变压器油纸绝缘气隙放电能量-小波矩特征及放电过程划分

基于油纸绝缘气隙放电模型,研究放电能量的变化规律。通过引入放电重复率,提出用每秒平均放电能量描述气隙放电的发展过程。引入放电发生的工频相位,构造基于放电能量的φ-W-n三维统计图谱,投影到放电能量-相位平面得到灰度图像。采用一种基于小波矩特征的局部放电灰度图像特征提取方法,得到灰度图像的全局特征和局部特征。根据提取到的不同放电时刻的小波矩特征值,采用模糊C-均值聚类的方法将整个放电过程划分为放电产生和振荡发展阶段、微弱放电阶段、放电爆发阶段以及放电预击穿阶段。     

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φ-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Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

纹理特征提取的不变矩探讨

针对目标形状发生变化引起图像特征提取困难等问题,采用不变矩作为特征量的特征匹配算法,以纹理图像为研究对象,分析不变矩的基本理论,探讨具有全局统计信息的不变矩设计方法。仿真实验中,分别利用Hu矩和Zernike矩提取纹理图像的视觉特征,比较2种统计矩在纹理特征提取中的应用范围。实验结果表明,不变矩可以作为目标形状改变后的一种图像特征。然而,对于新的不变矩的构建仍需作进一步研究。     

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。     

油纸绝缘沿面放电小波矩特征信息提取及其过程划分

油纸绝缘沿面放电是变压器内局部放电的主要形式,研究其产生及发展特性,能有效诊断运行变压器的潜伏性缺陷。笔者基于典型油纸绝缘沿面放电模型,采用恒压法开展局部放电发展特性试验研究。采集沿面放电发展过程中不同时刻的信号样本,提取了不同阶段沿面放电灰度图像的小波矩特征参量。对新特征参量进行无监督聚类分析,聚类结果结合不同时刻的信息将沿面放电发展过程分为初始、发展、稳定、预击穿4个阶段,为沿面放电发展特性研究提出了一种新的方法。     

利用矩特征进行发电机线棒模型的局部放电模式识别

将矩特征应用于局部放电的特征提取和模式识别 ,制作了四种模型线棒以模拟发电机定子绕组中的典型局部放电。矩特征由三维 φ - q -n谱图计算得到。模式分类采用BP网络。BP网络的输入向量以四种方式构成 :表列数据、曲面拟合参数、矩和中心矩。文中对使用不同输入向量时局放模式识别的有效性进行了比较。研究表明 ,中心矩对区分发电机中某些典型放电具有令人满意的能力 ,而且使用矩特征可以大大减少输入特征向量的维数     

基于小波矩特征信息的沿面放电阶段识别方法

沿面放电是电力变压器绝缘局部放电的主要形式之一,开展沿面放电发展特征的研究,对甄别变压器潜伏性故障具有重要意义,为此,根据典型的沿面放电模型,利用恒压法试验对其发展特征进行研究分析。针对沿面放电不同时间的信号样本,提取不同时间阶段局部放电灰度图像的小波矩特征参量。通过对特征参量的无监督系统聚类分析,建立一种基于聚类-多级支持向量机(support vector machine,SVM)的不同放电阶段识别机制,将整个放电过程划分为了初始阶段、发展阶段、稳定阶段、预击穿阶段,为局部放电发展特性研究提出了一种创新方法。     

基于灰度共生矩阵纹理特征的局部放电模式识别

传统的统计参数特征,因放电次数及放电相位分布等因素的影响,会出现无效信息,降低局部放电识别率。为了减少这些因素的影响,引入灰度共生矩阵纹理特征对局部放电进行模式识别。首先通过实验构造局部放电相位-放电量-放电次数(j-q-n)三维图谱,获得放电分布矩阵。其次计算其对应的灰度共生矩阵,并提取出相应纹理特征。最后利用聚类分析对不同放电缺陷进行了有效判别分类。实验结果表明:基于放电分布灰度共生矩阵的纹理特征可以有效辨识不同局部放电类型,为局部放电模式识别提供了一种新思路。     

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。     

基于双向二维最大间距准则的局部放电灰度图像特征提取

针对高压交联聚乙烯电力电缆中间接头绝缘缺陷的辨识问题,提出一种局部放电灰度图像特征提取的双向二维最大间距准则方法,对获取的局部放电灰度图像从水平和垂直2个方向进行投影,得到了不同类别灰度图的鉴别矢量,选用最近邻分类器进行局部放电分类,以辨识电缆中间接头出现的不同绝缘缺陷。该方法解决了局部放电灰度图像特征提取维数大、识别样本少的难题。在对实验室4种典型电缆接头绝缘缺陷产生的PD信号进行对比辨识表明,其局部放电特征提取的速度和绝缘缺陷的识别率优于常用的主成分分析或Fisher鉴别分析方法。     

基于Hu不变矩的叶片图像识别技术的研究

本文介绍了一种基于叶片图像的Hu不变矩对叶片图像进行识别的方法。首先对叶片图像进行预处理并提取出叶片的几何特征,然后利用相关系数法对不同的叶片图像进行匹配。在基于几何特征的匹配中,本文重点研究了叶片的不变矩特征,从而能够有效的识别出叶片的种类,平均识别率达到了87％。     

基于小波系数Hu矩的生物组织损伤监测方法

提出了一种基于B超图像的小波系数Hu矩特征值并结合支持向量机监测生物组织损伤的方法。利用高强度聚焦超声(HIFU)对新鲜离体猪肉组织进行辐照,实时获取辐照前后的B超图像,并对其进行预处理获取减影图像。提取减影图像的Hu矩、小波系数均值和基于小波系数的Hu矩3个特征值,分别利用支持向量机对生物组织样本进行学习、分类处理。结果表明:小波系数Hu矩特征值比Hu矩和小波系数均值的总辨识率分别高出2.70%和2.05%,从而可以更有效地监测HIFU治疗中生物组织损伤情况。该方法可以帮助临床医生客观地监控HIFU治疗过程,对提高HIFU疗效有实际意义。     

GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

基于灰度图像分解的局部放电特征提取与优化

提取有效的局部放电(PD)特征是输变电设备缺陷识别的前提。以局部放电灰度图像为分析对象,提出了基于二维主成分分析(2DPCA)的局部放电图像特征提取策略。算法通过2DPCA将PD灰度图像分解为多个一维向量,并对每个向量提取了9个特征参量,组成了PD图像分解特征集。同时,建立了基于粒子群优化(PSO)算法的PD特征选择算法,以优化PD图像分解特征,提升局部放电缺陷类型识别结果。对实验室考虑多因素影响的PD样本识别结果表明,2DPCA图像分解特征可以取得93%的PD缺陷识别率,经过PSO优化后的2DPCA特征可以将PD识别率提高至96%,并且特征维数由72降至28,充分说明方法的有效性。另外,对添加不同随机干扰的PD样本平均识别率均大于85%,表明2DPCA图像特征具有较好的抗随机干扰能力。     

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。     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机（LS-SVM）的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。