Bootstrap方法在局部放电特征提取中的应用

介绍了用Bootstrap方法对局部放电特征的小样本原始数据集重复再采样 ,提取其特征参量的统计信息 ,建立绝缘缺陷特征隶属函数 ,并应用遗传编程分类方法对缺陷模型进行模式识别的方法。试验结果表明该方法有效、可行。     

局部放电图像组合特征提取方法

研究了局部放电图像组合识别特征提取和反向传播算法神经网络分类器设计方法 ,根据变压器局部放电在线监测的要求 ,设计了 5种放电模型并进行了模拟实验。 5种放电模型数据识别结果说明 :与分别采用分形特征和统计特征的识别结果相比 ,采用两者组合的识别特征集具有更高的识别率     

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.     

电力设备局部放电模式识别中分形理论的应用

本文论述了分形理论在局部放电特征提取中的应用 ,建议将分形理论和小波变换、人工神经网络相结合 ,可以提高局部放电模式识别的有效性和准确率。研究表明 ,分形理论在局部放电模式识别中的应用极具发展前景 ,它可以大大减少特征提取数量     

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BP人工神经网络的局部放电模式识别

本文介绍了ＢＰ人工神经网络在局部放电模式识别中的应用,结合实际现场情况提出了一部局部放电特性的提取方法,并在此方法基础上开发出局部放电模式识别系统,然后利用此系统对空气火花放电和油中火花放进行了模式识别实验,实现结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。     

基于自编码网络的局部放电信号特征提取与识别

气体绝缘金属封闭开关设备(GIS)的状态影响电力系统运行的可靠性,而局部放电是设备潜伏性绝缘故障的重要表现之一。传统局部放电模式识别方法依赖专家经验选取局部放电特征,主观性强且不确定度高。针对这一问题,文中提出将深度学习技术引入局部放电模式识别领域,运用卷积神经网络及其扩展自编码网络提取局部放电信号特征,充分发挥自编码网络的特征抽取能力。同时,将所提取的特征与经典分类器进行衔接,有机结合传统机器学习方法与深度学习方法,实现局部放电信号的基本参数提取、统计特征计算与放电类型识别。实验结果表明,文中所提方法提取的特征相较传统的人工特征可明显提高局部放电的分类准确率和分类效率,具有广阔的工程应用前景。     

电容器直流局部放电的统计指纹分析

针对电容器直流局部放电测试中的离散数据,借助统计理论,合理地对局部放电数据进行峰度、偏度、相关度、变异度等参量提取,然后利用BP网络对提取的参量进行识别,获得了较高的识别率,并发现选择不同的识别输入量,识别的结果有一定的不同,这对以后的深入研究有很大的参考价值。     

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。     

基于深度学习的PRPD数据特征提取方法

气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)局部放电(Partial Discharge,PD)的传统特征提取具有依赖专家经验、盲目性高、识别率低的缺点,文中将局部放电PRPD数据转变为灰度图,利用卷积神经网络强大的特征自适应提取能力提取灰度图的辨识特征,并将特征应用于经典分类器如SVM、随机森林,BP神经网络等,实现深度学习方法和传统机器学习方法的有效融合。实验表明,该方法提取的特征具有更高的辨识度,可以有效提升局部放电模式识别的准确率。     

基于盒维数分形的GIS局部放电信号特征提取

对气体绝缘组合电器（GIS）四种主要缺陷放电构造了局部放电图谱,通过对数据统计分析发现,分形特征仅仅描述了散点集局部的自相似性和复杂程度,不能对散点图从整体上进行描述.改进了传统的盒维数计算方法并结合散点集的分布重心,描述了散点图的自相似性和整体分布,使得缺陷局部放电识别正确率有明显提高.     

基于直流局部放电的高压储能电容器缺陷的模糊识别

为提高脉冲功率系统中高压储能电容器的可靠性,笔者利用直流下局部放电对电容器进行缺陷检测,得到直流局部放电测量数据的统计谱图,提出基于模糊数学理论识别电容器缺陷类型的方法.首先从22个统计算子中挑选出12个具有典型特征的统计算子组成特征向量,然后通过内部缺陷、接触缺陷、重叠缺陷、油质缺陷4种典型缺陷的测量,计算出每种缺陷...     

