公茂法 魏景禹 姜文 接怡冰 公政 王万乐

摘 要： 为解决传统傅里叶变换和小波分解对变压器局部放电信号非平稳性的分析缺陷，以及BP神经网络易陷入局部极小点等问题，提出一种基于希尔伯特能量聚类和概率神经网络的变压器局部放电识别算法。算法利用希尔伯特?黄变换提取局部放电信号的希尔伯特能量谱，然后进行指数族聚类计算获得特征值，最后利用概率神经网络进行分类识别。分别对油中悬浮放电、沿面放电等放电类型进行模拟实验，并用此算法进行分析，实验结果表明，该算法所提取的特征值有较高的可分性，且分类识别率高，可以有效地识别变压器局部放电故障类型。

关键词： 希尔伯特?黄变换; 概率神经网络; 指数聚类; 模态分解; 局部放电; 变压器

中图分类号： TN711?34; TM85 文献标识码： A 文章编号： 1004?373X（2018）09?0152?05

Abstract： Since the traditional Fourier transform and wavelet decomposition have the defect for the non?stationary analysis of transformer partial discharge （PD） signal， and the BP neural network is easily to fall into the local minimum， a transformer partial discharge identification algorithm based on Hilbert energy clustering and probabilistic neural network （PNN） is proposed. The Hilbert?Huang transform （HHT） is used to extract the Hilbert energy spectrum of PD signals， and then the exponential family calculation is performed to obtain the feature values. The PNN is used to classify and identify the feature values. The simulation experiment was carried out for the discharge types of suspended discharge and surface discharge in oil， which are analyzed with the proposed algorithm. The experimental results show that the feature values extracted by this algorithm has high separability， and the algorithm has high classification identification efficiency， and can identify the fault types of transformer PD effectively.

Keywords： Hilbert?Huang transform; probabilistic neural network; exponential clustering; mode decomposition; partial discharge; transformer

0 引 言

局部放电故障类型是评估高压电力设备绝缘状态的重要技术指标之一，不仅反映绝缘状态水平，还可估算电力设备绝缘的使用寿命。因此对变压器局部放电故障识别算法的研究显得尤为重要。近年来，对放电信号的处理分析大多由傅里叶变换转换为能够进行时频局域化分析的小波变换，这两种方法对平稳信号都有良好的处理效果，但是，这些算法不能随信号本身时间和频率的变化由自身做出调整，不能客观反映出真实的信号特性[1]。文献[2]在列车轴承机械故障诊断中应用希尔波特?黄变换（Hilbert?Huang Transform，HHT）中的EEMD方法，取得了良好的效果。……