基于LS-SVM和数学形态谱的局部放电模式识别

阐述了1种基于最小二乘支持向量机的局部放电模式识别的新方法.该方法采用多尺度数学形态学开运算提取局部放电信号的数学形态谱,通过数学形态谱可以看出每种类型局部放电具有不同的形态特征,把提取的形态特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具...     

基于数学形态谱和人工神经网络的高压输电线接地故障类型识别方法

高压输电线接地故障的正确、快速识别是处理故障的前提之一。该文提出了一种基于数学形态谱和人工神经网络识别高压输电线路接地故障类型的新方法。数学形态学颗粒分析是一种用来处理图像的粒度和形状特征的图像处理工具。该方法通过对故障电流进行相模变换后,用数学形态学颗粒分析方法提取序电流分量的形态谱,并作为神经网络的输入,实现对接地故障类型的识别。仿真表明,该方法具有较高是识别率。     

局部放电灰度图象分维数的研究

局部放电模式识别被普遍认为是一种预测高电压设备绝缘状况的有效手段，本文提出一种适用于局部放电模式识别的局部放电分形特征提取方法。该方法在估计分维数的改进差盒计维数（MDBC）算法的基础上，提取局部放电灰度图象分维数和二阶广义分维数以及局部放电高值灰度图象分数，共同构成局放电模式识别特征，针对高电压设备内部局部放电和外部放电干扰，设计了五种放电模型，通过放电模型实验获得的大量放电样本数据，构造出相应的局部放电特征提取图象，计算出分形特征参数，输入人工神经网络进行识别的结果表明，采用该方法具有良好的识别效果。     

基于小波变换和数学形态学的局部放电信号分析方法

应用小波变换与数学形态学相融合的方法对含有强噪声的局部放电信号进行消噪,并与小波变换的阈值法进行了比较,发现该方法能更有效地消除局部放电信号的噪声,同时能很好地保留原信号特征。采用多尺度数学形态学开运算提取消噪后的局部放电信号数学形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征,为放电类型的识别打下基础。     

交联聚乙烯电缆局部放电灰度图像的模式识别

局部放电模式识别是判断电气设备绝缘状况的重要方法之一。分形理论在局部放电特征的提取上是一种行之有效的方法,通过构造交联聚乙烯(XLPE)电缆局部放电信号的灰度图像,采用逐段搜索确定无标度区域,并采用盒维数与信息维数为特征量作为人工神经网络的输入,对局部放电缺陷进行模式识别。研究表明分形特征在局部放电模式识别上具有良好的效果。     

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。     

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。     

基于优化形态特征的变压器局部放电模式识别

针对变压器的4种典型局部放电模型的脉冲波形,应用多尺度数学形态学开运算提取局部放电脉冲波形的形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征。同时,为了去掉冗余的特征量,优化形态特征,对每种放电类型的不同形态特征进行相关性分析。实验结果表明,应用优化后的特征量进行识别能够得到良好的识别效果,并且能够降低识别系统的复杂度。     

基于GK模糊聚类和LS-SVC的GIS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,对正确识别GIS的放电类型具有重要意义。在GIS重症监护系统研究平台上人工设置4种GIS的典型缺陷。基于4种缺陷不同电压等级下的局部放电样本数据,提取局部放电灰度图像的分析特性作为识别特征量。同时考虑到现场干扰对局部放电信号的影响,利用GK模糊聚类算法对分形特征量进一步处理,以提取隔离干扰后的分析特征量。最后设计了基于LS-SVC的局部放电模式识别器。试验结果表明所提方法能有效识别GIS放电类型,比人工神经网络方法具有识别率高、稳定性好的优点。     

