很多即表现得密集，这与单周期电晕放电信号表现出的特征相一致。同时，放电相位正半周的放电量在一定范围内波动，放电次数分布均匀，但放电相位负半周的放电量较恒定，放电次数呈“等腰三角”分布。根据图 9和图 10，沿面放电和气隙放电信号的“双簇”之间均表现出近似对称性。在-q 平面，沿面放电量总体高于气隙放电量，在-n 平面，沿面放电次数总体少于气隙放电次数，这些也与单周期电晕放电信号表现出的特征相一致。同时，沿面放电的双簇之间表现出“锥”形对称，气隙放电的双簇之间表现出“波动”性对称。3.2.2 PRPD 二维统计 PRPD 二维图谱 Hqmax()、Hqave()和 Hn()局部细化了最大放电量、平均放电量和放电次数与放电相位之间的关系，可以更详细地观测放电信号在放电相位上分布的统计特征，并可藉此对特征信息进行精确量化。对采集的电晕放电、沿面放电及气隙放电 200 工频周期放电信号进行统计得到的典型 PRPD 二维相位分布图谱如图 11、图 12、图 13 所示。严家明，等：基于智能算法的局部放电模式分层识别综合实验设计 53 图 11 电晕 PRPD 二维图谱 图 12 沿面 PRPD 二维图谱 图 13 气隙 PRPD 二维图谱 根据图 11、图 12、图 13，局部放电 PRPD 二维图谱不仅呈现了三维图谱所表现出的特征信息，还能对该特征信息予以细化。电晕放电二维图谱除了表现出“正半周大而稀疏、负半周小而密集”的极不对称性外，还具体显示了放电次数相位分布的三角形极不对称显著特征（见图 11(c)）。沿面放电和气隙放电二维图谱的左、右半周对称性明显，且相较而言，沿面放电量大、放电次数少，气隙放电量小、放电次数多。同时，还细化了沿面放电中最大放电量和放电次数呈“锥”形对称（见图 12(a)和(c)），以及气隙放电中最大放电量和放电次数呈“波动”性对称（见图 13 中(a)和(c)）的具体特征。PRPD 二维模式展现了局部放电统计特征的具体信息，也为进行特征量化提供了模式依据。提取图 11、图 12、图 13 二维放电图谱对应的统计特征量分别如表 3、表 4、表 5 所示。表 3 电晕 PRPD 二维图谱统计特征量 Sk+Sk Ku+Ku Asy Cc Hqmax()0.007 20.017 21.717 8 1.826 4 0.735 20.706 1Hqave()0.009 60.030 21.763 5 1.772 3 0.634 90.664 3Hn()0.004 4 0.057 31.462 3 2.289 6 49.214 60.893 0 表 4 沿面 PRPD 二维图谱统计特征量 Sk+Sk Ku+Ku Asy Cc Hqmax()0.721 30.259 83.917 9 2.937 9 1.147 20.824 4Hqave()0.749 60.364 83.456 5 2.723 5 1.074 50.784 8Hn()0.895 80.332 45.152 2 3.118 4 1.083 30.718 0 表 5 气隙 PRPD 二维图谱统计特征量 Sk+Sk Ku+Ku Asy Cc Hqmax()0.816 00.713 92.306 9 2.134 5 0.947 80.909 3Hqave()0.668 40.612 02.053 5 1.978 3 0.984 60.957 4Hn()0.669 90.735 71.873 5 1.996 0 1.046 40.810 0 量化特征反映了放电模式所具有的特征信息程度。根据表 3，最大放电量和平均放电量相位分布的Asy为 0.60.7，电晕放电次数相位分布的不对称度 Asy甚至高达 49，均远离 1，说明电晕放电二维图谱具有极不对称性。同时，放电次数的 Asy（高达 49）远大于最大放电量和平均放电量的 Asy（约 0.60.7），进一步说明放电次数在电晕放电图谱的极不对称中起主要作用，或者说电晕放电图谱的极不对称性主要由放电次数的极不对称性引起。