局部放电识别中分维数分布的研究

本文将分形理论应用于局部放电模式识别 ,从统计图谱中提取分形特征。在局部放电模式试验基础上 ,采用计盒数的分形维数算法 ,从大量的局部放电样本中提取分形网格维数特征参数 ,提高了局部放电模式的准确性。     

局部放电灰度图象分维数的研究

局部放电模式识别被普遍认为是一种预测高电压设备绝缘状况的有效手段，本文提出一种适用于局部放电模式识别的局部放电分形特征提取方法。该方法在估计分维数的改进差盒计维数（MDBC）算法的基础上，提取局部放电灰度图象分维数和二阶广义分维数以及局部放电高值灰度图象分数，共同构成局放电模式识别特征，针对高电压设备内部局部放电和外部放电干扰，设计了五种放电模型，通过放电模型实验获得的大量放电样本数据，构造出相应的局部放电特征提取图象，计算出分形特征参数，输入人工神经网络进行识别的结果表明，采用该方法具有良好的识别效果。     

采用动态模式分解分形特征的局部放电模式识别

为了解决传统局部放电模式识别方法计算量大、识别速度低的问题,本文采用构造二维谱图的方法进行局部放电模式识别。首先,利用动态模式分解算法构造局部放电的二维谱图,以少于构造传统三维谱图的计算量获取局部放电缺陷信号的二维表征。然后,针对不同缺陷信号的二维谱图提取两种分形特征(分形维数和间隙度),且构造了不同缺陷信号下二维谱图的分形特征数据集。最后,对该数据集进行X均值聚类。结果表明,X均值聚类结果优于传统K均值聚类和模糊C均值聚类算法,并且相比于反向传播神经网络和支持向量机算法,本文所提模式识别方法对3种局部放电缺陷信号综合识别率高,算法运算时间短。     

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度,研究了小波与分形理论的互补性;并从局部放电信号小波分解后的能量谱图提取放电特征,用于局部放电模式识别。研究结果表明：选用适当的小波函数和尺度函数,将局部放电信号的逼近信号能量谱和精细的结构能量谱的分形维数作为局部放电模式特征,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。     

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。     

变压器局部放电超高频信号多尺度网格维数的提取与识别

提出了一种基于小波包多尺度分析和网格维数的变压器局部放电超高频信号模式识别的新方法,采用小波包多尺度变换提取局部放电超高频信号在多尺度上的小波系数,通过改进差盒计数法计算多尺度小波系数的网格维数,并将多尺度网格维数作为特征量用于局部放电超高频信号的识别。采用了4种典型放电模型产生局部放电,并采用3阶Hilbert分形天线检测局部放电超高频信号,提取的信号特征量输入径向基函数神经网络进行分类识别,识别正确率最低为70%。     

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例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.     

以盒维数和信息维数为识别特征量的GIS局部放电模式识别方法

研制了5种典型的GIS人工模拟缺陷模型及其局部放电检测系统，通过实验获取了大量局部放电样本数据，构造出GIS局部放电灰度图象；提出有效估计图象盒维数的最少盒计数法；提取了GIS局部放电灰度图象的分形特征——盒维数和信息维数：利用以局部放电灰度图象的盒维数和信息维数作为识别特征量，径向基函数人工神经网络为识别分类器的GIS局部放电模式识别方法，取得了良好的识别效果。     

基于散点集分形特征的局部放电模式识别研究

该文应用数字化测量装置采集发电机定子线棒工业仿真模型的局部放电信号，获得放电脉冲序列；在放电相位-放电量平面上，将脉冲序列表示为散点集；改变观察区域尺度，用逐段拟合法确定分形无标度区；用最小二乘拟合法计算分形维（Hausdorff维数和信息维数）；以分形维和散眯集重心坐标构成特征向量，并应用人工神经网络进行放电模式识别。研究表明分形特征在局部放电类型区分和程序判别方面均具有良好的性能。     

