在GIS設備上最早提出應用聲方法測量局部放電的是Graybill，他在1974年描述了使用手提聲傳感器測量的方法。隨后，在1979年，Harrold提出了聲測法在電力系統中廣泛應用的可能，并論述了應用前景。早期提出的聲測法是利用聽覺范圍內的聲波進行檢測，但是隨著環境噪聲的增加，這種依靠聽覺范圍進行檢測的方法變得越來越不適用，后來逐漸改為利用超聲范圍的聲波進行局部放電的檢測，取得了良好的效果。利用超聲波進行局部放電的檢測已經有20年之久，實踐證明利用超聲波法對GIS局部放電進行檢測是有效的，特別是對移動金屬顆粒引起的局部放電，檢測靈敏性很高。人們發現不同的缺陷引起的局部放電所產生的超聲波形并不一樣，利用這些不同點就可以對缺陷類型進行判斷和定位，所以開始了模式識別的研究。L.E.lundgaard等人研究了GIS中局部放電超聲波信號的模式識別，Hucher和Kranz也提出了將超聲波脈沖波形轉換至頻域，利用頻譜特征進行識別的方法。隨著研究的深入，目前許多成品檢測設備已經被研制出來并投入使用，比如由挪威TransiNor As公司的Schei研制出一種超聲波絕緣分析器AIA，VA-Tech研制出的集超聲波和超高頻檢測于一體的且具備自動模式識別的DIALOG系統。國內的不少高校和公司也對超聲波檢測法進行了許多研究，揚州國浩電氣有限公司也開發出了基于超聲波檢測法的局部放電測試儀。
目前，對基于超聲波法的局部放電檢測理論已經研究的比較成熟，超聲波檢測法已經在現場得到了廣泛的應用，許多基于超聲波檢測法的局部放電檢測設備也已投人使用。隨著這些檢測設備的投入使用，現場使用人員反饋得來的信息是這些設備的檢測效率較低而且對數據進行分析的能力很有限。現場使用的超聲波測試儀僅僅對檢測得到的超聲波信號進行幅值計算、超聲波對語音信號的轉換和監聽，對超聲波信號中包含的豐富的絕緣信息的利用率較低，這樣就造成了檢測的結果可靠性不高。伴隨著電力電子技術、材料技術等的發展，這些問題有望在不久的將來解決。
局部放電缺陷類型的識別研究在90年代開始引入模式識別的方法，主要針對變壓器和GIS的局部放電超聲信號，研究水平不高，尚處于初級階段。神經網絡（Neural Network，NN）識別方法是一種遵循經驗風險最小化原理而設計出的機器學習方法，目前被研究和應用的比較多。神經網絡識別方法是基于Vapnik&Chervonenkis的統計學習理論，這個理論是指如果數據服從某個固定但是未知的分布，要使機器的理想輸出和實際輸出之間的偏差盡量最小，也就是使機器的錯誤概率在上界最小化，學習機器就需要滿足結構風險最小化的原理。這樣就可能使神經網絡的學習出現問題，因為訓練的誤差小并不等于預測結果誤差最小，會出現推廣能力變差的情況，增加了真實的風險。支持向量機（Support Vector Machine，SVM）是基于結構最小化理論提出的，相對于神經網絡，它的結構更為簡單，泛化等能力得到了顯著的提高。支持向量機是一種新的模式識別分類器，對其的研究尚處于起步階段。支持向量機是一種基于統計理論的學習方法，可以在有限樣本的情況下，找到最優的解，尤其適合處理分析小樣本數據，有較強的學習和泛化能力，在回歸估計和模式識別等方面有強大的應用前景，成為繼神經網絡的后起之秀。
關注微信公眾號