采用Fisher线性判别法提取GIS内部局部放电信号最优能量特征

采用二元树复小波变换（DT-CWT）对特高频局部放电（PD）信号进行多尺度分解,求解了复小波最优分解层数,提取了最优分解尺度下的特高频 PD信号实部和虚部高频层小波能量,并采用Fisher线性判别方法对能量特征进行选择,最后进行PD类型辨识。识别结果表明：优选后的实部和虚部高频层小波能量特征可以有效识别4种典型绝缘缺陷,识别率均达到了92.5%及以上,且最优复小波能量（OCWEF）特征在PD类型辨识中具有更优的敏感性和识别效果。     

基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用

对电力变压器特高频局放单个时域脉冲信号做小波包分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,分别研究了BP神经网络、Elman神经网络和PNN神经网络对4种典型变压器局部放电信号的模式识别效果。通过对实验室实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,从而为电力变压器局放信号的识别提供了有效的参考。     

基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息

气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。     

用谐波小波包变换法提取GIS局部放电信号多尺度特征参数

超高频(UHF)法在GIS局部放电(PD)检测中已得到了广泛应用,UHF PD信号的特征提取对准确识别GIS内部绝缘缺陷类型和指导检修工作具有重要意义,但目前仍然缺乏有效的特征提取方法。为此,本文利用谐波小波具有严格盒形频谱的优点,提出一种提取UHF PD特征信息的谐波小波包变换(HWPT)方法,对实验室获取的4种典型放电模型产生的UHF PD信号,采用HWPT进行多尺度分解,以克服实小波包分解子带间存在频谱混叠和能量泄漏的缺陷,利用UHF PD信号在不同尺度能量和复杂度的差异,提取多尺度能量和多尺度样本熵参数作为模式识别的特征量,更加精确地描述了UHF PD信号的时频域信息。最后利用支持向量机分类识别的结果表明,该方法可以取得比实小波包更好的识别效果,多尺度能量和多尺度样本熵特征参数均能有效识别4种绝缘缺陷。     

基于尺度-能量熵特征对的特高频局部放电辨识方法

对气体绝缘组合电器(GIS)进行局部放电(PD)检测,可以发现GIS内部早期绝缘缺陷和隐患,并预防绝缘事故发生。文中采用复小波分解(CWT)对GIS内部特高频(UHF)PD信号进行多尺度分解,分析了CWT能量熵(CWT-EE)随CWT尺度的变化规律,发现UHF PD信号信息主要分布在能量熵变化梯度较大的尺度下。为此,文中提取CWT-EE及其对应尺度,构建尺度-能量熵(SP-EE)特征对,既保留了PD信号能量特征信息,又保留了UHF PD信号小波尺度信息。最后,采用支持向量机(SVM)进行UHF PD类型辨识,结果表明:SP-EE特征对不但可以有效识别GIS内部4种典型绝缘缺陷,而且能够有效降低UHF PD信号分解层数和PD特征维数。     

基于模糊聚类算法的油纸绝缘缺陷识别

采用典型模糊聚类算法(FCM)对电力变压器油纸绝缘缺陷进行诊断,研究不同绝缘缺陷的局部放电超高频信号特征识别问题。根据变压器内部绝缘缺陷特征,文章构建典型油纸绝缘缺陷模型,通过提取局部放电超高频信号特征量,构建综合识别矩阵,对缺陷进行识别。采用模糊C-均值聚类算法分别对信号小波去噪前后两种综合特征矩阵进行聚类分析及识别。对比结果表明,小波包多尺度超高频网格维数和能量参数能有效区分4种绝缘缺陷;小波去噪方法提高了正确识别率、最小识别率、识别稳定性、算法稳定性和收敛性。验证了模糊C-均值算法对油纸绝缘缺陷识别的适用性。     

采用小波变换奇异值分解方法的局部放电模式识别

为提高电缆模拟缺陷的正确识别率,针对110kV高压XLPE电缆附件出现的绝缘缺陷以及产生的局部放电特点,设计了4种电缆中间接头内部典型的绝缘缺陷物理模型,对获取的大量甚高频局部放电信号数据,用离散小波变换的奇异值分解方法进行缺陷类型辨识。该方法首先对单次局部放电信号进行离散小波变换(DWT),得到各尺度小波分解系数,用基于Birge-Massart阈值策略提取各尺度系数的有效极大值,形成极大值的矩阵可以减少冗余数据和噪声的影响,再对小波变换值矩阵进行奇异值分解,提取奇异值作为特征量,最后采用人工神经网络分类器进行模式识别,识别结果表明该方法效果良好。     

