振荡波电压下XLPE电缆局部放电模式识别研究

振荡波电压法因其无损检测特性被广泛应用于局部放电检测中,而目前缺乏对振荡波电压下电缆故障类型的模式识别研究。为此,笔者根据常见的电缆缺陷类型,制作了4种10 kV交联聚乙烯电缆中间接头人工缺陷模型,对4种缺陷模型施加振荡波电压并测量局部放电信号;提出以局部放电信号正负半波统计算子作为模式识别的输入特征量,采用支持向量机分类器对4种典型电缆缺陷进行模式识别;并将识别结果与采用人工神经网络的模式识别结果进行对比,验证了该方法的有效性。结果表明:以局部放电信号正负半波统计算子作为特征量能很好地反映电缆局部放电信息;基于支持向量机的模式识别方法能有效识别出振荡波电压下各种缺陷局部放电模式,比传统的人工神经网络模式识别方法识别率更高、运行速度更快,具有很好的实际应用价值。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

局部放电可以反映气体绝缘组合电器(gas insulated switchgear,GIS)内部的绝缘缺陷,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。     

GIS典型缺陷的局部放电超高频检测及模式识别

为了解决GIS局部放电带电检测难题,采用了超高频法,以GIS试验设备为对象,设计和模拟了GIS中自由金属颗粒、悬浮电位体、母线金属尖端、外壳金属尖端、绝缘子表面金属颗粒和绝缘子气泡6种典型缺陷的模型,基于超高频法对其放电信号进行检测,提取了缺陷特征参数,应用支持向量机进行模式识别,进而对支持向量机的惩罚参数"C"和核函数参数"g"进行了粒子群优化。试验结果表明:不同缺陷类型的超高频信号在图谱和提取的数据中会呈现出不同的特征;在模式识别中,粒子群方法优化支持向量机展现出了比支持向量机更好的鲁棒性和泛化能力。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

基于GLCM和LBP的局部放电灰度图像特征提取

针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。     

基于奇异值分解的局部放电模式识别方法

提出了一种基于奇异值分解的变压器局部放电模式识别方法。通过搭建人工缺陷实验环境并采集样本数据,计算每个样本的统计特征参数,构成实验数据的样本矩阵。对样本矩阵进行奇异值分解,判断保留矩阵的特征是否明显,确定最佳保留矩阵的阶数,从而得到降维后的类型特征空间描述矩阵和类中心描述向量组。对现场采集的样本数据进行计算得到待分类的样本向量,并用类型特征空间描述矩阵进行线性变换,然后计算变换后的向量与类中心向量组中每个向量的距离,从而得到分类的判断结果。该算法简单而且高效,能够实现局部放电检测中各种放电信号的有效区分,局部放电模式识别召回率约为91.3%。     

基于BP网络的高压电抗器局部放电模式识别

通过获取高压电抗器特高频局部放电信号,对局部放电波形进行特征向量提取处理,用降维后的向量作为输入对BP分类器进行训练和测试类型识别。识别结果表明,用该方法进行高压电抗器绝缘缺陷类型识别,可以在减少计算量的同时保持较高的识别率,证明其在高压电抗器局部放电模式识别应用中的有效性。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。     

空间电容耦合法测量局部放电信号的波形及能量分布特性分析北大核心CSCD

文中基于空间电容耦合法制作了非接触式局部放电传感器,并利用4种典型的绝缘油纸缺陷模型,搭建了局部放电实验平台,探究了所制作的传感器与传统脉冲电流法测量到的局部放电时域波形和频域能量分布特性。实验结果表明:利用空间电容耦合法可有效获取绝缘油纸缺陷模型的局部放电信号。传统脉冲电流法测量频带较低,4种缺陷模型中,仅可有效分辨出含强垂直分量的沿面针板放电信号,其他3种缺陷模型放电信号的时域波形和频域能量分布特性较为接近,无法有效分辨。而文中制作的局放传感器测量频带可达数百兆赫兹,测得的信号高频信息量含量较为丰富,利用信号的时域波形或频域能量分布特性均可实现对不同缺陷模型放电的识别,为利用空间电容耦合方法测量电力变压器局部放电及进行放电模式识别提供了研究基础。     

