第五章 局部放電圖譜辨識
5.3 局部放電瑕疵型態辨識
5.3.1 類神經網路架構與訓練流程
本文中選用如圖 5-4 所示之三層前饋式倒傳遞網路作為網路架構，其中隱藏層 內的轉移函數採用雙曲線正切函數；輸出層內的轉移函數採用雙彎曲函數。其相關 的參數如下：輸出層內的神經元數目選擇為4，即代表四種局部放電模型，且將有 4 組目標的輸出，分別代表 TA、TB、TC、TD 四種放電模型，為使辨識結果完全等
於四種模型的目標輸出，特別加上競爭函數做競爭化輸出，將輸出最大者視為 1，
其餘視為0，本實驗以各試驗類型前 15 筆數據為訓練樣本，其餘 15 筆為測試樣本，
類神經訓練及辨識樣本如表 5-2 描述。
圖 5-5 三層前饋式倒傳遞網路 表 5-2 類神經訓練及辨識樣本描述
模型編號 描述說明
試驗數據(120 組)
目標輸出 訓練用
(60 組)
測試用 (60 組)
Type A 良品 15 15 1 0 0 0
Type B 外半導電層過長 15 15 0 1 0 0 Type C 外半導電層過短 15 15 0 0 1 0
Type D 絕緣層刀傷 15 15 0 0 0 1
圖 5-6 所示為本文中用以訓練類神經網路的流程圖，首先，先設定類神經網路 參數，其中包括輸入層、隱藏層與輸出層內的神經元數目、學習循環次數及所使用 的轉移函數，並以均佈隨機方式產生初始權重值W tij( )。繼續將全部訓練用的數據一 起輸入類神經網路中，且同時設定好目標輸出值，然後開始利用4.3.2 小節中介紹之 倒傳遞演算法做權重值W tij( )的更新，重複的進行疊代直至收斂，或者學習循環結束，
整個網路訓練即訓練完成，再將測試用的數據輸入到訓練完成的類神經網路中，進 行屏蔽室內無雜訊下與加入雜訊後的辨識工作，本實驗設定最大學習次數為 1000
開始
設定網路參數
權重值Wij(t)的初始值設定
輸入訓練用數據與設定目標輸出值
學習循環次數Epochs=1 開始疊代
更新權重值Wij(t+1)
結束 收 斂 Epochs=Epochs+1
是 否
Epochs < 1000 否
是
圖 5-6 類神經網路訓練流程圖 5.4
局部放電圖譜的辨識系統分析
本文的圖譜辨識系統分析主要分為兩大部分：第一部分主要探討以第一種特徵 處理方式的輸入數據所建構之辨識系統，即從原始 3D 萃取特徵信號，輸入至類神 經網路；第二部分主要分析以第二種特徵處理方式的輸入數據所建構之辨識系統，
及原始信號經由二維小波轉換後，經由特徵擷取輸入至類神經網路。以上兩部分的 倒傳遞網路架構皆為三層前饋式倒傳遞網路，如圖 5-5 所示，以下將分析不同網路 結構與影像特徵對系統辨識的影響，包括比較兩種不同的輸入數據所建構之辨識系 統、輸入層與隱藏層數目對系統的辨識影響以及網路的訓練時間分析。
5.4.1 第一部分輸入數據所建構之辨識系統分析
以下將原始矩陣化簡為五種Case，且建立不同隱藏層神經元數目比較辨識性能，
分別討論不同Case 下特徵輸入及不同神經元數目下所建構之辨識系統，包括網路訓 練時間、隱藏層神經元數目對辨識率的影響，辨識系統架構如圖 5-7 所示，五種 Case 分別為:
Case 1 以180°為相位視窗，擷取 2 個特徵作為類神經輸入層。
Case 2 以60°為相位視窗，擷取 6 個特徵作為類神經輸入層。
Case 3 以36°為相位視窗，擷取 10 個特徵作為類神經輸入層。
Case 4 以24°為相位視窗，擷取 15 個特徵作為類神經輸入層。
Case 5 以20°為相位視窗，擷取 18 個特徵作為類神經輸入層。
圖 5-7 第一部分輸入數據所建構之辨識系統示意圖
表 5-3~表 5-7 為 Case 1~Case5 不同神經元數目下之辨識率，為了比較辨識平均值，
將各表之以直方圖顯示，如圖 5-8 所示，圖 5-9 為不同結構下之訓練時間。
