基于S变换和深度置信网络的变压器局部放电模式识别

针对目前常用的浅层模式识别方法无法有效处理高维特征量的问题,提出一种基于深度置信网络(deep belief network,DBN)的局部放电模式识别方法,并提出在DBN学习过程中采用自适应学习率来控制其在全局和局部的寻优能力。该方法首先对局部放电信号进行S变换得到二维时频矩阵;其次考虑时频矩阵中特征量之间的相关性和计算复杂度,对二维时频矩阵采用双向二维主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)进行降维处理。最后,将降维得到的特征量输入DBN,从低层到高层逐层训练,并将训练好的DBN用于测试样本的模式识别。用上述方法对实验室条件下的四种不同放电模型产生的放电信号进行特征提取和模式识别,并与反向传播网络得到的识别结果进行比较,结果表明该方法对于高维特征量具有更高的正确识别率和更快的运行速度,更适用于高维度特征量的模式识别。     

局部放电稀疏分解模式识别方法

为实现电气设备局部放电(简称局放)模式的准确识别,提出了一种局放稀疏分解模式识别方法。首先由各放电模式局放训练样本信号统计特征向量构建局放统计特征过完备原子库,对此原子库进行非线性映射,可得非线性局放统计特征过完备原子库。对待识别局放信号统计特征向量进行非线性变换,得到非线性统计特征向量,此向量在非线性局放统计特征过完备原子库中进行稀疏分解时,仅可由相应放电模式子原子库中原子进行稀疏表示而难以由其它放电模式子原子库中原子进行表示,进而实现局部放电稀疏分解模式识别。同时,提出一种核函数优化匹配追踪算法,可在无需知道非线性映射具体形式基础上完成稀疏分解,并基于相似性度量系数确定最佳核函数及其参数。设计了两套放电模型,并在不同实验环境中进行了局放测试,所测信号分别作为训练样本信号及测试样本信号,采用所提方法进行了模式识别实验,同时与采用神经网络方法、K近邻法、支持向量机法的局放模式识别实验结果进行了对比。实验结果表明该方法识别效果较好,准确率较高。     

基于小波变换和HOG特征的变压器局部放电类型识别方法

不同类型的电力变压器局部放电对变压器绝缘造成的破坏程度不同,正确识别变压器局放类型对于评价变压器的绝缘状况至关重要.提出一种基于小波变换和梯度直方图(HOG)特征的变压器局放模式识别方法,首先根据变压器绝缘缺陷结构特点,设计制作了3种典型的局放缺陷模型,在实验室搭建测试平台并采用脉冲电流法获取变压器局放数据;其次对局放信号进行小波时频变换,获取局放信号的时频谱图并对该时频谱图进行灰度化和归一化处理;最后利用HOG算法提取局放时频谱图上的特征参量并送入分类器,实现变压器不同类型局部放电的模式识别.识别结果表明,该方法的平均识别准确率高达98％,能够有效识别变压器放电类型.     

基于多分类器融合的XLPE电缆局部放电模式识别研究

将多分类器融合的方法应用到XLPE电缆的局部放电模式识别中.针对几种典型的XLPE电缆局部放电类型,提取放电统计特征参数,采用主成分分析(PCA)降维后,应用基于AdaBoost的多感知器神经网络融合分类模型进行分类.实验结果表明算法能有效提高基本分类器的准确率,提供了一种用于局部放电模式识别新的有效方法.     