基于图像处理及降噪的局部放电图谱智能识别方法

局部放电检测是目前电力设备状态评价的主要手段,得到广泛应用推广。由于缺陷图谱的复杂性及现场干扰的多样性,传统的局部放电模式识别方法正确率低,且训练时间长。针对上述问题,文章提出了一种基于图像处理技术及数据深度稀疏降噪的电力设备局部放电图谱智能识别方法。首先,运用图像处理技术对检测得到的图谱进行预处理;然后利用深度稀疏降噪自编码器进行数据稀疏降噪;最后对得到的有效去噪的数学模型,利用极限学习机(ELM,Extreme Learning Machine)网络,实现对局部放电的智能分类和识别。利用在变电站现场实测数据对本方法进行验证,证明本方法对含有多样干扰的局部放电信号有更好的识别效果,能很好适用于目前的电力设备图像信息模式识别应用当中。     

基于红外成像技术的零值绝缘子检测

提出使用绝缘子红外图像和支持向量机相结合的方法对不同污秽程度、空气湿度和空气温度下的零值绝缘子进行自动检测。首先对现场得到的绝缘子串红外图像进行预处理操作。在对绝缘子串红外图像进行预处理后,利用二维Otsu算法对红外图像进行分割,得到标记了绝缘子串的二值图像。利用边缘检测算法提取出绝缘子串的边缘图像。采用最小二乘法对绝缘子盘面边缘图像进行拟合,得到盘面椭圆方程,利用椭圆方程提取出单个绝缘子盘面。对单个绝缘子盘面进行温度特征提取,利用三因素方差分析方法对特征参数进行显著性检验,挑选受绝缘子污秽程度、环境湿度和环境温度影响较小的参数作为特征参数。选取径向基核函数作为支持向量机的核函数,利用Lib VSM工具中基于交叉验证的网格搜索的参数选择方法和训练集数据进行实验确定核函数参数γ和错误代价C。最后,使用测试数据对整个识别模型进行测试,识别率较高,满足预设要求。     

采用动态模式分解分形特征的局部放电模式识别

为了解决传统局部放电模式识别方法计算量大、识别速度低的问题,本文采用构造二维谱图的方法进行局部放电模式识别。首先,利用动态模式分解算法构造局部放电的二维谱图,以少于构造传统三维谱图的计算量获取局部放电缺陷信号的二维表征。然后,针对不同缺陷信号的二维谱图提取两种分形特征(分形维数和间隙度),且构造了不同缺陷信号下二维谱图的分形特征数据集。最后,对该数据集进行X均值聚类。结果表明,X均值聚类结果优于传统K均值聚类和模糊C均值聚类算法,并且相比于反向传播神经网络和支持向量机算法,本文所提模式识别方法对3种局部放电缺陷信号综合识别率高,算法运算时间短。     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机（LS-SVM）的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。     

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。     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法.应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的例数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类.结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题.该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值.     

绝缘局部放电特征量提取与模式识别研究

针对高压设备出现的绝缘缺陷及局部放电特点,为提高电缆模拟缺陷的识别率,设计了三种典型的绝缘缺陷物理模型,并采用统计和经验模态分解与奇异值分解相结合两种不同的特征量提取方法进行缺陷类型辨识,最后采用支持向量机进行模式识别。实验结果表明两种特征量的识别效果均良好,且奇异值分解特征量相对统计特征量识别效率高、识别时间短,表现出了更为良好的识别特性。     

变频谐振下10 kV电缆缺陷局部放电检测研究

采用目前方法检测电缆缺陷局部放电时,因变频谐振PD信号的影响而导致其整体有效性较差。提出变频谐振下10 kV电缆缺陷局部放电检测方法。在二阶包络线的基础上提取局部放电信号脉冲,并通过阈值策略消除局部放电信号中存在的噪声,避免其对检测过程造成干扰;提高局部放电脉冲信号的时域波形、频域波形特征量,将其输入BP网络中,在变频谐振下完成10 kV电缆缺陷局部放电检测。实验结果表明,所提方法的识别率高,其检测结果的相对误差低。     

GIS局部放电超高频信号的包络分析与缺陷识别

为实现GIS故障检测和缺陷识别,设计了超高频(UHF)包络检波电路和高速数据采集系统,并针对5种典型的GIS缺陷进行了缺陷模型的局部放电试验,获得了这5种典型缺陷的超高频包络信号数据。试验结果表明,同一缺陷模型所产生的局部放电包络信号时域特征大致相同,不同缺陷模型的包络形状不同。论文在此基础上提出了基于时域特征参数和BP神经网络的GIS缺陷模式识别方法。采用该方法后,试验数据缺陷模式识别正确率高达96%以上。