根据表 4 和表 5，沿面和气隙放电不论是最大放电量、平均放电量还是放电次数，其相位分布的不对称度 Asy均接近于 1，说明它们的图谱整体上具有近似对称性。但其他统计特征量不尽相同，甚至有的相差较大，如沿面放电 Hqmax()的 Sk为 0.259 8，而气隙放电相应的 Sk为 0.713 9，沿面放电 Hn()的 Ku为 3.118 4，而气隙放电相应的 Ku为 1.996 0，这说明沿面放电图谱和气隙放电图谱的对称性各有自己的风格特点，对称呈现出多样性。3.3 基于统计特征量的放电类型识别 提取放电模式的特征量后，采用智能算法进行模式识别的第一步是构建用于输入的特征量数据库，第二步是设计智能算法进行模式识别18。3.3.1 特征量数据库构建 分别提取对每个样本采集的 200 工频周期放电信54 实 验 技 术 与 管 理 号在 Hqmax()、Hqave()和 Hn()图谱中的 6 类 18 个统计特征量，构建 18 维特征向量；以该 18 个统计特征作为数据库字段，将提取的所有样本统计特征量结果构建成特征量数据库。3.3.2 模式识别 1）传统识别。基于 BPNN 基本原理，设计具有 3 层结构的神经网络分类器：输入层 18 个结点，对应于数据库 18 个统计特征量；隐含层 1 层，14 个隐层结点；输出层 3个结点，编号为 01、02、03，对应于 3 类待识别的放电类型。该神经网络的结构为 18-14-3 结构，其中隐含层激活函数采用双曲正切 Sigmoid 型函数：()(1 e)/(1 e)xxf x-=-+（2）输出层激活函数采用单极性 Sigmoid 函数：()1/(1 e)xf x-=+（3）采用误差梯度下降法调整权重，训练网络。同时，BPNN 识别可靠度为：1/niiiipyy=（4）其中，n 为输出结点数，yi对应于 BPNN 第 i 个输出结点的输出值，若可靠度 pi大于 60%，则接受对应类型。首先，分别从每类放电样本中选 10 个样本训练BPNN；然后，利用训练好的 BPNN 对其余待识放电样本进行分类识别。该算法采用了“1 次网络训练、1次样本分类”的传统识别方法，识别结果见表 6（传统识别部分），其中识别率为正确识别样本数与待识样本数之比。表 6 二种识别方法的 BPNN 识别结果 编号 放电类型 待识样本数/总样本数 传统识别率/分层识别率 传统识别平均可靠度/分层识别平均可靠度01 电晕放电 35/45 92.2/97.3 91.6/96.5 02 沿面放电 35/45 72.3/85.4 74.9/84.7 03 气隙放电 30/40 75.2/88.6 76.5/86.1 根据表 6，所构建的特征向量在所设计的网络下能较好地实现对三种放电样本的类型识别，其中对电晕类放电的识别率较高，可达 90%以上，但对沿面和气隙类放电的识别率相对较低，略高于 70%。这主要是因为电晕放电图谱相对于沿面放电图谱和气隙放电图谱具有极不对称的显著特征，即其识别特征明显，易于辨识，故识别率较高。沿面放电图谱和气隙放电图谱虽然在局部细节上具有多样性，但整体上均具有近似对称性特征，相似的特征易导致该两类样本的部分识别结果相互混淆，降低了识别可靠度，影响了类型的判断接受，从而降低了识别率。2）分层识别。解决传统识别过程中因特征量相似而导致部分识别结果相互混淆、进而引起识别率下降的问题，关键是对易混淆样本的识别。根据 BPNN 基本原理，同样设计了具有 3 层结构的神经网络分类器：输入层 18 个结点对应 18 个特征量；单隐层 14 个结点；但输出层 2 个结点，对应于 2类待识别放电类型。该神经网络的结构为 18-14-2 结构，隐含层和输出层激活函数也分别采用双曲正切和单极性 Sigmoid 型函数（见式（2）和式（3）。采用误差梯度下降法训练网络。识别可靠度计算同式（4），可靠度大于 60%则接受。首先，从电晕放电样本中取出 10 个构成电晕极不对称性训练样本，从沿面和气隙放电样本中各取 10个构成混合对称性训练样本。