GIS局部放电脉冲分类特征提取算法

传统的基于局部放电脉冲时频信息构建的局部放电脉冲群分类谱图,多数只能提取表征局部放电脉冲波形特征的低维特征量。当分类算法需要更多的特征量来完成对放电脉冲群的分类工作时,采用上述算法则不能有效地完成对局部放电脉冲群的分类工作。为此提出了采用等效时频熵算法来提取表征局部放电脉冲波形特征的多维特征量,构建放电脉冲群的等效时频熵分类谱图,并与改进的模糊C均值聚类算法相结合实现对不同类型局部放电脉冲群的分类工作。基于气体绝缘组合开关设备(GIS)的实验结果证实了上述方法的有效性和合理性,为研制基于单一人工缺陷模型的局部放电在线监测和识别系统提供了实验和理论依据。     

基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法

针对局部放电特高频(ultra-high frequency,UHF)信号畸变导致模式识别准确率下降的问题,提出了基于时频分布图像纹理特征的特征参数提取方法。首先对局部放电UHF信号进行s变换得到时频分布图像,然后采用灰度共生矩阵(gray-level co-occurrence matrix,CLCM)算法,从时频分布图像中提取出纹理特征参数。采用主成分分析(principal component analysis,PCA)法对由纹理特征参数构成的特征向量进行降维处理,得到局部放电UHF信号特征参数及特征向量,并输入到支持向量机(support vector machine,SVM)分类器中进行模式识别。结果表明,该特征参数可以有效识别4种典型变压器内部局部放电UHF信号,识别准确率最高达到97.50%。     

基于特征参量优选与多算法联合的局部放电模式识别方法

电力设备中,不同类型的放电因放电功率、能量的差异对设备绝缘的损害能力存在差异,即对绝缘的危害程度不同,确定局部放电类型是放电危险度评估的基础。文中对典型缺陷条件下的局部放电谱图提取了基本参量及统计参量等多种特征指纹;为了降低识别参量的维度,定义了特征向量可分性评估准则,并使用浮动前向搜索算法选取了可分性最优的9组特征参量;分别使用主成分分析、线性可分性分析、核主成分分析及通用可分性分析4种方法将特征向量降为2维,结果表明,使用通用可分性分析降维后特征参量可分性最优。之后,提出了多算法联合的模式识别分类器,通过对比最小距离法、人工神经网络及支持向量机,3种方法确定最终识别结果,实验结果表明,该分类器识别准确率达95.8%。最后将所提出模式识别方法应用于现场局部放电缺陷类型识别,通过设备实验结果对比验证了识别结果的准确性。     

基于核统计不相关最优鉴别矢量集的GIS局部放电模式识别

GIS局部放电故障诊断对于准确掌握GIS内部的缺陷性质和指导GIS的检修工作有着重要意义.针对线性Fisher鉴别分析用于局部放电故障诊断时存在的问题,文中借鉴核方法思想,提出了一种基于核的统计不相关鉴别矢量集算法(KSUODV),用以解决高维特征空间内的非线性特征提取问题,并且消除了变换后样本特征之间的统计相关性.在对实验室获取的7种缺陷PD三维谱图模式识别试验表明,KSUODV算法的识别性能优于SUODV算法性能,效果良好.     

基于等效时频图谱和SVM的局放识别方法研究

为区分电力电缆不同绝缘故障下的局部放电类型,本文研究了一种基于等效时频图谱和支持向量机(SVM)的局放识别方法。采用双指数衰减模型与单指数衰减模型两种局放类型进行实验,模拟产生两类局放信号并通过信号采集系统进行采集。对采集来的局放信号提取等效时频特征,进而将局放信号映射到等效时频图谱中。根据等效时频特征,用SVM对不同局放信号分类判别,结果表明SVM能实现准确分类。该方法不仅能够实现单一放电源识别,还能识别混合放电源,能够为电力电缆及其他电气设备的局放模式识别提供参考。     

采用神经网络与分形理论的电力设备局部放电模式识别研究

根据小波理论,建立了表征局部放电(PD)脉冲信号的三维时频谱图;综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。提取放电特征,并构成识别特征量,采用反向传播算法(BP)神经网络用于局部放电信号类型的模式识别。实验结果表明,本方法可以有效的区分局部放电的类型。     

