主成分分析与概率神经网络：变压器局部放电模式高效识别

本文主要探讨了基于主成分分析（PCA）和概率神经网络（PNN）的变压器局部放电模式识别方法。在电力设备中，局部放电是导致变压器绝缘故障的关键因素，而准确识别不同类型的放电模式对于维护设备安全至关重要。传统的局部放电特征提取方法如统计特征参数、分形特征、图像矩特征和波形特征等虽然有其优势，但PCA作为一种有效的降维工具，可以减少冗余信息，提高识别效率。 在研究中，作者首先运用PCA对变压器局部放电的37个统计特征参数进行处理，通过线性变换将高维数据转换为低维空间，提取出12个具有代表性的新特征因子。这些新因子能够更有效地表征局部放电谱图，从而简化后续的模式识别任务，降低了BP神经网络的训练负担。 然而，BP神经网络尽管在模式分类和噪声抑制方面表现出色，但其训练样本需求大、训练时间长且容易陷入局部最小的问题限制了其应用。为了克服这些问题，本文引入了概率神经网络（PNN）。PNN是一种前向计算的模型，它等价于最优贝叶斯分类器，无需复杂的反向传播，训练过程更为简洁，且不易受局部极小的影响，即使在样本量较少的情况下也能提供良好的识别精度。 将PCA提取的主成分因子输入到PNN中进行训练，结果显示PNN分类器在识别性能上优于传统的BP神经网络，证明了这种方法的有效性和实用性。这不仅提高了变压器局部放电模式识别的准确性，还为电力设备的故障预测和维护提供了有力的科学依据。本文的研究成果对于提升电力系统的可靠性具有重要意义。