基于BAGAN-CNN的局部放电模式识别

电力设备发生局部放电为小概率事件,现场检测出的局部放电脉冲相位分析图谱样本具有数量稀少、样本类别比例不平衡的问题,导致难以训练出能够准确判断局部放电类型的分类器。为了扩充并平衡不同种类局部放电样本的数量,提高局部放电模式识别准确率,提出一种基于BAGAN-CNN的局部放电模式识别方法。首先,构建BAGAN(Balancing GAN)网络模型,解决原始ACGAN损失函数矛盾的问题,使BAGAN生成器能够生成样本种类稀少的局部放电数据。然后,将原始样本和增强样本作为分类器输入,构造卷积神经网络,自动提取局部放电特征,并通过Softmax层进行分类。实验表明,通过BAGAN生成的数据相比于其他数据扩充方法,能够生成更高质量局部放电样本;相较于传统分类器,CNN分类器的识别准确率更高。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统（ANFIS）在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量．建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异．但总体识别率达90％以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统(ANFIS)在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量,建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异,但总体识别率达90%以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于KELM-VPMCD方法的未知局部放电类型的模式识别

为了解决局部放电类型未知的样本无法被正确识别的问题,提出了一种基于核极限学习机变量预测模型(KELM-VPMCD)的未知局部放电类型的识别方法。通过KELM对已知局部放电类型的训练样本进行训练,然后对各局部放电类型已知的样本建立相应的变量预测模型。利用这些模型对测试样本进行回归预测。根据各样本的预测误差平方和,利用Otsu算法设置误差阈值,通过阈值识别各样本的局部放电类型。识别结果表明,所提方法对于未知的局部放电类型具有较高的正确识别率。     

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。     

基于层次分析法的油纸绝缘局部放电模式识别

通过对局部放电的模式识别可以了解放电类型及严重程度,并在此基础上确定维护方案。为了对局部放电进行识别,建立了油纸绝缘中的5种典型缺陷模型;运用K-W检验从相间局部放电(PRPD)统计算子中提取出分类能力最强的11个特征;基于提取的特征,在小样本训练集的前提下,利用层次分析法对典型放电模型进行识别,同时和同种情况下使用人工神经网络的识别效果进行了比较。实验结果表明,在小样本训练集下,运用层次分析法得到了较好的识别效果,正判率均大于85%,优于人工神经网络,这为小样本训练集的情况下局部放电的快速识别奠定了基础。     

基于改进连续隐马尔科夫模型的风机齿轮箱故障诊断

连续隐马尔科夫模型(CHMM)应用于风机齿轮箱故障诊断,针对隐马尔可夫模型训练算法易收敛于局部最优解,提出了一种改进的BSA-CHMM参数训练算法,将鸟群算法(BSA)与Baum-Welch算法相结合,可有效的跳出局部最优解。分析振动信号并利用小波包分解与重构提取频带能量作为特征向量;将正常及各故障状态的训练样本特征作为模型观测值输入BSA-CHMM模型进行训练;最后将各检验样本特征输入各状态模型中,得到输出概率作为故障诊断的评判依据。通过Matlab仿真试验结果表明:所提出的诊断方法能够准确地诊断出故障状态,且相较于传统的CHMM训练算法能取得更好的训练结果。     

一种基于改进的WGAN模型的电缆终端局部放电识别准确率提升方法

目前,基于机器学习的电缆终端局部放电模式识别常因标注数据匮乏或不均衡而导致泛化能力不足,识别准确率较低。为解决该问题,该文提出了一种基于改进的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)模型的电缆终端局部放电识别准确率提升方法。该方法以单个脉冲对应的小波时频谱图为对象,首先训练具有条件生成能力且训练过程稳定的改进WGAN模型并生成新的样本;然后利用新样本对原始样本集进行扩充,以提高样本多样性;最后,利用扩充后数据集训练得到新的局放分类器。实验结果表明,所提方法相较于其他条件生成模型能够更稳定生成新的高质量样本;利用该方法分别对典型电缆终端缺陷数据进行扩充,训练出的新分类器具有更优的泛化能力,且对不同分类器具有适用性。该方法有效抑制了工程中局放类型识别时由于数据匮乏或不均衡所导致的过拟合风险,有效提升了在小数据量下的识别准确率。     

基于统计特征参数与相关向量机的变压器局部放电类型识别

针对传统的局部放电模式分类器存在的不足,提出了一种基于统计特征参数与相关向量机(RVM)的变压器局部放电类型识别的新方法。首先针对4种变压器局部放电实验模型的二维图谱提取出表征图谱特征的16个统计参数,然后设计一对一RVM多分类模型,将统计参数作为输入向量送入RVM分类模型,实现放电类型识别。测试结果表明,RVM分类器具有较好的放电识别效果,与支持向量机(SVM)相比具有计算复杂度低、相关向量少、训练及测试时间短等优点,两者识别精度相当,均高于BPNN。     

