电力是现代社会经济发展的命脉,近几年在世界各地连续发生了灾难性的停电事故,这些事故大多是由于电力系统出现故障导致的。变压器是电力系统的枢纽,它的运行状态直接关系到整个电力系统能否稳定可靠运行。国际大电网会议(CIGRE)报告指出,高压电器故障中绝缘故障占了51%,长时间的局部放电是造成绝缘故障的主要原因。为了避免绝缘故障产生,需要对变压器进行局部放电检测,及时评估绝缘劣化程度,保证变压器安全可靠运行。变压器局部放电模式识别是局部放电检测的核心环节,能够帮助工程技术人员快速识别局部放电类型,确定检修方案。因此,将变压器局部放电模式识别作为研究对象,具有较大的理论价值和实际意义。本文研究内容如下。(1)本文基于局部放电脉冲电流法搭建实验平台,使用PCI-9814高速数据采集卡以及LabVIEW软件设计信号采集系统,然后采集变压器内部四种典型局部放电模型的放电信号。将多次实验采集到的数据按照局部放电相位分布模式绘制成三维谱图,然后映射到二维平面生成灰度图。因为矩特征能够反映像素点的分布情况,所以提取灰度图矩特征作为模式识别器输入特征量。(2)局部放电检测过程对实时性要求高,且检测信号易受随机噪声干扰,导致错误样本较多。针对以上缺陷,本文提出一种基于概率神经网络的变压器局部放电模式识别器,概率神经网络样本追加能力强、容错性较高、训练速度快。为了验证所提识别器识别性能,将所提识别器与常用的反向传播神经网络,极限学习机、朴素贝叶斯识别器进行对比。仿真结果表明,与其他三种识别器相比,所提识别器准确率更高。(3)概率神经网络平滑因子对识别效果影响较大,目前此因子多采用经验值,需要繁杂的计算及实验才能获得。针对这一问题,本文通过使用具有全局搜索能力的遗传算法优化平滑因子,仿真结果表明,通过优化平滑因子,概率神经网络识别效果有较大提升。