表 5-3 不同神經元數目對 Case 1 辨識結果 No. neurons Case 1
平均辨識率(%) TA TB TC TD
5 100 93.3 60.0 93.3 86.7 10 100 93.3 80.0 86.6 90.0 20 100 93.3 73.3 86.7 88.3 30 100 93.3 80.0 100 93.3
表 5-4 不同神經元數目對 Case 2 辨識結果
圖 5-8 各種 Case 下之平均辨識率
圖 5-9 各種 Case 下之訓練時間
圖 5-8 中平均辨識率是將各架構 TA~TD 辨識率加總之後取平均值，由圖中可 看出在Case 3 且隱藏層神經元數目為 10 情況下，未加雜訊下平均辨識率可達 96.7%
優於其他架構，本實驗將此架構定義為最佳架構用於後續比較。於圖 5-9 中可看出 各架構訓練時間，可知當輸入特徵及神經元數目愈多時，類神經網路需要花愈多時 間訓練權重值。一般而言，隱藏層神經元數目並無標準方法可以決定，需依據各種 問題本身，以試驗的方式來決定其最適當的數目。通常隱藏層神經元的數目越多越 可達到更小的誤差，但相對著也會造成網路收斂速率越慢，所花費的時間越長，若 超過一定的數目後，反而對整個網路的辨識效果與效率無幫助。本實驗在Case 3 下 神經元數目10 情況下有最佳辨識率，訓練時間約需 22 秒。
5.4.2 第二部分輸入數據所建構之辨識系統分析
第二部分將原始圖譜進行二層的二維小波轉換，將放電圖譜分解出高頻與低頻 影像的小波係數，希望能從中獲取有效的放電圖譜特徵值來做為類神經網路的訓練 與測試數據。其中包括八個子影像小波係數，分別是第一層的低頻影像小波係數 (cA1)、水平(cH1)、垂直(cV1)與對角線(cD1)方向的高頻影像小波係數；第二層的低 頻影像小波係數(cA2)與水平(cH2)、垂直(cV2)、對角線(cD2)方向的高頻影像小波係 數。在特徵擷取及隱藏層神經元數目方面方面，選用第一部分所測試之最佳平均辨 識率Case 3 架構，選用以以 36°為相位視窗，擷取 10 個特徵作為類神經輸入層，且 隱藏層神經元數目為 10，圖 5-10 為第二部分輸入數據所建構之辨識系統示意圖。
表 5-8 為各小波係數在無雜訊下之辨識率，由以上試驗分析可以觀察出，第二層低 頻小波係數(cA2)所建構的辨識系統，其辨識效果最佳。
圖 5-10 第二部分輸入數據所建構之辨識系統示意圖 表 5-8 各小波係數之辨識率
小波係數 Case 3
平均辨識率(%) TA TB TC TD
cA1 100 93.3 100 93.3 96.7
cA2 100 100 100 93.3 98.3
cD1 73.3 26.7 66.7 60 56.7 cD2 80 33.3 66.7 66.7 61.7
cH1 80 53.3 46.7 80 65
cH2 100 86.7 53.3 60 75
cV1 100 100 60 60 80
cV2 100 100 53 46.7 74.9
5.4.3 加入雜訊後的辨識結果
上述無雜訊下的兩種辨識結果分析中，經由二維小波轉換後其cA2 辨識結果優 於其他係數，也優於第一部分特徵輸入情況。但是在一般現場量測時皆有雜訊的干 擾影響，造成放電圖譜失真，為了讓本文的辨識結果可作為日後現場量測時參考之 用，因此特別加入模擬背景雜訊於原有的數據上，來觀察雜訊對辨識率的影響程度。
本文是由60 筆測試數據中加入隨機雜訊，加入如圖 5.20 所示的模擬背景雜訊 而得，此雜訊相位分佈於0~360°，放電次數介於 1~5 次隨機產生，探討放電大小分 別在5pC、10pC 與 15pC 以內時，對四種局部放電模型辨識率的影響程度。以下將 以Case 3 為架構，也就是從 360°取 10 個特徵值且隱藏層神經元數目為 10 為架構。
