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。     

基于K近邻算法的换流变压器局部放电模式识别

提出了一种基于K近邻KNN(K-Nearest Neighbour)算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷,采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换,计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比,结果表明所提出的方法更适用于换流变压器故障诊断。     

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。     

基于小波包变换的干式变压器局部放电超声信号的模式识别

为研究干式变压器局部放电超声信号的模式识别,设计制作了针-板、沿面和气隙3种局部放电模型,用超声检测系统得到3种局部放电的超声信号波形数据。运用小波包理论对采集到的局部放电超声信号进行分解,用Shannon熵代价函数来确定最优小波包基,得到最优小波树,提取在最优基下包含绝大部分信息能量的小波包分解系数的统计量作为模式识别的输入特征量,并应用CPN网络分类器进行放电类型的识别,取得了很好的效果。     

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度,研究了小波与分形理论的互补性;并从局部放电信号小波分解后的能量谱图提取放电特征,用于局部放电模式识别。研究结果表明：选用适当的小波函数和尺度函数,将局部放电信号的逼近信号能量谱和精细的结构能量谱的分形维数作为局部放电模式特征,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。     

基于EMD的GIS典型局部放电超高频信号的分形特征提取方法

笔者提出了一种基于经验模式分解的GIS局放超高频信号分形特征提取与识别方法。该方法通过对局部放电超高频信号进行经验模式分解得到多个固有模态,通过计算固有模态的关联维数作为特征量进行模糊聚类识别。文中设计了4种典型局放模型获取局放超高频信号样本进行验证该方法,结果表明识别正确率最低达到98%。     

识别局部放电的新特征量——分维数的研究

用分形理论提取了局部放电信号的分维数 ,将其作为特征量进行局部放电信号的识别。研究表明 ,分形维数作为识别局部放电的特征量具有广阔的应用前景     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式，并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解，计算各频带的系数熵；然后构造多小波包特征向量，将这些向量作为训练样本对径向基函数(radial basis function，RBF)神经网络进行训练；当输电线路发生故障时，将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络，即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富，对人工神经网络的训练效果更好，网络识别精度具有明显优势。     

基于主成分分析和多分类相关向量机的GIS局部放电模式识别

GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM三种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

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。     

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。     

时频匹配滤波法用于变压器局部放电模式识别的实验研究

局部放电模式识别对于电力变压器绝缘状况诊断具有重要意义。分析了典型变压器局部放电缺陷,建立4种放电模型,采用小波变换获取了超高频局放脉冲的三维时频谱图,该三维谱图综合反映了局放信号的3个基本特征:时间分量、频率分量和放电能量的分布。根据时频谱构造了4种局放模型的三维匹配滤波器,待测局放信号与同类型滤波器相匹配。结果表明,该方法可以有效提取出局部放电信号的主要特征和趋势。     

电力变压器局放信号抗干扰与模式识别

在局部放电信号抗干扰方面,考察了几种较新的阈值除噪方法,提出了将二进小波变换分别与单抽头最小均方LMS(Lease Mear Square)算法滤波器和基于Birge-Massart策略的小波去噪相结合的变压器局部放电信号抗干扰方法.同时针对局部放电信号的模式识别问题,首先分别根据模糊概率理论和波形匹配理论,针对时域单个特高频UHF(Ultra High Frequency)脉冲信号,提出了2种电力变压器特高频局部放电信号的模式识别方法.基于时域单个UHF脉冲信号的信息,提出了用于神经网络输入的8个特征量,分别利用BP网络、Elman回归神经网络和PNN概率神经网络对4种典型的变压器局部放电信号进行了模式识别的尝试,取得了较好的识别效果.     

基于小波多尺度变换的电力电缆局部放电去噪方法研究

由于强烈的白噪声、周期性窄带信号以及随机脉冲信号等外部干扰因素,电力电缆局部放电在线监测技术中的局部放电信号提取工作一直是一个重点研究课题。本文对小波多尺度变换进行了深入研究,分析了电力电缆局部放电信号及其干扰在小波多尺度变换后的不同特性。去噪结果表明该方法适用于抑制电力电缆局部放电在线监测中的噪声干扰。     

基于模糊概率论的变压器局放信号模式识别法

电力变压器局部放电信号的模式识别是局放研究中的一个难点和重点问题.文中通过对高采样率采集到的4种局放模式下的单个UHF脉冲信号进行小波包分解,从熵值和能量角度提取出6个特征量,运用了模糊理论基本思想,通过简单的计算求出各种放电模式的信息分布表和放电标量作为参考量.当给出一个待确定模式的局放信号时,求出其具体的放电标量,按照相对误差最小原则就可以确定出其模式归属.经实测局放信号验证,该方法思路清晰,简单有效.     

GIS局部放电超高频检测法有关问题的仿真研究

气体绝缘组合电器(gas insulated switchgear,GIS)中的局部放电在腔体中产生超高频(ultra high frequency,UHF)电磁波信号。为研究GIS局部放电源与UHF信号的关系,利用时域有限差分法计算局部放电产生的UHF信号;通过改变放电源和探头的参数,研究了局部放电产生的UHF信号的特性。仿真分析结果表明:UHF信号的幅值与局部放电脉冲幅值成线性关系;UHF信号与放电源的径向位置、放电通道长度、放电脉冲波形以及放电源与探头的夹角有关。单纯 UHF信号很难解释局部放电量的大小,但UHF信号可在一定程度上反映出GIS的绝缘状态。     

应用复小波变换对电力变压器局部放电超高频信号去噪研究

以电力变压器超高频局部放电在线检测系统为例,提出了一种基于复小波变换技术的分离局部放电超高频信号和噪声的方法;研究了三步骤去噪算法,对其最优复小波的选择、复小波分解阶数的确定及其阈值算法的选取作了重点研究。针对不同的噪声给出了不同的阈值算法——惩罚阈值法和SURE法的阈值选取能方便地捕捉噪声范围内存在信号分解的微小的细节信息,而普通阈值法和渐进SURE法的阈值选取能有效地去除噪声;最后,给出了在线去除局部放电超高频信号噪声的步骤和方法。结果表明:利用复小波变换技术,抑制电力变压器超高频在线监测的局部放电信号中的噪声是一种极为有效的优化方法。