基于 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。     

绝缘局部放电在线检测的信号预处理方法

通过对绝缘局部放电在线检测技术的分析,给出了一种基于信号理论的局部放电数字信号预处理方法,其主要采用归一化信号处理方法,提取信号的时域和频域的特征信息。在具有噪声、内部放电、表面放电等干扰信号的变压器上进行检测,验证了该方法的识别特性和绝缘故障模式识别的准确率。     

局部放电故障类型智能识别技术的研究

研究了局部放电故障类型的智能识别方法和其识别效果。基于超高频法研究了局部放电的信号特征,分析了不同放电类型的信号特征差异。构造了局部放电的二维谱图,提取了6个统计特征参数作为神经网络的输入,用以识别放电类型。通过对设计的三种放电类型的试验分析,发现放电样本选取对识别正确率有很大的影响,合理选取可提高识别效果。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

基于F-P光纤超声传感器和概率神经网络的油中局部放电模式识别研究

F-P光纤超声传感器具有灵敏度高、抗干扰能力强、电绝缘性良好等诸多优点,可在油中检测局部放电发出的超声信号。为了识别F-P光纤超声传感器所测局部放电信号的故障类别,建立了油楔、悬浮、尖端和沿面4种典型的局部放电模型,并进行了相关的试验研究。针对超声脉冲波形研究了一种信号特征参数提取的方法,实现了特征参数的提取,然后应用概率神经网络对超声信号进行智能模式识别,分析了识别效果。建立的4种局部放电模型能够产生稳定的超声信号,满足试验要求,并提取了超声脉冲波形特征参数,对其运用概率神经网络进行模式识别分析,结果发现识别效果良好,有较高的识别正确率。     

基于小波包变换的干式变压器局部放电超声信号的模式识别

为研究干式变压器局部放电超声信号的模式识别,设计制作了针-板、沿面和气隙3种局部放电模型,用超声检测系统得到3种局部放电的超声信号波形数据。运用小波包理论对采集到的局部放电超声信号进行分解,用Shannon熵代价函数来确定最优小波包基,得到最优小波树,提取在最优基下包含绝大部分信息能量的小波包分解系数的统计量作为模式识别的输入特征量,并应用CPN网络分类器进行放电类型的识别,取得了很好的效果。     

基于声纹识别系统的局部放电超声信号识别研究北大核心CSCD

为准确构建局部放电的超声信号和对应缺陷的关系,文中提出了一种基于声纹识别系统的对超声信号进行模式识别的超声识别系统。该系统首先对局部放电超声信号进行分帧和加窗处理,然后提取MFCC和GFCC特征向量,分别根据MFCC或GFCC建立GMM模型,最后利用极大似然估计对待识别样本进行识别。为验证该系统的有效性,文中设计了自由金属颗粒放电模型、悬浮放电模型和尖刺放电模型,并充入不同的绝缘气体,对不同缺陷的超声信号应用超声识别系统进行计算分析。研究结果表明,利用MFCC或GFCC特征向量建立的GMM模型具有代表性,基于改进声纹识别系统的局部放电超声识别系统对缺陷类型的识别结果符合预期,该系统可为超声信号的模式识别提供一种新方法,为电力设备故障检测和工况判断提供依据。     

基于原始信号多尺度信息的局部放电特征提取与识别

不同类型的局部放电脉冲,对电缆的危害程度不同,其判断标准也不一样,因此对局放类型的辨识具有重要意义.制作了沿面放电、悬浮放电、针-板放电和自由颗粒放电4种典型的故障缺陷模型,并搭建实验平台测取放电数据.对数据去噪处理后,构建4种放电类型的局部放电相位分布模式PRPD(phase resolved partial dis?charge),并利用谐波小波包变换对原始局放信号进行分解,提取局放信号的多尺度能量特征参数和多尺度样本熵参数,将它们组成特征向量,送入支持向量机SVM(support vector machine)中进行分类识别.4种放电类型的平均识别率为94.5％,因此利用多尺度参数特征可以有效识别出不同类型的局放信号.     

基于S变换的高压直流输电故障诊断

在研究采用S变换提取的信号的幅频特性和相频特性基础上,提出了一种基于S变换的高压直流输电故障诊断方法。通过对故障信号进行S变换(一种可逆时频局部分析方法,能有效提取信号的时频特征)后,提取故障特征量,融入构建的故障识别指数,利用识别指数所在值域来判断故障类型。该方法已经在高压直流系统各类型故障中进行了仿真测试,表明是有效可行的。     

