基于卷积神经网络的多源局部放电模式识别

为验证开关柜多源局部放电直接分类的可行性,设计了四种典型局部放电模型,采集单局部放电源和双局部放电源信号,并绘制PRPD图谱作为数据集,利用卷积神经网络(CNN)模型进行模式识别。实验以经典模型的性能作为参考,再对表现较好的模型进行优化,得到最终模型。实验结果表明,优化后的模型准确率均超过98.5%,且训练时长较经典模型明显减少,适用于多源局部放电模式识别。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

基于相位分解法的局部放电模式识别

介绍了一种对局部放电脉冲进行相位分解而得到的指纹图.和用它对局部放电识别的方法及仪器。     

基于卷积神经网络的变压器局部放电模式识别

对局部放电进行有效识别可以为评估变压器设备绝缘状况提供科学的参考依据,然而局部放电类型的识别往往需要人为地提取描述特征,适应性很差。针对此问题,提出一种基于卷积神经网络的智能识别新方法。根据视觉注意机制分割出放电信号图像,并将灰度化和双线性插值归一化处理的图像作为卷积神经网络的输入。该方法模拟人脑的机制来解释数据,可以直接对采集到的放电信号图像进行自动特征学习与模式识别。实验中对4种典型放电类型的识别率超过了94%,显著优于传统的方法。试验结果表明,该方法无需进行复杂的特征提取,有较高的准确率和很好的鲁棒性。     

基于放电时差的局部放电模式识别的研究

为寻找一种无需校正、方便信号监测的局部放电模式识别方法,将局部放电脉冲间的时间差分布引入到局放放电的模式识别中,构造了放电相位、时间差与放电次数分布的三维谱图Hn(Δt,)φ,并分析提取了其灰度图象的盒维数与信息维数特征参量,最后以分形维数作为输入,径向基函数神经网络(RBFNN)作为模式分类器对5种人工油纸绝缘缺陷模型进行识别。研究表明,识别率均>90%并具有较强的抗干扰能力。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

基于增量学习的变压器局部放电模式识别

针对变压器局部放电类型多样,局放数据以数据流的形式存在,不可能一次性获得完整的样本集的问题,本文采用基于增量学习的方法对变压器的局部放电模式识别进行了研究。首先,对局放信号进行时频分析,得到局放信号的边际谱图像作为网络模型的输入;其次,构造数据集,并模拟实际情况,将不同的局放类型划分为不同的任务;最后,利用GradCAM++生成注意力图并构造注意力损失,对非遗忘学习算法进行改进,从而实现网络模型故障模式库的自动更新。实验结果证明,本文所提的方法更加接近实际情况,不同于以往分类器的静态模型,其可以在不改变模型主体结构的前提下,尽可能地保留以前任务的知识,并逐渐扩展网络模型的知识;相比于其他增量学习算法,本文的方法进一步缓解了灾难性遗忘的问题,一定程度做到了局部放电模式识别的智能化。     

基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

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。     

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。     

基于深度学习的变压器局部放电模式识别研究

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。     

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Kohonen网络的典型绝缘缺陷局部放电模式识别

针对变电站环境下局部放电识别所面临的不可控干扰多、现有识别方法初始参数难确定的问题,在设计符合变电站放电特点的典型缺陷,并采集多个样本数据的基础上,结合统计特征参数提取方法,基于具有自组织竞争识别、抗干扰性强特点的Kohonen网络,得出了一种适用于干扰环境下局部放电识别的新方法。通过探究Kohonen网络竞争层节点数对识别效果的影响,得出了针对样本数据的最佳识别参数,并将此网络与常用的模式识别算法在同等条件下进行对比,证明了其面对多种放电识别时的高稳定性与高识别率,验证了其用于变电站环境下局部放电识别时的优良性能。     

基于主成分分析和概率神经网络的变压器局部放电模式识别

提出利用主成分分析(PCA)的方法对变压器局部放电原始特征参数进行降维,并提取出新的主成分因子.结果表明,提取出的主成分因子可以很好地表征原始特征向量.通过概率神经网络(PNN)分类器分别对降维前和降维后的特征向量进行训练和识别.研究发现,提取出的新因子有效缓解了分类器负担,且PNN分类器的识别效果良好,优于传统BP神经网络分类器.     

基于相位谱图的开关柜局部放电模式识别方法

利用图像识别和模式识别理论,针对高压开关柜局放相位谱图特征提出一种基于二维最大准则法的提取和降维方法,并结合支持向量机(SVM)实现对开关柜内部局部放电类型分类识别。仿真计算表明该方法可直接对图片格式的相位谱图进行处理和识别,能避免因不同检测设备数据格式不同而造成的无法跨平台分析的问题;同时,采用二维最大准则法能对相位图谱进行大幅压缩,且在特征值nc=2和nr=7时,基于SVM的识别正确率可基本保持在90%以上。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

局部放电的极坐标谱图及模式识别

为了对电缆的局部放电试验结果进行分析,文中提出了一种利用放电信号的脉冲幅值q与相位角φ的余弦和正弦函数乘积绘制极坐标谱图的方法,指出了该谱图的特点。结合3种电缆接头放电模型的试验结果,分析了不同放电类型的谱图特征。提取了极坐标谱图的若干有关分布和对称的特征信息,形成了16维的特征向量,用人工神经网络方法进行了放电的模式识别研究。