基于支持向量数据描述的局部放电类型识别

电力设备内部绝缘缺陷发展往往会因环境条件的改变而变化,加之采集到的局部放电(PD)数据具有分散性和复杂性,导致传统绝缘故障识别方法效果不佳。为此,提出了一种用于气体绝缘组合电器(GIS)设备PD类型识别的支持向量数据描述(SVDD)算法。借鉴支持向量机(SVM)算法中最大化"间隔"的思想,建立了这种优化的支持向量数据描述(OR-SVDD)算法。该算法采用多分类方法中的"一对多"原理,用以解决对传统绝缘故障出现的识别率低、误识别、漏识别以及识别时间长等问题。通过仿真与实验结果表明,OR-SVDD算法能够对所有的数据进行正确描述,自动辨识拒识对象,训练时间低于传统的SVM算法,并具有较高的识别率,在电力设备在线监测与局部放电模式识别领域有良好的应用前景。     

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。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统(ANFIS)在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量,建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异,但总体识别率达90%以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于深度森林模型的GIS局部放电模式识别

气体绝缘组合开关电器(GIS)不同类型的局部放电(PD)对GIS绝缘造成的破坏程度不同,正确识别局部放电类型对于评价GIS绝缘状况非常重要.为简化特征提取过程、提高局部放电类型识别率,将深度森林算法引入GIS局部放电模式识别,提出一种应用于局放模式识别的深度森林模型.搭建252 kV GIS局部放电检测实验平台并设计典...     

基于组合核多特征融合的GIS局部放电检测与识别

GIS局部放电模式识别是其绝缘状态评估的重要部分,搭建了252k V GIS局部放电实验仿真平台,采用超高频和超声波检测法对4种典型绝缘故障进行局部放电检测,得到了相应的放电信号,并根据信号特点获取了相应的统计参数图谱,提取了相应的特征参数;采用K-折交叉验证和粒子群算法对组合核参数法进行了核函数参数优化,然后采用优化后的算法融合了超高频和超声波特征参数,分别将融合后的参数和单一的超高频及超声波参数输入到分类器中进行放电模式识别。结果表明,多特征参数融合后的识别率要高于单一特征的识别率,融合后的识别率可达92%。     

用于局部放电模式识别的深度置信网络方法

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD),特征表现较复杂,分散性大,易受运行环境影响,而基于PD统计特征模式识别的传统方法,特征量选取主观性较强,且容易丢失部分特征信息,尤其对自由金属微粒类型缺陷识别率较低。因此,提出了一种基于深度置信网络(deep belief nets,DBN)的GIS设备内部PD模式识别方法,DBN能从数据中自主学习出高阶特征,避免了特征量选取的主观影响,能较好识别自由金属微粒类型缺陷,且识别用时远低于支持向量机(support vector machine,SVM)和BP神经网络(back propagation neural networks,BPNN)算法,作为对GIS设备PD模式识别的新方法具有一定的实用价值。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统（ANFIS）在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量．建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异．但总体识别率达90％以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于OS-ELM的变压器局部放电模式识别

传统的变压器局部放电模式识别算法由于需调整的参数多且难以确定最佳参数、学习速度慢等缺点,在实际工程应用中识别正确率低,识别速度慢。因此,提出了一种基于在线序列极限学习机(OS-ELM)算法的变压器局部放电模式识别方法,该算法是传统极限学习机(ELM)的在线学习改进算法,是一种新型的单隐含层前馈神经网络(SLFN)。本文基于特高频检测法在真型变压器上进行局部放电实验,并获得大量实验数据。将本文所提方法与ELM、支持向量机(SVM)以及BP神经网络(BPNN)的模式识别效果和性能进行了比较分析。结果表明OS-ELM算法识别正确率比SVM和BPNN分别高出5.2%和23.2%;逐渐减小训练样本集大小,OS-ELM识别结果的波动明显小于SVM和BPNN,表现出更好的泛化能力;OS-ELM的训练时间仅为0.031 2 s,远远小于SVM和BPNN。因此,OS-ELM更适用于大数据量样本的工程应用。     

