直流XLPE电缆局部放电模式识别技术研究

本文为解决传统直流XLPE电缆局部放电模式识别查准率低的问题,提取局部放电行为特征,处理局部放电行为特征描述子,基于行为特征,将局部放电模式分类,建立局部放电模式识别矩阵,实现局部放电模式识别。设计实例分析,结果表明,实验组识别查准率明显高于对照组,能够解决传统技术识别查准率低的问题。     

发电机局部放电非线性模式识别现状及展望

局部放电是导致发电机定子绝缘劣化的重要因素,在线监测局部放电信号并采用非线性方法识别放电类型,能够及时发现绝缘内部局部缺陷及放电发展程度,防止事故发生。阐述了发电机局部放电产生的类型、特点、在线监测方法以及放电过程的非线性特征,介绍了几种非线性模式识别方法的构成原理与特点,包括基于人工神经网络、小波分析和分形理论的局部放电模式识别,并对近年来各非线性识别方法及其组合的主要研究成果进行了总结与评述。最后还对未来发电机局部放电模式识别的研究方向进行了展望,指出快捷方便的非线性识别方法依然是研究的重点。     

基于超声红外热像的电缆终端局部放电缺陷检测方法

电缆终端局部放电缺陷特征短暂,缺陷范围与外部环境纠缠,很难准确定位,需要结合温度特征和模式识别特征共同检测,本文利用超声红外热成像的优势,提出基于超声红外热像的电缆终端局部放电缺陷检测方法,方法利用图像梯度化、灰度化处理采集到的电缆终端局部放电缺陷特征超声红外热成像图,并通过智能模式识别处理方法抑制采集图像的复杂背景,删除包含在电缆终端局部放电缺陷特征红外图像中的大面积地物及地面;根据K-means聚类算法,圈定疑似局部放电缺陷特征范围,构建局部放电缺陷范围模板,经匹配参考范围后,得出疑似局部放电缺陷范围的温度特性信息,诊断电缆终端是否存在局部放电缺陷。实验结果表明,该方法可有效获取电缆终端局部放电缺陷部位,检测不同类型的电缆终端局部放电缺陷的平均精准率高达98%,平均漏检率为1%。     

基于人工神经网络的电气设备超高频局部放电模式识别研究

为了提高电气设备变压器超高频局部放电特征识别能力，提出基于人工神经网络(ANN)的电气设备变压器超高频局部放电模式识别方法。根据电气设备绕组间的短路阻抗特性进行超高频局部放电模型构造，计算电气设备变压器励磁支路增量电感，采用人工神经网络辨识方法进行电气设备变压器超高频局部放电特征提取和模式识别，计算输出的静态电感和增量电感，采用快速傅里叶变换提取电气设备放电脉冲调节，计算一次侧基频电流幅值，根据励磁曲线和励磁电阻的匹配模式，建立电气设备变压器超高频局部放电的参数提取模型，采用人工神经网络实现电气设备变压器超高频局部放电模式识别。仿真分析结果表明，在0.020s时，本文方法多数值均能检测出局部放电，采用该方法进行电气设备变压器超高频局部放电模式参数识别的准确性较高，收敛性较好，抗干扰能力较强。     

基于神经网络的局部放电模式识别方法研究

局部放电是评价在线高压电器绝缘状态的重要技术参数之一.绝缘缺陷和局部放电紧密关联,在线监测高压电器运行状态,实时采集绝缘局部放电信号并对其进行数理分析处理和属性分类,推断、预测绝缘缺陷部位及放电发展程度,可以预报预防事故发生.因此,局部放电模式识别技术的研究和理论探讨具有重要的工程应用价值和学术意义.因此,文中将神经网络应用于局部放电的模式识别并进行研究,对数据进行归一化处理后得到较好的网络收敛性和识别速度.     

基于关联维数的高压电机定子绕组局部放电信号模式识别

提出了利用分形理论对高压电机定子绕组局部放电信号进行处理的方法,得到局部放电信号的关联维数,并将其作为特征参量对几种典型的局部放电信号进行模式识别。局部放电信号是非线性、非平稳随机信号。因此采用非线性理论中的分形理论对其进行分析,即计算关联维数。考虑到相空间重构中嵌入维数和时间延迟对关联维数精度的影响,采用联合算法确定2个参数。仿真结果表明,关联维数用于局部放电信号模式识别是行之有效的。     

船舶高压电气设备局部放电模式快速识别研究

船舶高压电气设备局部放电严重影响电气设备的正常运行与船舶安全,但是不同类型的局部放电在放电过程产生的超高频电磁波信号存在显著差异,需要根据其电磁波信号进行模式识别,而传统的检测方法无法适应船舶强电磁干扰、高频机械振动噪声的恶劣环境。为此,本文设计了可以快速进行船舶高压电气设备局部放电模式快速识别的方法。该方法根据船舶高压电气设备超高频电磁波信号的特点,提取四种典型局放信号以及待测信号的特征值向量,通过计算模式识别可信度因子R,实现对待测局放信号的快速准确识别,试验测试表明该方法能够快速识别船舶高压设备局部放电类型,提升了船舶高压设备的运行可靠性。     