表 5-9 為第一部分從原始 3D 圖譜擷取特徵在 Case 3 下之抗干擾測試結果，表 5-10 為第二部分特徵擷取之二維小波轉換係數cA2 在 Case 3 下之抗干擾測試結果。
為了更清楚的看出上述兩種方法模擬背景雜訊干擾的變化情形，特別將表 5-9 與表 5-10 的辨識結果以長條圖說明，如圖 5-12 所示。可看出在未加雜訊時在 Case 3 架構下，不管特徵是由原始圖譜或是經由二維小波係數 cA2 特徵提取，平均辨識 率皆可達 95%以上；在隨機雜訊 5pC 下，兩種方法平均辨識率依舊在 90%以上;在 隨機雜訊10pC 下可比較出，從原始圖譜擷取特徵辨識率為 84.2%，而小波係數 cA2 特徵擷取辨識率可達91.7%；在隨機雜訊 15pC 下可明顯看出，從原始圖譜擷取特徵 辨識率下降至68.4%，而經由小波轉換後 cA2 係數特徵擷取依舊可達 85%，這是因 為二維小波轉換後可以將高低頻等信號分離開來，選用適當的小波係數經由特徵擷 取後，可獲取更具代表性的特徵，進而提高辨識效果。
表 5-9 從原始圖譜特徵擷取辨識結果
noise Type
平均辨識率(%)
第六章 電力電纜故障測距分析研究
源電壓E 固定時，假設Rg超出一定範圍，電橋迴路的電流變小，電橋就不能正常工
1. 低壓脈衝反射法
低壓脈衝反射法是利用傳輸線的電磁波反射現象，將脈衝信號自測試端送入被 測故障電纜，該脈衝將沿著電纜傳播，當遇到故障點或中間接續時，可稱之為阻抗 不匹配[33-34]，因此由於特性阻抗不匹配形成反射，脈衝返回到測量端並記錄下來。
根據脈衝入射與返回經過時間t和電波在電力電纜中傳播速度V，計算出傳播路徑 的長度，近而知道測試端至故障點的距離Lg，而計算式為:
1
g 2
L t V (6.1)
但由上式(6.1)可看出，脈衝在電纜中的傳播速度對於準確的計算出故障距離很關鍵，
而實際中傳播速度會因加入不同脈衝信號頻率而有所些許差距，出現難以避免的故 障偵測誤差量。低壓脈衝反射法其優點是簡單、直觀、安全與不需要知道電纜的準 確長度等。但它的缺點是由於行波能量較低，不適用於高阻或閃絡性故障的測量，
只能適用於低阻或斷線故障。
2. 脈衝電壓與電流法
脈衝電壓法是利用於故障電纜的測試端發送高壓脈波，而高壓脈波至電纜的故 障位置將擊穿放電，故障位置放電產生之脈衝突波至測試端，根據發送與返回時間 差計算出故障距離[9]，而此方法較適用於高阻故障。其接線方式如圖 6-3，其中 Tr1 為升壓變壓器、G 為運行放電間隙、C 為衝擊電容器與 R1 和 R2 為分壓電阻。
圖 6-3 脈衝電壓法電路圖
6.3
行波的反射與透射現象
f c
2 2 1 2 1 2
f f
c c
f f
r
c c
R R
V Z Z
r V R R
Z Z
(6.7)
圖 6-6 發生故障反射波與透射波 6.4
電力電纜故障偵測實例
6.4.1 電力電纜故障偵測設備
電力電纜故障偵測分為許多的方法，目前應用廣泛的是脈衝電流法，因此本實 驗採用了此方法。當故障發生時，台電工程車將至電纜埋設地方，切離電纜前端與 末端，接著對故障電纜做測試，圖 6-7 所示為台電工程車內部圖，其內部儀器如圖 6-8 所示為 SebaKMT 公司 T30-E 故障掃描指示產生器、圖 6-9 所示為 SebaKMT 公 司 SP632-1750 脈衝產生器、圖 6-10 所示為脈衝產生器和故障電纜之連接端與圖
電力電纜故障偵測分為許多的方法，目前應用廣泛的是脈衝電流法，因此本實 驗採用了此方法。當故障發生時，台電工程車將至電纜埋設地方，切離電纜前端與 末端，接著對故障電纜做測試，圖 6-7 所示為台電工程車內部圖，其內部儀器如圖 6-8 所示為 SebaKMT 公司 T30-E 故障掃描指示產生器、圖 6-9 所示為 SebaKMT 公 司 SP632-1750 脈衝產生器、圖 6-10 所示為脈衝產生器和故障電纜之連接端與圖