基于NSST-SR的GIL局部放电光电图谱融合算法

为解决气体绝缘输电线路局部放电光电联合检测过程中因信号缺失对模式识别造成干扰的问题，提出一种基于非下采样剪切波变换(non-subsampled shearlet transform,NSST)和稀疏表示(sparse representation,SR)的光电图谱融合算法，将光学局放相位分布(phase-resolved partial discharge,PRPD)图谱和特高频局部放电PRPD图谱通过NSST分解为低频和高频子带图，基于最大绝对值和SR进行子带图融合，然后经过NSST逆变换得到融合图谱。最后，提取图谱特征并降维，代入K近邻、支持向量机、朴素贝叶斯和决策树分类器进行模式识别，并与其他融合算法效果进行对比。实验结果表明：不论样本总体数量大小、样本训练集与测试集相对数量比例大小，该文提出的算法均能较完整地融合两种源图谱的信息，局放模式识别准确率高于单一NSST算法或SR算法。在小样本(150)情况下，准确率可达89.2%，样本足够大时，准确率最高可达98.5%；当训练集样本数小于测试集样本数时，准确率依旧在70.0%以上，最高达88.0%。该文提出的融合算法可为提高气体绝...     

基于荧光光纤检测GIS局部放电的多重分形谱识别

为了获取SF6气体绝缘电器(GIS)局部放电(PD)光信息特征,完善了反映GIS内部4种典型绝缘缺陷的物理模型,并利用研制的PD荧光光纤传感系统,获取了用绝缘缺陷模型产生的PD光信号,构建出了相应的φ-u-n三维图谱及其灰度图像。同时,针对简单分形特征不足以描述PD灰度图像而导致模式识别率较低的问题,采用具有分析灰度图像丰富特征信息能力的多重分形谱技术,提出了一种计算PD光信号灰度图像的多重分形谱概率算法。然后通过对多重分形谱中各特征信息的物理意义分析,提取了用于PD模式识别的特征量,并选用改进共轭梯度算法的反向传播(BP)神经网络作为分类器。研究结果表明:多重分形谱可有效描述PD灰度图像不均匀程度及其不同层次的几何结构特征,用于分类识别4种典型绝缘缺陷产生的PD时正确率均87%,优于用盒维数与信息维数作为特征量的识别。     

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。     

基于深度学习和多模型融合的局部放电模式识别方法

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。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。     

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...     

基于时频域特征的局部放电单脉冲波形分析

局部放电试验作为一种非破坏性试验,是电力设备绝缘检测和诊断的重要方法。人们对电力设备可靠性的要求越来越高,针对现在电力设备事故大部分是由设备绝缘局部放电造成的,本文通过对惰性气体、环氧树脂、空气、油四种介质中的局部放电的实测波形进行分析,得出了不同类型局部放电的波形时频域特征,为局部放电模式识别特征提取提供科学依据。     

基于核典型相关分析融合的XLPE电缆局部放电模式识别

提出使用核典型相关分析方法提取XLPE电缆接头局部放电信号PRPD图谱特征信息,并使用K最近邻分类算法实现不同绝缘缺陷模式的高准确率识别。利用YJV-26/35 k V型电缆及其附件设计了4种典型绝缘缺陷,使用脉冲电流检测获取局部放电样本信息,绘制了PRPD图谱并应用于样本数据,研究不同特征向量下的识别效果,在适合维数最终获得较高识别正确率。相对于传统电力设备模式识别方法,不但可以有效反映信号非线性特征,并可以将多种特征进行有效融合,消除冗余特征。     

基于CNN+D-S证据理论的多维信息源局部放电故障识别

基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。     

基于脉冲波形时域特征的局部放电识别

建立了一套数字化实时高速局部放电波形测量系统,由简单实验室模型和工业仿真模型取得了不同类型局部放电的脉冲电流波形,包括空气中和油中尖板电极放电,电机模型线棒内部气隙放电,线棒端部沿面放电,用分段的时域数据压缩法提取了脉冲波形特征,采用分级人工神经网络进行放电模式识别,以得较好效果。     

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。