共查询到20条相似文献,搜索用时 234 毫秒
1.
基于神经元网络的发电机定子模型线棒放电模式识别的研究 总被引:2,自引:0,他引:2
设计了4种发电机定子线棒工业仿真模型,取得了不同放电模式(类型和发展程度)的大批试验数据。用ψ-q-n三维谱图方式压缩放电信息,q轴采用对数刻度。以谱图表列数据或曲面拟合参数为放电样本的特征量。为了能更有效地识别放电模式,研究了基于任务分解网络模块的人工神经元网络组。使用前馈网络构成类型识别主网络,网络有足够满意的类型识别率。对程度识别子网络,采用自组织特征映射网络可更形象地判断放电程度。 相似文献
2.
为了正确判断输电线路绝缘子放电的类型以及放电的严重程度,在绝缘子放电声发射试验的基础上,首先针对放电产生的超声波信号(放电声发射),在时域状态下求出反应其波形特征的18个特征指标,利用主成分分析法,在这18个特征指标中提取4个互不相关的主成分的表达式,并解释了每个主成分所代表的含义,以降低指标维数,避免信息重叠为目的,提高放电模式识别的速度和准确性;其次,根据得到的特征指标,应用神经网络对放电模式进行识别.识别结果表明,利用放电声发射信号进行绝缘子放电模式的识别,可以有效地判断绝缘子放电的类型,该方法为电力设备的在线监测与故障诊断提供了一种新思路. 相似文献
3.
局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net ̄work,DRN)模型与传统识别模型进行融合。实验结果表明:迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。 相似文献
4.
电力设备中,不同类型的放电因放电功率、能量的差异对设备绝缘的损害能力存在差异,即对绝缘的危害程度不同,确定局部放电类型是放电危险度评估的基础。文中对典型缺陷条件下的局部放电谱图提取了基本参量及统计参量等多种特征指纹;为了降低识别参量的维度,定义了特征向量可分性评估准则,并使用浮动前向搜索算法选取了可分性最优的9组特征参量;分别使用主成分分析、线性可分性分析、核主成分分析及通用可分性分析4种方法将特征向量降为2维,结果表明,使用通用可分性分析降维后特征参量可分性最优。之后,提出了多算法联合的模式识别分类器,通过对比最小距离法、人工神经网络及支持向量机,3种方法确定最终识别结果,实验结果表明,该分类器识别准确率达95.8%。最后将所提出模式识别方法应用于现场局部放电缺陷类型识别,通过设备实验结果对比验证了识别结果的准确性。 相似文献
5.
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。 相似文献
6.
7.
8.
9.
基于EMD近似熵和SVM的电力线路故障类型识别 总被引:5,自引:0,他引:5
提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点. 相似文献
10.
11.
12.
13.
14.
局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。 相似文献
15.
16.
Mazroua A.A. Bartnikas R. Salama M.M.A. 《Dielectrics and Electrical Insulation, IEEE Transactions on》1994,1(6):1119-1131
A comparison has been carried out on the partial discharge (PD) pulse shape recognition capabilities of neural networks, using the nearest neighbor classifier, learning vector quantization and multilayer perceptron paradigms. The PD pattern recognition capabilities were assessed on artificial cylindrical cavities of different sizes. The performance of the three neural network paradigms was found to be equivalent in all respects, with the exception of the case where a distinction was required between small cavity sizes; under those circumstances, the learning vector quantization paradigm was distinctly superior to the two other paradigms. The experimental results also demonstrated that, even with simple metallic electrode cavities, the discrimination capabilities of the three types of neural networks are not always perfect 相似文献
17.
基于小波与分形理论的电力设备局部放电类型识别 总被引:3,自引:1,他引:2
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。 相似文献
18.
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。 相似文献
19.