从图中不难看出：不同模型的局部放电超声波信号的分形参数在不同的区域内，应用分形参数特征可以很好地提取局部放电的特征。
4.2 特征模式识别
为了对不同的放电特征进行模式识别，运用基于BP法的神经网络来识别不同特征。为了简化网络结构，减少训练时间，采用两级网络来依次完成识别任务[6]。第一级将针板放电和悬浮放电作为一组，与气隙放电和沿面放电分开，第二级再将具体的类型进行识别如图3所示。
在图3中，每一级网络的输入层有2个结点，隐含层结点个数为10，输出层有2个结点。训练采用S型函数，利用16组所测得的数据进行训练，然后利用其他5组进行识别，识别率达到100%。
5 结论
（1）由于超声波信号的检测既不受电磁干扰，又可以避免气相色谱法的滞后问题，利用超声波信号进行在线的局部放电模式识别是可行的。
（2）利用分形理论提取局部放电超声波信号的分形参数可以很好地对其进行局部放电的特征提取。
（3）可以利用人工神经网络对所提取的特征进行模式识别。
（4）对变压器局部放电所产生的超声波信号进行局部放电模式识别。在理论上为变压器局部放电的模式识别提供了一种新的方法。
本文关键字：暂无联系方式电工基础，电工技术 - 电工基础