基于IFS的局部放电超声信号的数据压缩和模式识别

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。     

局部放电远程识别中的分形图像压缩方法

研究了局部放电图像分形压缩技术 ,分析了解码图像误差对识别结果的影响。大量的样本数据识别结果说明 :采用分形图像压缩技术能获得较高的局放图像压缩比 ,提高了系统对远程计算机存储局放图像的识别速度 ,使局放图像远程识别系统具有更强的实用性     

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。     

局部放电灰度图象数学形态谱的研究

局部放电模式识别是判断电气设备绝缘状况和区分外部脉冲干扰的有效手段之一。数学形态学颗粒分析是一种十分有效的图像处理工具，主要用来处理灰度图像的粒度和形状特征，或者说通过数学形态谱以分析图像的纹理特征。提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论，采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱，并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型，计算其形态谱，输入双隐层人工神经网络实现放电模式识别，识别结果表明了该方法的有效性。     

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K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用

局部放电相位谱图(phase resolved partial discharge pattern)是局部放电模式识别普遍采用的重要方法。但在中高压电缆在线局放监测系统中,电缆中的电压信号难以直接获取,使得局放相位谱图分析的开展遇到了重大的挑战。为此,在多年局放理论研究和局放现场应用研究的基础上,提出了基于K-Means聚类的局部放电相位谱图自动模式识别技术。该技术通过信号提取、坐标变换、K-Means聚类、中心点平移、模式判断的流程,克服了电缆局放监测中相位信息难以直接获取的缺点,能对来自三相的局部放电信号进行自动识别判断。5个应用实例证明,该方法能对电晕放电、内部放电、沿面放电和干扰信号做出准确的判断,必将在电缆在线监测系统中获得广泛的应用。     

基于统计参数的自适应网络推理系统在局部放电缺陷识别中的应用

高压电力设备在发生绝缘劣化的早期,内部会出现局部放电现象,笔者依据检测得到的局放信号,提出了采用基于统计参数的自适应网络推理系统进行绝缘缺陷模式识别的方法。自适应网络推理系统是神经网络和模糊逻辑的结合,通过模糊逻辑进行识别系统建模,利用神经网络训练系统参数。设计并实验了4种绝缘缺陷模型,对多周期的局放信号进行相位分布及幅值分布统计,提取表征局放特性的统计参数,总结了不同缺陷模型局放特征的区别。实际的检测结果表明,经过训练后的局放缺陷识别系统,能够有效地对各种缺陷的样本数据进行分类,达到良好的识别效果。     

统计参数在变压器局部放电模式识别中的应用

对局部放电进行模式识别可以了解放电类型和严重程度,为故障诊断和检修提供参考依据。为此将Weibull统计分布参数用于局部放电模式识别当中,采用仿真分析和模型试验的方法证明了局部放电的脉冲高度分布符合Weibull统计分布规律。在统计放电脉冲高度分布时对放电幅值进行了归一化处理,将放电累积概率为99%的放电幅值作为归一化因子,以消除试验中偶然出现的大的随机放电脉冲干扰的影响。使用工频电压正负半周的Weibull统计分布的形状参数、放电幅值中心和放电相位中心共6个参数作为特征向量,以人工神经网络为分类器,对放电类型获得了超过85%的识别率。研究表明,这种故障模式的表征方法具有模式特征数量少、表征能力强等优点,采用人工神经网络方法可以准确识别不同模式的放电,具有较高的识别率。     

基于距离的放电模式识别方法

阐述了用局部放电数字化—计算机测量装置检测放电信号,由放电统计特性来判断设备状态的意义。指出采用模式识别方法提高了放电识别的有效性。介绍了三种基于距离的模式识别方法:置信区间法、最小距离法、趋中心度法,分析了这三种方法的原理、算法和样本构成。最后对这三种用于识别放电的模式识别方法作了比较、归纳。