GIS可能出現各（gè）種各樣的絕緣缺陷，由於每種缺陷導致發（fā）生的局部放電具有不同的特征，因此可以通過對（duì）獲得（dé）的局部放電信號進行模式識別來（lái）評估GIS絕緣的（de）狀態和缺陷類別。局部放電模式識別主要包括五個步驟（zhòu），分別為：數據獲取、數（shù）據預處理、放電模式構造、特征參（cān）數提取、分類（lèi）器識（shí）別，如圖所示。下（xià）麵主要對放電模式構造、特征（zhēng）參數提取、分類器三個方麵（miàn）進行介（jiè）紹。
GIS局部放電模式識別過程
PRPD圖譜
與PRPD不同，基於時間的分析（xī）模式(Time Resolved Partial Discharge，TRPD）的研究對（duì）象是局部放電信號隨時間變化的情況。該分析模式關注（zhù）所檢（jiǎn）測到的局部放電脈衝波形及時間信息，而（ér）不關心信號相對於工作電（diàn）壓的相位（wèi）信息。通過提取不同局部放電脈衝的波形特征，可以完成對（duì）絕（jué）緣缺陷的識別分類。
基於PRPD, TRPD還衍生出了一（yī）些其他的局部放（fàng）電信號分析模式（shì），如Δu分析模式、Δu/Δφ分析模式、q一v分析模式等。
局部（bù）放（fàng）電模式識別中，由（yóu）於采集的數據量巨大，需要降低參數維（wéi）數（shù）和需（xū）要處理的（de）數據量，將最（zuì）有代表性（xìng）的特征提取出來構造特征空間，作為模式識別的依據。目前常用的特征參數提取方法主要有：統計特（tè）征法、脈衝波形特征法、圖像矩特征法、分形特征法等。
模式識別（bié）中還有一個重要的環節，就是分類器（qì）的選擇與構造。常用的分類器有基於（yú）距（jù）離的分類器、基於人工神經網絡的分（fèn）類器、基於（yú）模糊（hú）算法的（de）分類器、統計分類器、基於支持向（xiàng）量機的分類器等。目前應用最廣泛的是基於人工神經網絡(NN)的（de）分類器。人工神經網絡是一種機器學習方（fāng）法，遵循結構風險最小化原理。成版人APP网站知道，機器的實際（jì）輸出總是與理想（xiǎng）輸出之（zhī）間總會有一定的偏差，而機器學習的目的就是希望能將二者之間的偏差降到最低。而Vapnik的統計學習理論表明，當數據服從某（mǒu）個特定的分布時，為了獲（huò）得最小偏差，機器需要滿足結構風險最小化原理（lǐ）。因此神經網絡會遇到學習問題，即（jí）訓練誤差小並不必然引（yǐn）起機器預測效果的改善，並且在某些情（qíng）況下，如果訓練誤差過小，反而會降低泛化（huà）能力，進而增加（jiā）真實風險（xiǎn）。支持向（xiàng）量機(SVM)是在統計學習理論基（jī）礎上發展起（qǐ）來的一種（zhǒng）新的學習方法，正（zhèng）是（shì）結構風險最小化理論的具體實現。與神經網絡相同的是，SVM結構簡單但泛化能力（lì）突出，不但（dàn）可以解決小樣本學習問題，同時（shí）也能很好地解決（jué）神經網絡難以解決的局（jú）部極小值問題，對於過學習或欠（qiàn）學習問題也有良好（hǎo）的規避（bì）方法。
關注微信公眾（zhòng）號（hào）