基于Iradon-CNN的变压器局部放电状态识别方法

为解决变压器局部放电故障所带来的安全隐患,提出了一种基于逆拉冬变换(Inverse Radon transform,Iradon)-卷积神经网络(Convolutional Neural Networks,CNN)的变压器局部放电信号图像识别方法。针对三种故障进行了局部放电实验,首先通过共振稀疏分解对局部放电信号进行分解,获取低共振分量,然后将其转换成Iradon图像,最后利用CNN自适应地提取Iradon图像的特征信息。结果表明,该方法能够准确提取信号特征,具有强大的数据处理和识别功能,并为变压器局部放电状态的识别提供了丰富的信息,提高了学习效果和识别精度。     

基于多特征融合的GIS局部放电状态检测方法

为了优化GIS局部放电状态检测效果,提高检测率,引入多特征融合方法原理,开展了基于多特征融合的GIS局部放电状态检测方法研究。首先,需要采集GIS设备的局部放电数据并对其进行预处理,为后续放电状态检测提供有力的数据支持。其次,提取GIS局部放电特征,包括时域特征与频域特征。在此基础上,融合提取到的时域特征和频域特征,根据融合处理后的GIS局部放电特征,检测GIS局部放电状态。实验结果表明,提出的方法应用后,4种不同类型的局部放电绝缘故障模型的放电状态检测率均达到了98%以上,能够更好地捕捉到GIS设备的局部放电特征,从而更准确地判断其放电状态。     

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform, EWT)和多尺度量子熵(Multiscale Quantum Entropy, MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function, IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement, LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering, HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。     

基于遗传编程的绝缘内部局部放电缺陷模式识别

采用新的模拟进化技术——遗传编程，进行局部放电模式识别以区分不同的绝缘内部缺陷类型。制作了4种结构的人工缺陷模型以模拟发电机定子中典型的绝缘内部放电，从局部放电试验中获得二维和三维谱图特征，计算局放信号的矩特征值。首先用模糊方法将局部放电信号的矩特征表示为关于对象不确定知识的模糊特征，作为放电数据的预处理。再由遗传编程分类表达式进化生成局部放电缺陷类型判别函数，并采用递增式学习规则以提高最佳特征对局部放电缺陷分类的效果。另外，将Bootstrap统计模拟技术与遗传编程结合，以克服从小样本数据中进行知识获取的“瓶颈”。人工缺陷模型试验数据的测试结果表明，该方法在局部放电缺陷类型识别中得到了良好的识别效果。     

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LabVIEW的三相共筒式GIS局部放电故障类型识别系统的研究

气体绝缘组合电器（Gas Insulated Switchgear,GIS）局部放电在线检测对于保证其安全运行至关重要。为了有效地识别出故障类型,对三相共筒式GIS进行典型缺陷局放试验,获得局放信号数据。设计了基于LabVIEW平台的局部放电故障诊断识别系统,通过对局放信号数据进行分析,能有效的识别出三相共筒式GIS内的典型缺陷故障类型。     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维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。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。     

统计特征参数及多分类SVM的局部放电类型识别

局部放电模式识别是诊断变压器绝缘状况的一种有效方法,为提高局部放电类型识别的正确率,提出了基于统计特征参数及多分类SVM的局部放电类型的识别方法。在实验室设计了4种典型的变压器故障缺陷,采用统计特征参数法提取各局部放电图谱的27种特征量,引入M-ary分类思想,将支持向量机的两类分类问题扩展为多类分类,使训练计算量和测试计算量大大减少。实验结果表明,该方法用于局部放电类型识别具有较好地识别效果,并且计算速度快。     

基于IFS的局部放电超声信号的数据压缩和模式识别

变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。     

基于超宽频带法的油纸绝缘局部放电检测方法

油纸绝缘缺陷是引起油浸式变压器绝缘故障的主要原因。传统脉冲电流法进行油纸绝缘局部放电检测的频率较低、频带较窄,难以全面反映局部放电信息,影响绝缘状态估计。为此设计和使用了一种有效测量频带为30 kHz～50 MHz的超宽频带局部放电检测方法,该方法有效测量频带较宽,可以更加准确地反映局放信息,更适用于局放类型的识别。在实验室中分别搭建变压器油纸绝缘3种典型缺陷模型下的局放实验平台,采用超宽频带局部放电检测法和传统脉冲电流法分别对局放信号进行同步采集,并对其检测数据进行对比研究。为直观对比两种局放检测方法的应用效果,基于两种检测数据,设计了受限玻耳兹曼机结合灰狼优化支持向量机算法模型进行局放类型识别。结果表明：在超宽频带检测方法下,3种典型缺陷模型下的局部放电幅值、放电次数的相位分布具有各自特点,且不同于传统脉冲电流法;分别基于两种方法提取的特征参数值具有较大差异;在文中所举分类方法和选择特征量的情况下,基于超宽频带法的局放类型识别准确率达到97.22%,相比于传统脉冲电流法具有更好的分类识别效果。