环网柜电缆头局部放电检测与模式识别

电缆接头的局部放电现象是户外环网柜绝缘故障的主要表现形式,本文利用电磁耦合法对电缆头局部放电进行检测,建立环网柜电缆局部放电检测实验平台,应用局放仪测得的局放量作为局放发生判据,运用小波变换理论滤除信号中的噪声干扰,提取有效信号。通过大量的实验分析,选取8MHz-12MHz信号频谱的功率谱面积作为模式识别的特征向量,利用BP神经网络算法实现电缆头的局部放电识别。结果表明,该方法能有效区分局部放电发生与否,具有较高的识别率,为局部放电检测提供了一种新的算法。     

一种用于局部放电典型模式诊断准确性评价的装置和方法

局部放电缺陷模式的准确诊断对于放电缺陷的定位、放电严重程度的评估以及最终的维修决策均有重要的辅助价值。然而目前针对局部放电典型缺陷模式诊断的工程实践效果并不理想,甚至已经成为行业痛点,制约着局部放电检测技术的应用前景。一方面由于局部放电本身具有很大的随机性,深入的放电机制研究不充分,导致工程上对放电模式的认识和诊断存在先天基因的不足,另一个主要方面在于目前对于放电模式识别的准确性缺乏有效的评价方法,各个科研院校和企业单位均有各自的诊断方法,但优劣无法评价,无法发展出一种准确性高的评价体系,使得良莠不齐的现状一直持续。本文以GIS典型缺陷模式为具体研究对象,提出了一种局部放电典型缺陷模式的诊断准确性评价方法,首先由高性能程控模拟发生器精确重现局部放电的缺陷模式波形、幅值、序列特征,屏蔽性好、工作频带宽的GTEM小室提供耦合空间,然后将待评价的诊断系统传感器放置于小室窗口处,通过已知的发射信号模式类型与待评价系统反馈的诊断类型进行同步比对,最终确定待评价系统的诊断准确率。     

基于MobileNet的电缆局部放电模式识别方法

针对传统方法判别电缆局部放电类型非常耗时,且准确率较低等问题,提出了一种基于MobileNet的电缆局部放电模式识别方法。对电缆高频局部放电带电检测仪器采集到的各类PRPD图谱进行预处理与数据增强,形成图谱库;将预先训练好的MobileNetV1模型中的权值迁移到局部放电的新任务中,对模型进行网络结构和权值的微调;对迁移后的新模型进行训练,将训练得到的识别率最高的模型作为测试模型,并对测试集中的PRPD图谱进行测试。实验结果表明,该算法的识别准确率可达96.4%,并有效提升了训练的收敛速率。将该算法应用于基于安卓设备的智能局部放电巡检仪,在实际场景下,能够实现局部放电缺陷类型的快速识别,且识别准确率达到95%以上。     

基于多重卷积神经网络的大模式联机手写文字识别

联机手写识别在日常生产生活中有着广阔的应用,模式识别也一直把其作为研究的重点。传统的识别方法是利用普通卷积神经网络技术,该方法在对小规模字符集联机手写文字识别时有着较高识别率,总体性能高,但在对大规模字符集识别时,识别率则大大降低。提出一种基于多重卷积神经网络的识别方法,旨在克服以往方法对大规模字符集识别时识别效率不高的问题,提高大规模字符集联机手写文字的识别率。系统使用随机对角Levenberg-Marquardt方法来优化训练,通过使用UNIPEN训练集测试该方法识别准确率可达89%,是一个有良好前景的联机手写识别方法。     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。     

汉字识别研究的回顾

本文回顾了汉字识别研究的历史。根据模仿人类视觉模型，基于文字图像的统计模式识别方法是文字识别取得瞩目进展的基础。模式识别信息熵理论揭示了模式分类的信息过程和理论极限，本文讨论了从汉字图像中提取特征以及文字识别分类器设计和学习的各种方法。介绍了文本识别必须解决的文字切分，版面分析、理解和重构，及提高识别性能等重点问题，最后，总结了文字识别研究的重要进展和对今后的展望。     

基于神经网络的图像识别

神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术。在进行图像识别之前需要利用数字图像处理技术进行图像预处理以及特征提取。本文选取字符图像0~9作为识别目标,对图像预处理过程进行了叙述,并在此基础上选取字符图像矩阵每行的与每列的黑色像素点之和以及图像欧拉数这两个特征作为BP神经网络的输入样本。经实验仿真表明图像的平均识别率为89%,这表明图像预处理的结果和提取的特征是合适的、有效的,设计的BP网络也较好的完成了模式分类识别工作。     

脱机手写体汉字识别综述

脱机手写体汉字识别是模式识别领域最具挑战性的课题之一。本文分析了近年来脱机手写体汉字识别的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展。     

开关柜局部放电信号降噪与缺陷识别研究

文中采用暂态地电压法(TEV)进行检测,设计了四种典型的缺陷模型并搭建试验平台,分别对局部放电缺陷模型进行了实验。由于变电站现场环境复杂,需要对采集的信号进行信号降噪。针对以往小波降噪都是按照经验采取固定的分解层数的问题,提出一种Mallat算法结合最优分解层数自适应算法对含噪信号进行分离与重构,结果显示该算法可以很好地滤除噪声。对重构后的局放信号提取八种时域特征参数,并采用BP神经网络对开关柜局部放电的类型进行识别,当误差准确率δ=0.002时,放电类型的识别正确率最高,能够达到97%。