采用等效时频分析及模糊聚类法识别混合局部放电源

在过去几十年里,国内外开展了大量局部放电源的模式识别研究工作,但均仅能够识别单一的放电源,而对于混合放电源的识别问题,还未找到较好的解决办法。为此,提出了一种用于识别混合局部放电源的新方法,首先将放电波形经过等效时频变换构成T-F模式,来自于不同放电源的放电脉冲具有不同的放电波形特性,并将投影在T-F平面的不同区域;再结合模糊C-均值聚类算法(FCM)对T-F模式进行聚类,根据信号点隶属度实现不同放电波形特性信号的划分,从而实现混合放电信号的分离和放电源识别。结果表明,与采用多参数Weibull分布识别多放电源的方法相比,该方法具有对"脏数据"不敏感,而且能够从混合放电的相位-峰值(q-Φ)图中分离出属于各类放电的q-Φ子图,进而采用已有的特征提取和模式识别等手段做进一步的分析。应用该方法构造单一放电的特征指纹库更为可靠,而且在对实验室的混合人工缺陷模型放电信号的分离和识别中也取得了理想的效果。     

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。     

开关柜多源局部放电信号分离及聚类方法研究

文中采用暂态对地电压(transient earth voltage,TEV)法对10 kV高压开关柜局部放电进行检测,并利用短时傅里叶变换(short-time Fourier transform,STFT)分析了开关柜不同类型放电下局放TEV信号的时间频率特性,结果表明不同放电TEV信号的时频特性不同。基于此,又对信号STFT时频分析结果提取了信号的时间中心tc、频率中心fc以及中心矩μc3个特征参数。试验表明多源局部放电TEV信号能够在tc~fc~μc三维特征空间内实现信号分离。进一步利用GK模糊聚类方法在tc~fc~μc三维空间内实现了对多源放电TEV信号的智能分离与聚类。试验及分析结果表明与基于傅里叶变换的传统方法比较,文中方法具有更优的信号分离效果,且实现了多源信号的智能聚类。     

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。     

基于小波变换的电力变压器局部放电在线监测方法

常规的放电信号在线监测方法以局部放电信号识别为主,并未对产生的信号噪声进行处理,导致监测过程中的信号能量增加,因此设计了基于小波变换的电力变压器局部放电在线监测方法。该方法提取电力变压器在线监测的局部放电信号特征,充分识别局部放电信号;利用小波变换技术,去除电力变压器局部放电信号噪声,使局部放电信号更加清晰,避免了信号失真的情况;构建局部放电在线监测平台,实时监测局部放电信号的变化情况,从而实现局部放电的有效监测。采用对比实验的方式,验证了该监测方法的信号能量更低、在线监测效果更佳,能应用于实际生活中。     

基于仿生模式识别的GIS局部放电类型辨识

为实现气体绝缘组合电器(GIS)局部放电检测和故障识别,设计了GIS典型缺陷模型,使用超高频法检测放电信号,并提取特征参数。利用主成分分析法对特征参数进行降维处理,引入仿生模式识别算法进行辨识,提出一种改变连通方向的方法,提高了算法的辨识率,分析了连通方向改变前后样本的辨识率,以及未训练样本类型的错分率。结果表明,基于仿生模式识别的GIS局部放电类型辨识率能达到满意的效果。     

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%。     

基于特征子集的变压器局部放电小样本类型识别

针对变压器局部放电有效经验样本缺乏时的小样本类型识别问题,提出了一种基于特征子集的集成概率神经网络分类方法 FS-EPNN。首先从4种变压器实验模型放电数据中提取了基于局部放电相位分布二维谱图的44个统计特征。其次,为了避免如PCA等传统降维方法造成的分类信息丢失,将样本的所有特征进行划分并组合成多个低维特征子集,然后根据相应特征子集下的所有样本分别构造基于PNN的基分类器,最后采取投票表决规则集成各基分类器结果识别样本的放电类型。实验结果表明,在小样本情况下,该方法与BPNN、基于PCA的PNN和单PNN方法相比进一步提高了局部放电类型的识别率。     

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。