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。     

基于二元树复小波能量熵测度的局放模式识别

二元树复小波变换(DT-CWT)在时域和频域都具有表征信号局部特征的能力,且二元树复小波还具备近似平移不变、多方向选择、完全重构和高效计算等优点。而基于小波的信息熵能反映信号统计分布特征,突出系统信号中短暂的异常信号,达到及早发现可能故障的目的。笔者对4种典型绝缘缺陷产生的局部放电脉冲波形进行二元树复小波分解,将提取每层分解系数上的能量特征和小波能量熵测度作为模式识别的特征量。通过大量的试验获得放电样本,用构建的BP神经网络作为分类器,对4种典型绝缘缺陷产生的局部放电进行了有效识别,结果表明:采用此特征量的神经网络识别方法简单、有效、实用,为局部放电信号的识别提供了有效的参考。     

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。     

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。     

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。     

基于经验小波与小波变换的GIS局部放电信号去噪方法研究

为解决气体绝缘组合电器(gas insulated switchgear,GIS)内部缺陷局部放电(partial discharge,PD)信号含有噪声的问题,搭建了模拟局部放电环境,采用超高频法(ultra-high frequency,UHF)采集缺陷PD信号。针对UHF PD信号具有周期性窄带噪声与白噪声的特点,提出了基于改进的经验小波(experience wavelet,EWT)与小波变换结合进行UHF PD信号的去噪研究。首先,含噪信号通过EWT预处理分解为多频率的模态函数,然后对模态函数进行小波去噪处理,将去噪后的模态函数按照峭度值进行划分,根据合适的阈值选取UHF PD信号的有效成分并重构信号,最后,通过构建UHF PD仿真信号并采用实测数据验证所提算法的有效性。仿真实验与实测去噪结果表明:文中所提改进去噪算法具有良好的噪声抑制能力,为GIS设备内部UHF PD信号去噪提供参考。     

基于改进DTCWT的GIS局部放电信号降噪方法的研究

GIS局部放电产生微弱的特高频信号在外界各种噪声干扰下容易被掩盖,为此利用特高频法检测GIS局部放电必须经过有效降噪处理。文中提出一种基于改进的对偶树复小波(dual-tree complex wavelettransform,DTCWT)局部放电特高频信号降噪方法,该方法是利用DTCWT将含噪信号分解为一系列小波系数,并得到信号在不同变换尺度下的细节分量。利用时域峭度和包络谱峭度将细节分量进行敏感预筛选,极大地提高了后续的最大峭度解卷积(maximum kurtosis deconvolution,MKD)去噪效率。为了验证该方法的有效性与可靠性,进行GIS局部放电特高频信号降噪实测试验,结果表明该方法能有效的对局放信号进行去噪处理,且在较好发挥DTCWT平移不变性等优点的基础上,对细节信号分量的筛选,可改善该局放降噪方法的降噪效果评价指标,并保持其原有的信号特征。     

用于复小波变换的EWC阈值法抑制周期性窄带干扰

由于气体绝缘组合电器(GIS)的局部放电(PD)特高频检测虽然能够避开大多数窄带干扰,但是,还有部分窄带干扰会进入检测系统,从而湮没PD信号,因此在现场检测时必须加以抑制。根据PD信号与周期性窄带干扰小波变换后的不同特点,剖析了抑制周期性窄带干扰的常用方法--小波系数直接置零法的局限性,提出了可以用于抑制周期性窄带干扰的有效小波系数(EWC)阈值法,并以所构造的db4复小波对仿真信号与实测GIS特高频PD信号进行了对比去噪研究。研究结果表明:基于EWC阈值法的复小波变换能够有效地抑制GIS特高频PD信号中的周期性窄带干扰。     

基于交叉小波变换和相关系数矩阵的局部放电特征提取

针对局部放电特征量的高维性及对噪声的高敏感性,提出一种基于交叉小波变换和相关系数矩阵的局部放电特征提取方法。基于交叉小波变换对信号的时频域分析功能以及对噪声的免疫功能,采用交叉小波变换分析变压器局部放电信号,并获得表征交叉小波谱图特性的特征量;然后利用相关系数矩阵对获得的特征量进行相关性分析,剔除具有较强相关性的特征量;最后将提取到的特征量送入概率神经网络与BP神经网络分类器进行放电模式识别。仿真及实例分析证明了该方法的有效性。     

基于改进S变换的超高频局部放电信号特征提取及分类

超高频(ultra-high frequency, UHF)局部放电(partial discharge, PD)检测法是目前应用最广泛的PD检测方法之一,通过提取UHF PD信号的时频特征可实现PD类型的识别。因此提出了一种基于改进S变换的UHF PD信号时频特征提取方法,首先通过引入新的频域窗宽度计算公式对标准S变换进行改进;然后根据得到的S变换模矩阵计算频率-最大幅值图,并提取出6维统计特征量;最后结合支持向量机(support vector machine, SVM)完成PD信号的识别。试验结果表明:该方法兼顾了S变换的时、频域分辨率,使得到的特征量能更加准确地反映PD成分在时频域的分布特性;在未经去噪的情况下,该方法仍可获得高达97.33%的分类正确率,验证了其较强的噪声鲁棒性;与常用的PD信号特征提取法相比,所提方法获得的PD类型识别率更高。研究结果可以为超高频局部放电信号识别提供参考。     