然后，利用已选取的 10个电晕对称性训练样本和 10 个混合对称性训练样本（其中沿面和气隙样本各 5 个）训练 BPNN，识别类型设置为电晕放电和混合放电两类。再利用训练好的BPNN，对其余待识放电样本进行分类识别。然后利用已选取的混合对称性训练样本（10 个沿面样本、10个气隙样本）第 2 次训练 BPNN，识别类型设置为沿面放电和气隙放电两类。最后，利用第 2 次训练好的BPNN 对第 1 次识别出的混合类放电样本进行第 2 次分类识别。该算法采用了“2 次网络训练、2 次样本分类”的分层识别方法，且第 2 次识别的对象来自于第 1 次识别的结果，分层训练识别的结果见表 6 的分层识别部分，两种识别方法的识别效果对比如图 14 所示。图 14 两种识别方法的识别结果对比 根据表 6 和图 14，对相同的放电样本空间，通过样本分层训练识别后，三种放电类型的识别率较传统方法都得到了有效提升，且沿面和气隙放电类型的识别率的提升尤为明显，均从 70%多上升到 80%多，甚至接近 90%（见图 14 中的气隙放电）。样本分层训练识别过程中，第 1 次分类识别时，严家明，等：基于智能算法的局部放电模式分层识别综合实验设计 55 基于放电统计图谱的对称性，将具有极不对称特征的电晕放电样本作为一大类，将具有近似对称特征的沿面和气隙放电样本混合作为另一大类，构建了具有显著特征差异的电晕和混合两大类放电样本空间，样本空间之间具有的显著差异特征提高了 BPNN 的分辨识别能力，从而提高了网络的识别率和可靠度（系统无差错地完成预定类型识别任务的概率）。第 2 次分类识别主要针对第 1 次识别出的混合放电样本，由于沿面放电图谱和气隙放电图谱不仅整体上具有近似对称性的相同特征，还具有反映沿面和气隙放电图谱局部风格多样性的细化特征，此时的 BPNN 将主要专注于沿面和气隙两种放电细化特征的训练识别，避免了电晕放电对这两种易混淆放电识别的干扰，从而进一步提高了网络收敛速度及识别率。4 教学模式与内容拓展 4.1“教研融合”教学模式 实验内容来源于教师科研课题，并综合了多学科领域知识。实验教学过程集实验验证与科研探索于一体，并采用了“基于实践提出问题、递进启发分析问题、学科交叉解决问题”的教学模式，实现了“教研融合”。4.1.1“基于实践”提出问题 从实践出发提出需要解决的科学问题，是进行一切科研思维活动的开端，也是解决问题的开端。放电实验开始之前，布置学生开展电气设备在线监测及故障诊断发展现状调研，认识在线监测及故障诊断的重要性及一般方法步骤，并提出设备现场通过人工经验判断放电缺陷类型时面临的随机性及误差等实际问题。然后通过实验观测电晕、沿面和气隙放电信号的随机性，特别是基于沿面放电和气隙放电都具有近似对称性而难以区分这一事实，使学生切实认识到人工判断放电缺陷类型时随机性大、误差率高这一现实问题，从而提出“运用智能算法对放电缺陷类型进行模式识别”这一科学问题。在这一科学问题提出过程中，不仅能培养学生从实践提出科学问题的意识，还能使学生在以后的学习和科研探索中更加尊重实践、重视实践。4.1.2“递进启发”分析问题 分析问题是明确解决问题时所需的条件和要求，也是解决问题的关键。提出“采用智能算法对放电缺陷类型进行模式识别”这一科学问题后，根据模式识别“首先构建特征量，然后设计智能算法”这一顺序原则，循序渐进地分析问题的解决方案。在构建特征量时，因单周期放电信号具有随机性，所以首先引导学生用放电信号的-q-n 多周期统计模式来表征。但由于-q-n 模式为三维全局统计图谱，其特征难以局部细化和量化，所以再引导学生运用二维图谱进行特征的局部细化和量化，从而为最终的模式识别提供特征量。在特征量的提取分析过程中，通过从单周期到多统计周期、从全局整体图谱到局部细化图谱这一递进启发式分析过程，引导学生提取出可供模式识别的特征量。在设计智能算法时，首先构建传统的 BPNN 算法进行模式识别，但沿面放电和气隙放电因图谱相似性易导致识别混淆，识别率不高。