GIS局部放电深度分层放电类型诊断方法研究

现有的GIS局部放电类型诊断主流采用单一分类器直接进行多类型划分,该方法对类间交叉重叠区域敏感,且受单一分类器固有缺陷的影响。文中提出了一种深度分层放电类型诊断方法,以逐层二分决策实现多类划分,在分层决策中优先进行良性样本的区分,将交叉重叠区域分类问题放至深层节点进行,且在每个二分节点处可择优选用不同分类器。设计了5种典型的GIS放电模型,从放电PRPD谱图、U-Δt序列谱图的统计特征、图像特征出发,构造了16个特征参量,探索了不同分层深度值下的诊断分类正确率,并与传统直接分类方法进行了比较。结果表明:深度分层诊断相比于直接识别诊断,总体识别正确率提高了20%,尤其对直接识别诊断误判率大的沿面、颗粒类缺陷,识别正确率提升明显(30%)。     

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...     

基于三维谱图混沌特征的GIS局部放电识别

气体绝缘电器(GIS)局部放电(PD)的故障诊断对于GIS的运行状态评估有着重要意义,传统模式识别方法局限于对描述PD谱图形态分布方面的特征进行分析与识别,缺乏对PD特征更全面、更深刻、更本质的分析研究,导致出现对某些类型放电识别率低等问题。针对这些问题,本文提出了一种基于混沌理论的GIS PD识别方法,连续采集100个工频周期的PD信号构成一个?-v-n三维谱图样本F,以矩阵F的一列作为一个信号序列进行混沌分析,即计算对应同一相位信号序列的最大Lyapunov指数,获取36个最大Lyapunov指数在不同相位区间的分布特征作为不同相位下的局部放电混沌特征。实验结果表明,提取的混沌特征可实现对PD本质的深入挖掘,整体识别效果较好,特别是对于传统的统计特征识别方法难以区分的气隙类缺陷识别率很高,可作为统计特征识别方法的辅助方法加入到识别系统中,进一步提高识别准确率。     

基于VPMCD的变压器局部放电模式识别

识别局部放电的类型对变压器状态评估十分重要。文中构造了四种变压器局部放电实物模型,从放电信号中提取18个统计特征量,使用基于变量预测模型的模式识别方法(Variable Predictive Model based Class Discriminate method,VPMCD)完成局部放电信号的分类。对比实验结果表明,VPMCD方法在识别率和计算效率均高于BP神经网络。     

基于多特征信息融合技术的局部放电模式识别研究

针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别"误诊"的问题,以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息,利用放电时间、放电相位分布及UHF能量与放电量相关性等3类特征信息的共性和差异性进行融合互补,提出一种基于多特征信息融合的PD模式识别方法。通过在一套三相分箱式真实GIS(ZF-10-126)试验平台上实测所得的PD试验信息进行分析其结果表明:3类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性,但有着各自优势。而采用D-S证据理论进行3类特征信息融合PD模式识别技术,可对3类特征信息独立识别法各自存在的不足进行互补,具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。     

基于时延序列特征的多局放源信号分离方法

现有多局部放电(PD)源信号分离方法多采用PD UHF信号的时频差异作为特征参数进行多源信号分离,但在信噪比较低时分离准确率低。为此,文中提出了基于时延序列分布特征的多PD源信号分离方法,采用两支定向天线组成的旋转检测平台分析出时延序列与天线阵列旋转角度满足余弦函数关系,以此对应关系为特征值进行多PD源信号分离。基于时域有限差分算法仿真了3个模拟PD源在不同信噪比时的分离准确率,与现有多源分离方法进行对比,当信噪比为5 d B时,分离准确率从71%提升至95%。在220 k V试验变电站内试验,结果表明多个PD源被准确地分离和定位,验证了该分离方法的有效性。     

一种基于Morlet小波分析与神经网络技术的局部放电识别方法

小波变换技术适合电机局部放电的模式识别,笔者从一个新的角度来描述了局部放电信号的特性。研究表明,用Morlet小波变换三维分布图计算出的特征参数可以区分空气中的尖尖放电、尖板放电和沿面放电。理论和仿真实验分析表明,小波变换三维分布图提取的特征参数可以作为识别局部放电的新特征量,这些特征量作为人工神经网络的输入量可单独使用也可结合其它方法使用。     

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。