基于粗糙集降维理论的GIS超高频局放包络模式识别方法

判断局部放电类型与局放包络信号之间的关系是实现评估气体绝缘金属封闭开关设备(GIS)的绝缘状态以及制定合理的维修策略的重要前提。笔者利用粗糙集降维理论,先对表征UHF PD包络信号的37个特征向量所组成的特征矩阵进行了离散化与差别矩阵约简,然后利用简约后的特征向量结合BP神经网络分类器,对4种不同类型的UHF PD包络信号进行了模式识别,结果表明此方法具有较高的识别率。     

基于超高频和超声波相控接收原理的油中局部放电定位法仿真研究

提出一种基于超高频和超声波相控接收阵的局部放电定位法。该方法以分别检测局部放电产生的超高频和超声波信号的相控接收阵构成平面传感器,以超高频相控接收阵检测到的局部放电超高频电磁波信号作为时间基准,由此得出接收到的超声波信号的时延,进而计算出放电点与传感器间的距离;再根据相控阵扫描的方位角和仰角,与算出的距离一起就可得出局部放电源的几何位置。多个空间位置不同的局部放电,其产生的最大信号所处的对应于空间角度的波束阵列的位置不同,相对于同一采样起始点的时间基准不同,而且时间间隔也不同,因此还可实现多局放源的定位。对这一设想进行仿真研究,结果表明该方法能对油中局部放电进行较精确的定位,并可较好地解决多局放点定位问题。     

基于时频流形的水轮发电机组局放信号特征提取方法

准确地提取水轮发电机机组局部放电信号特征,对于发电机绝缘在线监测具有重要意义。为此,本文提出了基于时频流形的发电机局部放电信号特征提取方法。首先通过相空间重构算法,将局部放电(PD)时域信号转换为多个子序列,并分别求其时频分布,构建PD信号的时频流形。然后利用局部线性嵌入算法(LLE)将高维数据映射到低维空间,提取PD信号在低维空间的特征参数。最后,通过K-最近邻分类器(KNNC)的故障诊断模型实现发电机组不同局部放电的模式识别,其故障识别率高于95%。     

基于超高频窄带法的GIS局部放电的研究

为了提高GIS运行的可靠性,笔者简要说明了超高频法检测GIS局部放电的原理,并在实验室以一段220 kV电压等级的GIS母线为试验对象,设计和模拟了GIS中典型的4种局部放电模型,并使用自主研发的超高频窄带检测系统对其局部放电信号进行检测。试验结果表明,该超高频窄带系统能有效测量GIS局部放电信号,同时获得了不同类型缺陷所产生的超高频信号及其对应的特征,为今后GIS局部放电模式识别提供了数值依据。     

变电站全站局部放电检测中多源信号分离方法

针对已有的变电站全站局部放电检测方法仅能得到放电源的大致方向,无法区分局部放电类型和来源的问题,基于各种局部放电源所产生的超高频信号在时域与频率的不同特征,对连续采集存储的局部放电电磁波脉冲波形进行TRPD （ time resolved peak display ）时频分析和模糊聚类,分离出不同局部放电源或干扰所产生的放电信号,以实现放电源的准确定位,为后期局放类型的图谱特征识别奠定基础。现场测试证明了该方法的可行性。     

真型多状态GIS局部放电UHF信号源研究*

针对电网公司广泛装配的特高频(UHF)局部放电检测系统无法进行有效性校验问题,以GIS典型缺陷类型下的UHF信号谱图为基础,对不同缺陷类型下不同放电强度的UHF谱图信号分别进行特征提取和优化,并根据该特征对UHF谱图信号进行0~50 V范围内的编码优化,据此设计出了能够模拟多种典型绝缘缺陷下不同放电程度的真型多状态GIS局部放电信号源,并进行了实验测试,测试效果良好。     

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%。     

直流电压下油纸绝缘中局部放电的超高频特性

为研究直流电压下油纸绝缘中局部放电的超高频特性,组建了一套直流电压下局部放电试验系统以及由局放超高频检测和超宽带检测组成的测量系统,其中脉冲电流超宽带检测的作用是确保超高频检测获取的信号来自于试品自身的局部放电。试验设计了6种油纸绝缘局放模型以模拟换流变压器的典型缺陷,并引入毫瓦分贝(DBM)频谱分析对超高频信号进行了统一化处理,以比较不同缺陷模型对应的超高频信号。直流下试验结果表明:局部放电电流脉冲具有极快的上升沿,能激励起大于300MHz的超高频电磁波,它可以通过超高频传感器加以耦合接收。各种缺陷模型局部放电的DBM频谱分布各异,超高频段能量幅值最大处也不一样。因此若想以高信噪比实现直流下局部放电超高频信号的在线监测,需要使用中心频率可调的窄带滤波器。这些特性为直流输电系统中使用油纸绝缘的电工设备进行局部放电超高频信号在线监测提供了试验依据。     

Source classification of partial discharge for gas insulated substation using waveshape pattern recognition

Frequency-domain analysis of ultra-high frequency (UHF) signals for source identification of partial discharge (PD) occurring in SF/sub 6/ inside gas-insulated substation (GIS) has been widely covered in literature. In this, Fast Fourier Transform and Discrete Wavelet Transform based techniques have been extensively applied to derive classifying features from transformed patterns. On the other hand, it appears feasible to develop a time-domain classifier, which derives features directly from the original waveshape. The time-domain classifier is conceptually simple, and requires potentially less computing resources and simpler algorithmic interface with other intelligent techniques due to elimination of frequency-domain transformation. A novel classifier to extract features directly from time-domain waveforms is proposed for classifying SF/sub 6/ PD from air corona and among the three types of SF/sub 6/ PD, regardless of changes in PD locations and measurement conditions. Three sets of classifying features are proposed. Encouraging results have been achieved with comprehensive experimental data, which verifies and proves the usefulness and feasibility of the time-domain classifier.