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%。     

基于 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。     

基于时频分析和2DNMF的局部放电模式识别

提出时频分析结合二维非负矩阵分解的混合特征提取算法识别不同局部放电类型.在实验室环境下采集了4种典型绝缘缺陷模型的局部放电超高频(UHF)波形,引入自适应最优径向高斯核时频分析挖掘局部放电UHF信号的时频信息,在对时频幅值矩阵进行二维非负矩阵分解提取降维特征后,采用模糊k-近邻分类器对4种不同类型的局部放电信号进行识别.对试验样本的识别结果表明:自适应最优径向高斯核时频分布能较好地表征局部放电单次波形的时频信息;二维非负矩阵分解降维后的特征矩阵能保存原始时频矩阵的大部分有用信息;模糊k-近邻分类器比k-近邻分类器和3层反向传播神经网络具有更高的识别率,并较反向传播神经网络具有容易拓展的优点.     

基于ARM的电力变压器UHF局部放电监测系统

为了无失真地采集超高频检测中所需的有用信号,笔者介绍了一种利用混频原理将电力变压器UHF局部放电信号进行降频变换,较好地采用ARM微处理器设计了一款现场信号调理与采集系统,在μC/OS-Ⅱ操作系统基础上编写用户软件对信号进行处理和运算,提取了局部放电信号的各类相位分布谱图和统计算子。实验结果表明,笔者设计的基于混频技术的信号调理单元,很好地达到了UHF窄带时域信号的降频变换作用,为局部放电模式识别提供了各种可靠真实的特征参数。     

基于时频特征核熵成分分析的局部放电模式识别方法

为实现电气设备局部放电模式的准确识别,提出了一种基于时频特征核熵成分分析的局部放电模式识别方法。首先采用S变换理论对局部放电脉冲信号进行时频特征分析,针对S变换分析结果维数庞大但冗余信息较多而不便于模式识别的缺点,基于核熵成分分析方法对S变换结果进行压缩降维处理,得到了局部放电模式识别时频特征向量,同时结合随机森林分类器实现了局部放电类型的准确识别。搭建了尖端放电、沿面放电、气泡放电、悬浮放电等典型变压器绝缘缺陷模型并采集了局部放电信号,分别采用文中方法、PCA方法及KPCA方法进行了局放模式识别实验。实验结果表明,相比PCA方法及KPCA方法,文中方法局放模式识别结果准确率较高且耗时较短。     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

局部放电脉冲的Wigner时频分布特性研究

为了提高时频分布的分析精度和有效性,笔者根据局部放电脉冲信号的非平稳特性,提出使用联合时频分布对其进行处理,从而分析脉冲信号的时频特性。针对目前在非平稳信号处理中广泛使用、属于Cohen类的Wigner-Ville分布(WVD),笔者以仿真脉冲为对象,分别研究了其原始WVD、平滑伪Wigner分布(SPWVD)以及重排平滑伪Wigner分布(RSPWVD)。分析结果表明:WVD能够对局部放电脉冲信号引发的短时变化具有高度的敏感性,更适合表征非平稳信号的时变信息;SPWVD能消除双线性函数引起的交叉干扰项,但是以牺牲分布的时频分辨率为代价的;RSPWVD具有很好的时频聚集性,易于提取单个脉冲波形的时频特征参数,从而用于放电类型的模式识别以及深入研究绝缘系统中的局部放电机理。     

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。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

局部放电UHF脉冲的时频特征提取与聚类分析

制作了4种人工缺陷模型模拟典型的局部放电源,并进行局部放电试验采集UHF脉冲信号。引入S变换(ST)对局部放电的UHF脉冲进行时频分析,探索不同放电源脉冲的聚类分离。算法首先对UHF脉冲进行S变换,并采用非负矩阵分解(NMF)对S变换幅值矩阵进行分解得到频域基向量和时域位置向量,从中提取尖锐度、导数平方和、信息熵以及稀疏度等特征参量,构造出能充分反映局部放电时频信息的特征空间,最后利用模糊C均值算法对提取的特征向量进行聚类得到放电源脉冲的聚类结果。对试验数据的分析结果表明,提取的ST时频特征能够有效实现不同局部放电源脉冲的聚类,当NMF参数r=2时,10维时频特征能够取得最高为90.33%的聚类正确率;与常用的Wigner-Ville分布(WVD)相比,ST具有更好的聚类效果;当存在复杂的多重信号折反射时,本文提出的时频特征聚类结果较差,需要进行进一步的研究。