基于局部放电图像特征的换流变压器油纸绝缘缺陷诊断方法

油纸绝缘缺陷问题直接影响换流变压器的运行安全,而实现换流变压器的绝缘诊断对保证直流输电系统正常运行具有重要意义,但由于换流变压器内部同时存在着交流和直流的叠加电场,放电特征与交流电压单独作用时具有明显区别,因此交流变压器缺陷诊断方法不一定适用于换流变压器,基于局部放电的n-q-?谱图信息,构建了灰度图像,提出了基于图像特征的换流变压器缺陷诊断方法,提取属于图像本身的颜色特征、形状特征及纹理特征构成原始特征空间,采用粗糙集理论对特征空间进行优化,通过人工神经网络分类器实现缺陷模式识别。同时搭建了交直流复合电压下5种油纸绝缘典型缺陷放电检测平台,获取不同缺陷放电n-q-?谱图,并构建识别图像,验证了基于图像特征的缺陷诊断方法在换流变压器交直流复合电压下的使用效果,并发现该方法可以有效实现换流变压器缺陷诊断。     

基于二维变分模态分解和Hilbert变换的局放信号特征提取方法

本文通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。首先,利用局部放电样本生成相应放电灰度图;其次,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;然后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;最后,以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于本文方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,本文所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。     

基于距离的放电模式识别方法

阐述了用局部放电数字化—计算机测量装置检测放电信号,由放电统计特性来判断设备状态的意义。指出采用模式识别方法提高了放电识别的有效性。介绍了三种基于距离的模式识别方法:置信区间法、最小距离法、趋中心度法,分析了这三种方法的原理、算法和样本构成。最后对这三种用于识别放电的模式识别方法作了比较、归纳。     

基于多尺度纹理特征的EPR电缆终端故障诊断方法

高速铁路列车中乙丙橡胶(EPR)电缆终端常因制作过程中操作不当而导致出现多种缺陷,造成终端局部放电甚至击穿的现象,对检测到的局部放电信号进行准确分类仍然是亟待解决的难题。分别制作了含尖端、环切划伤、金属微粒、气隙4种典型缺陷的终端试样,通过试验记录了各类试样的放电谱图信息。基于试验得到的局部放电谱图库,提出通过图像金字塔理论,构建多尺度局部放电谱图空间,并从中提取1阶纹理统计量、2阶纹理统计量及高阶纹理统计量作为缺陷类型识别的特征参量。同时,结合随机森林算法,基于gini指数完成了特征空间寻优工作,实现了对缺陷类型的正确分类。结果表明：通过随机森林算法,多尺度纹理特征的模型误差率和分类准确率明显优于单尺度纹理特征,能较好地对终端典型缺陷进行分类;同时,由于气隙缺陷和划伤缺陷的放电机理存在相似性,二者缺陷处的局部放电特征同样存在相似现象,因此气隙缺陷和划伤缺陷的分类较易出现误差,导致其识别率偏低,还需针对其图像特征参数和识别算法继续开展研究。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于小波多尺度变换的局部放电图像识别方法

局部放电模式识别是一种高电压设备绝缘故障诊断的有效方法。文中基于小波多分辨理论,提出了一种对局部放电(?)-q-n灰度图像进行模式识别的新方法。该方法对局部放电待识别图像和参考图像进行小波多尺度分解,然后对某一尺度上形成的低频子图像进行相似度以及模式贴近度计算,按照模式贴近度最大的原则进行模式识别。文中对放电模型实验获得的放电样本进行了模式识别并计算出基于4种小波基的多尺度图像分解的局部放电图像的识别率,分析了小波分解尺度及4种小波正交性及光滑连续性对识别率的影响。分析表明,选择正交小波和合适的分解尺度,文中提出的方法能够获得良好的效果。     

基于K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用

局部放电相位谱图(phase resolved partial discharge pattern)是局部放电模式识别普遍采用的重要方法。但在中高压电缆在线局放监测系统中,电缆中的电压信号难以直接获取,使得局放相位谱图分析的开展遇到了重大的挑战。为此,在多年局放理论研究和局放现场应用研究的基础上,提出了基于K-Means聚类的局部放电相位谱图自动模式识别技术。该技术通过信号提取、坐标变换、K-Means聚类、中心点平移、模式判断的流程,克服了电缆局放监测中相位信息难以直接获取的缺点,能对来自三相的局部放电信号进行自动识别判断。5个应用实例证明,该方法能对电晕放电、内部放电、沿面放电和干扰信号做出准确的判断,必将在电缆在线监测系统中获得广泛的应用。     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。