为此，引导学生提出采用样本分层识别方法，以便网络能更专注于易混淆的沿面和气隙放电缺陷样本识别，避免受到电晕放电的干扰。通过这一对比识别过程，获得了模式识别算法的改进，提高了识别率。在这一科学问题的分析过程中，学生能够体会递进式分析问题的方法，也为他们今后建立解决科学问题的技术路线提供了示范。4.1.3“学科交叉”解决问题 解决问题是进行一切科研探索的最终目标，而创新性解决问题是科研探索的内在要求，其中学科交叉又是进行科研创新的重要源泉19。绝缘缺陷属于材料学科问题，局部放电属于电气学科问题，放电信号去噪和模式构造属于信息学科问题，放电模式统计特征量提取属于统计学问题，而智能算法属于计算机学科问题。也就是说，利用信息学去除噪声并构建放电模式，通过统计学提取特征量，并提供给计算机智能算法进行模式识别，得出局部放电的电气类型归属，进而判断出相应的材料缺陷。实验采用多学科交叉方法完成了放电缺陷模式识别这一实验开始所提出的科学问题。通过学科交叉解决科学问题的方法，扩大了学生的学术视野，提高了学生综合利用多学科知识的能力，并使学生体验了解决问题后的获得感和成就感，激发了学生的科研探索热情。在实验教学过程中，通过以学生为主体，鼓励和引导学生完成自主查阅文献、设计实验模型、提出问题、分析问题直至解决问题这一完整过程，能够锻炼和培养他们的动手能力及创新意识。4.1.4 教学实践效果 从电气工程专业试点班级的实践结果来看，学生参与该课程实验的积极性较以前有较大程度的提高，实验出勤率和报告上交率均有明显上升，且提交报告中的研讨内容明显增多，同时还吸引了部分控制类和机械类学生选修了该实验课程。另外，试点班级学生的科研探索热情显著提升，不少学生主动参与师生之间或学生之间的相互讨论，56 实 验 技 术 与 管 理 还有多人次学生以该实验项目为基础申请了国家级及省级大学生创新训练项目，并积极参加“互联网+”大学生创新创业大赛。4.2 实验内容拓展 在完成本综合实验的基本内容后，可向学生介绍绝缘局部放电模式识别领域的前沿发展动态，并引入新技术进一步扩充实验内容、改善实验分析方法，为参加大学生创新创业项目和开放实验项目做准备。本综合实验可以从以下方向进行拓展。（1）丰富缺陷类型。根据电力设备工程实践，可增加空气中电晕、空气中沿面、悬浮放电、混合放电等多种放电类型作为识别对象，提高实验对工程实际的贴近度。（2）增强干扰处理。实验过程中，放电信号中不仅包含白噪声，还包含周期性窄带干扰和随机脉冲干扰等，因此可增加对抑制放电信号噪声以提高信噪比的去噪新方法的研究。（3）降低向量维数。高维特征向量中的冗余信息不仅影响神经网络识别的准确率，也影响识别算法的收敛速度，因此可加强特征向量的降维处理。（4）优选识别算法。不同的智能算法及算法的不同结构，对放电信号的敏感程度各不相同，如支持向量机、模糊理论和聚类等，可通过对比分析不同智能算法在不同结构下的识别效率，获得放电模式识别的最佳智能算法结构。5 结语 本实验为不同绝缘缺陷的局部放电实验，并采用样本分层智能算法对放电类型进行了模式识别，不仅能使学生掌握绝缘局部放电的基本特征及模式识别的一般方法，还提高了局部放电模式识别的识别效率。实验教学环节包括文献调研、模型设计、信号去噪、模式构造、特征提取、算法选择等多项内容，系统培养了学生的文献检索能力、实践动手能力及数据分析处理能力。实验内容基于教师科研成果，能够使学生及时了解学科前沿动态；实验教学过程遵循“提出问题、分析问题、解决问题”的一般认识规律，并按照“基于实践、递进启发、学科交叉”的教学模式，使学生体验科研探索的完整过程，培养了学生的创新思维能力，激发了学生的科研探索热情；实验分析方法涉及电气、信息、统计学、计算机等多学科交叉，并集实验验证与科研探索于一体，拓宽了学生的学术视野，提高了学生综合运用多学科知识解决问题的能力。本实验可以多方向拓展，适合作为大学生创新创业实践训练项目。参考文献(References)1 李清泉，李斯盟，司雯，等.基于局部放电的电力变压器油纸绝缘状态评估关键问题