基于DTCWT与LLE算法的变压器局部放电特高频信号特征参数提取方法

提出了一种基于对偶树复小波变换(Dual-tree Complex Wavelet Transform,DTCWT)与局部线性嵌入(Locally Linear Embedding,LLE)算法的局部放电特高频信号特征参数提取方法,可以有效识别典型变压器内部绝缘缺陷。首先采用DTCWT算法分解变压器局部放电特高频信号,得到一系列不同变化尺度下细节分量信号。再提取出各细节分量信号的偏斜度和峭度作为初始特征参数。采用LLE算法对初始特征参数组成的特征向量进行降维处理,得到最终的特征参数及特征向量,输入到支持向量机(SupportVectorMachine,SVM)中识别各类绝缘缺陷。结果表明,该特征参数可以有效识别典型变压器内部绝缘缺陷,模拟绝缘缺陷识别准确率达到98.35%,现场检测信号识别准确率达到92.1%。     

采用二元树复小波变换的GIS局放信号识别

GIS局部放电模式识别的研究对于保证GIS的安全可靠运行有着十分重要的意义。为此,采用具有优良平移时不变特性的二元树复小波变换对超高频局部放电(UHF PD)信号进行分解,提出了一种采用二元树复小波变换的时频域特征提取方法,阐明了该算法的原理,给出了具体计算公式和步骤;通过伸缩和平移等运算功能对实验室获得的大量UHF PD信号进行多尺度细化分析,综合选用了UHF PD信号在各频带投影序列的能量、在各个尺度下的模极大值和统计参量,构造了完整的UHF PD信号特征空间;并将UHF PD信号特征空间分别输入到RBF组合神经网络分类器的成员分类器中,获得了优良的识别效果,总体识别率86%。     

变压器局部放电超高频信号多尺度网格维数的提取与识别

提出了一种基于小波包多尺度分析和网格维数的变压器局部放电超高频信号模式识别的新方法,采用小波包多尺度变换提取局部放电超高频信号在多尺度上的小波系数,通过改进差盒计数法计算多尺度小波系数的网格维数,并将多尺度网格维数作为特征量用于局部放电超高频信号的识别。采用了4种典型放电模型产生局部放电,并采用3阶Hilbert分形天线检测局部放电超高频信号,提取的信号特征量输入径向基函数神经网络进行分类识别,识别正确率最低为70%。     

Partial discharge recognition system for current transformer using neural network and 2D wavelet transform

In this paper, a neural network and two‐dimensional (2D) wavelet transform are applied to recognize partial discharge (PD) patterns on current transformers (CTs). To avoid the discrepancy between simulated results and real experimental data, we adopted seven cast‐resin CTs that were purposely fabricated with various insulation defects as the PD patterns collected samples to actually emulate the various defects incurred often during their production. All measurements are taken in a shielded lab; the commercial TE571 PD detector is adopted to measure PD patterns to ensure the reliability of the PD signals. Next, we extract the patterns' features via a 2D wavelet transform and use the features as the training set of a backpropagation neural network (BNN) to construct the recognition system for CTs' PD patterns. Finally, we add random noises to the measured PD signals to emulate the field diagnosis under a high‐noise environment. The study results indicate that, under a simulated noise magnitude of 30 pC, the recognition rate of the proposed system still can reach around 80%, signifying a great potential in applying the proposed recognition system in field measurements in the future. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

改进阈值函数的小波熵方法抑制局部放电白噪声的研究

针对传统硬阈值法和软阈值法的缺陷,提出了改进阈值函数的小波熵方法。该方法对含噪局放信号进行小波分解,基于小波熵自适应选取阈值,并引入一种改进阈值函数对小波系数进行处理,最后重构得到去噪后信号。典型仿真信号和实测信号的去噪结果表明,提出的方法能够有效去除局放信号中的白噪声。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于时频分析与分形理论的GIS局部放电模式识别特征提取方法

识别局部放电(PD)的缺陷类型是评估电气设备绝缘状况的一项重要指标,通过特高频传感器(UHF)可获取局部放电信号。然而,传统的基于统计参数的信号特征提取方法存在高维数和无效信息过多的缺点,该文提出了一种基于时频分析和分形理论的气体绝缘组合电气(GIS)局部放电模式识别特征提取方法。首先利用小波变换对局部放电信号获取能量的时频分布图;然后运用差分盒计数法(DBC)对能量分布图进行分形维数的特征提取,并采用线性判别分析(LDA)对特征向量进行降维处理;最后利用支持向量机(SVM)对局部放电缺陷类型进行分类。为验证所提出算法的有效性,在实验室252 kV GIS局部放电仿真实验平台的模型气室内设置了尖端放电、自由微粒放电、沿面放电和悬浮电极放电4种典型缺陷类型,由特高频传感器采集各类缺陷的局部放电信号,后由该文算法进行分类。实验结果表明,采用该文所提特征提取方法对4种典型缺陷类型的识别准确率超过96%,显著优于传统的基于统计参数的信号特征提取方法。     

一种基于双树复小波包的小电流接地选线新方法

针对目前实小波和常用复小波变换存在的缺陷,选用了一种新颖的双树复小波包对其进行改善并增加信号处理结果的可信度.针对传统特征频带选取存在的问题,提出了一种新的特征频带.通过多种实验对比,找到了一种新的频带利用方式.在特征频带内,为了放大故障线路与正常线路的差别提出了新的线路电流频带特征量--双树复小波包特征频带复合熵,最...