基于方向梯度直方图属性空间的局部放电模式识别改进算法

该文提出一种基于方向梯度直方图(HOG)属性空间的局部放电模式识别改进算法,旨在提高特征对样本信息的概括能力,并克服分类器对高维特征的识别局限.首先,构造局部放电脉冲序列分布(PRPS)模式作为识别依据,利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间;然后,通过线性变换协方差矩阵的方式重构HOG属性空间,使其满足相互独立性;接着,根据属性重要性重新排列空间后,依次增加输入朴素贝叶斯分类器的属性个数,基于分类精度搜索最佳属性子集;最后,按照归约属性的相对重要性进行加权,最终设计出HOG属性选择加权朴素贝叶斯分类器.大量样本测试结果证明,此算法能够达到很高的识别精度,对传统识别算法的优化效果明显,有较好的应用价值.     

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种.为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法.应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标.通过天牛须搜...     

基于统计不相关最优鉴别矢量集的GIS局部放电模式识别

针对气体绝缘金属封闭开关设备（GIS）局部放电及其缺陷特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电灰度谱图。文中将主分量分析线性鉴别方法应用于局部放电模式识别，即首先进行主分量分析，将数据从超高维空间降至低维空间，再提取统计不相关的最优鉴别矢量集，最后采用最小距离分类器进行模式识别。识别结果表明该方法对GIS各类模拟缺陷的正确识别率高，效果良好。     

基于BAS-BP分类器模型的电压暂降源识别

为提高不同电压暂降扰动源的识别正确率,对电压暂降进行有效治理,提出一种利用天牛须搜索(BAS)算法和反向传播(BP)神经网络构建BAS-BP分类器模型的电压暂降源识别方法。文中应用改进S变换提取16个特征指标,组成电压暂降源识别指标体系,为消除冗余信息对分类结果的影响,利用组合赋权法筛选出9个指标作为分类器的输入量。通过BAS算法对BP神经网络的初始权值和阈值寻优,构建BAS-BP分类器模型,实现对配电网不同类型电压暂降源的识别。仿真结果表明,该分类器模型具有一定的抗噪能力与适用性,并且与常规分类器模型相比,具有更好的分类效果。     

以盒维数和信息维数为识别特征量的GIS局部放电模式识别方法

研制了5种典型的GIS人工模拟缺陷模型及其局部放电检测系统，通过实验获取了大量局部放电样本数据，构造出GIS局部放电灰度图象；提出有效估计图象盒维数的最少盒计数法；提取了GIS局部放电灰度图象的分形特征——盒维数和信息维数：利用以局部放电灰度图象的盒维数和信息维数作为识别特征量，径向基函数人工神经网络为识别分类器的GIS局部放电模式识别方法，取得了良好的识别效果。     

PD monitor system for power generators

This paper introduces a computerized PD monitoring system for generators and presents the experimental and numerical study of discharge pattern recognition methods. The system has specially designed transducers, data acquisition unit and software, and can obtain statistical as well as individual discharge information. In order to validate the performance of the system, experiments were done in the laboratory, using elaborately designed models that can generate various types of discharges. Feature extraction of the gathered data and neural network (NN) classification of the acquired discharge patterns were studied. The results showed that the surface fitting method is able to extract features from statistical data of discharges, and that NN is a potential classifier in practical applications     

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。     

局部放电灰度图象数学形态谱的研究

局部放电模式识别是判断电气设备绝缘状况和区分外部脉冲干扰的有效手段之一。数学形态学颗粒分析是一种十分有效的图像处理工具，主要用来处理灰度图像的粒度和形状特征，或者说通过数学形态谱以分析图像的纹理特征。提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论，采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱，并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型，计算其形态谱，输入双隐层人工神经网络实现放电模式识别，识别结果表明了该方法的有效性。     

SVM classification of contaminating particles in liquid dielectrics using higher order statistics of electrical and acoustic PD measurements

Electrical and acoustic partial discharge (PD) measurement and pattern recognition procedures are described for detecting and identifying contaminating particles in transformer mineral oils. This work introduces the use of support vector machines (SVM), a nonlinear non-parametric automatable machine learning algorithm, for the purpose of classifying the size and composition of such particles. The training and validation of acoustic and electrical PD measurement data, which are contaminated by time varying noise, are first filtered adaptively using wavelet decomposition. Statistics of a particle's impact upon collision with the walls of a tank, containing the electrode test assembly and the inter arrival time between collisions constitute the features for the SVM classifier. These statistics include higher order moments and the entropy of the estimated density function of the features. Results based on experimental training and testing data indicate that fusing of the acoustic and electric PD information at the features level provides a nearly perfect classification success rate. These observations demonstrate that, while electrical and acoustic PD data are correlated, they contain individually independent and complementary information regarding the state and condition of transformer type mineral oils.