基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

固体绝缘开关柜局部放电模式识别优化算法

电力设备内部绝缘缺陷引起的局部放电,含有可用于绝缘状态评估的特征信息。可以有效识别不同局部放电的类型。现有基于传统BP神经网络或SVDD模式识别方法在函数参数选择自主性很强,但由于不同放电类型的特征量在分布上是重叠、非线性的,BP神经网络容易陷入局部最优,识别率不高,SVDD算法在自由金属微粒缺陷识别效果不好。文中对SVDD算法提出了改进,在AP聚类与GPAM-PSO优化算法基础上提出一种用于固体绝缘开关柜局部放电模式识别的SA-SVDD算法。以解决传统模式识别算法在参数选择、训练方法上的不足,通过训练不同放电类型下的分类器,以达到准确识别不同放电类型。仿真结果显示该方法能自主识别不同PD类型,识别率、收敛速度较传统方法有较大提高,以便电力人员准确判断局部放电类型并制定相对应的抢修方案。     

基于神经网络GIS局部放电模式的识别

全封闭气体绝缘开关设备（GIS）广泛应用于电网中,其内部缺陷导致的设备故障可能会引起大面积停电事故.针对GIS缺陷放电模式识别问题,设计了3种GIS典型放电模式,通过实验平台获取放电指纹数据,并从中提取出12种特征.对基于单一网络方式的概率神经网络、自适应神经网络以及基于复合神经网络方式下的GIS局部放电识别问题进行对比研究,考察3种网络方式在输入验证、部分训练集等不同条件下的放电模式识别率与一致性问题.实验结果表明,采用上述单一方式神经网络可以作为一种局部放电识别手段,但识别结果的一致性较差,而复合神经网络不仅具有高识别率,而且一致性也较好,可以较好地满足GIS局部放电识别.     

基于PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱,提取了相关的特征参量;经过线性判别分析降维得到低维的样本空间,并送入到遗传算法优化后的概率神经网络中进行模式识别;分别采用BP神经网络、SVM、概率神经网络、优化概率神经网络4种分类器进行模式识别,实验结果表明,样本空间经过LDA降维,并经过遗传算法优化概率神经网络进行模式识别,具有较优的识别效果和识别时长.     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

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,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。     

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。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于Hu矩、Zernike矩和小波矩的局部放电识别分析

为了分析不同图像矩特征在局部放电中的识别效果,将基于局部放电相位分辨(Phase-Resolved Partial Discharge,PRPD)模式的φ-q-n三维图谱转化为二维灰度图,基于灰度图的矩特征对局部放电进行模式识别,不同的矩特征,图像的识别率相差较大。采用Hu矩、Zernike矩和小波矩对3种局部放电类型进行模式识别,结果表明:基于Hu矩和Zernike矩表征图像全局信息的特点,其图像识别率较低;而基于小波多分辨率特性的小波矩,不仅可以反映图像的全局信息,而且能够表征图像的局部信息,其图像的识别率达到100%,拓展了矩特征在局部放电模式识别中的应用。     

电力变压器局放信号抗干扰与模式识别

在局部放电信号抗干扰方面,考察了几种较新的阈值除噪方法,提出了将二进小波变换分别与单抽头最小均方LMS(Lease Mear Square)算法滤波器和基于Birge-Massart策略的小波去噪相结合的变压器局部放电信号抗干扰方法.同时针对局部放电信号的模式识别问题,首先分别根据模糊概率理论和波形匹配理论,针对时域单个特高频UHF(Ultra High Frequency)脉冲信号,提出了2种电力变压器特高频局部放电信号的模式识别方法.基于时域单个UHF脉冲信号的信息,提出了用于神经网络输入的8个特征量,分别利用BP网络、Elman回归神经网络和PNN概率神经网络对4种典型的变压器局部放电信号进行了模式识别的尝试,取得了较好的识别效果.     

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。     

基于EFPI传感器的GIS局部放电模式识别研究

非本征法布里-帕罗干涉(EFPI)光纤超声传感器可用于气体绝缘全封闭组合电器(GIS)内部的局部放电超声信号检测及模式识别研究,相较于传统的压电式传感器,具有灵敏度高、抗干扰能力强等优点。基于此,文中在充有0.4 MPa SF₆气体的GIS腔体内设置尖端、金属颗粒、悬浮和沿面4种典型的局部放电模型,创新性地利用EFPI传感器对放电超声信号进行检测,提取单次超声脉冲信号波形特征形成特征参数数据库,分别应用概率神经网络(PNN)算法和支持向量机(SVM)算法进行模式识别并比较分析。EFPI传感器检测到的超声信号特征突出,在提取特征参数的基础上,2种模式识别算法均能达到85%以上的平均识别率,且SVM的识别效果要优于PNN。     

基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

针对单一信号源特征无法准确识别局部放电(PD)类型的问题,提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集,提取不同信号的特征向参数,再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别,将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合,最后对融合结果进行决策。研究结果表明：基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性,识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补,有各自优势,可以解决故障诊断中的不确定性问题。在此基础上,基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补,与单一模型对比,所提方法可以稳定、准确地识别PD模式,具有更高准确率和可靠性,验证了所提方法的有效性与正确性。     

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。     

基于概率神经网络的局部放电信号特征提取与识别研究

为提高气体绝缘开关(Gas Insulated Switchgear,GIS)局部放电(Partial Discharge,PD)信号分类识别的准确度和训练速度,提出了基于概率神经网络(Probabilistic Neural Network,PNN)的GIS局放信号分类方法以及表述信号形状与统计特征的联合特征参量。首先利用特高频(Ultra High Frequency,UHF)法获取GIS局放模拟装置产生的局放信号作为数据集,绘制散点图,选取完整准确描述图像特点的特征参量,以提高数据区分度;然后提取特征参量并进行降维,以解决维度过高引起的低效性,并将数据集随机分为训练集和测试集;最后,通过概率神经网络进行数据的训练和测试,解决了反向传播(Back Propagation,BP)神经网络、支持向量机(Support Vector Machine,SVM)等传统模式识别训练速度慢、易陷入局部最小等缺点。试验对比结果表明,方法具备较高的准确度,且提出的联合参量分类准确度相对于传统方法具有明显提高。