基于PNN的GIS局部放电模式识别方法

李君科，李明江，李德光

（1.黔南民族师范学院计算机与信息学院，贵州都匀 558000；2.洛阳师范学院信息技术学院，河南洛阳 471934）

气体绝缘开关设备（gas insulated switchgear，GIS）因其安全运行可靠性高、低成本、低污染运行等特点，在电力系统中得到了广泛应用[1-2]。但GIS 设备的长时间运行以及制造和安装时存在的疏漏会导致内部绝缘缺陷，引起设备的局部放电（partial discharge，PD）行为[3]。对GIS 设备内部各种绝缘缺陷的PD 信号监测并进行分析和识别，能够为评估设备运行状态和制定可靠的检修方案提供合理依据[4-5]。

目前在GIS的PD 模式识别的研究中，主要是从特高频（ultrahigh frequency，UHF）测量[6]信号中提取出类别特征集以便于分类，常用的特征量提取方法有分形特征法[7-8]、统计特征法[9-10]和矩阵特征法[11-12]等。但是，特征提取所得到的高维数据不仅增加分类器的计算量，更会引起识别率的下降。目前常用的降维方法是主成分分析法（principal components analysis，PCA）[13-14]，但是该方法基于求得样本协方差矩阵的特征贡献率，没有体现样本间的类别信息。属于监督降维的线性判别分析法（linear discriminant analysis，LDA）能够使样本空间具有明显的类别信息，提高模式识别的正确率，在各领域得到了很好的应用[15-16]。

国内外学者对GIS 的PD 模式识别进行了大量研究，其中，BP 神经网络（back propagation neural networks，BPNN）[13，17]和支持向量机（support vector machine，SVM）的应用比较广泛[7，14]。但BP网络在训练时存在过拟合、容易陷入局部极值以及收敛速度慢等问题。SVM是基于二次规划求解支撑向量，该方法随着样本增加，矩阵阶数上升，且相应的运算量和运算时间也急剧攀升。概率神经网络（probabilistic neural network，PNN）可以从海量样本中学习出类别特征信息，与其他方法相比，该方法具有收敛速度快且分类能力强等特点，在模式分类领域得到了广泛应用[12]。……