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。     

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。     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点,本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明,AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量,具有较高的识别率和较强的推广能力。     

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F-P光纤超声传感器和概率神经网络的油中局部放电模式识别研究

F-P光纤超声传感器具有灵敏度高、抗干扰能力强、电绝缘性良好等诸多优点,可在油中检测局部放电发出的超声信号。为了识别F-P光纤超声传感器所测局部放电信号的故障类别,建立了油楔、悬浮、尖端和沿面4种典型的局部放电模型,并进行了相关的试验研究。针对超声脉冲波形研究了一种信号特征参数提取的方法,实现了特征参数的提取,然后应用概率神经网络对超声信号进行智能模式识别,分析了识别效果。建立的4种局部放电模型能够产生稳定的超声信号,满足试验要求,并提取了超声脉冲波形特征参数,对其运用概率神经网络进行模式识别分析,结果发现识别效果良好,有较高的识别正确率。     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

基于主成分分析和多分类相关向量机的GIS局部放电模式识别

GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM三种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。     

超声波法进行变压器局部放电模式识别的研究

在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性，提出利用分形理论对局部放电超声波信号的时域脉冲形进行分析，对分形理论及其参数计算方法进行了简单的介绍，在自制的几种典型变压器局部放电模型上进行实验，计算了所得到的局部放电超声波信号的分型参数（分维数和空缺率），得到不同放电形式的分形特征，利用人工神经网络对所得到的分形特征进行模式识别，结果表明利用超声波信号可以有效地判断变压器局部放电模式，为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。     

基于特征子集的变压器局部放电小样本类型识别

针对变压器局部放电有效经验样本缺乏时的小样本类型识别问题,提出了一种基于特征子集的集成概率神经网络分类方法 FS-EPNN。首先从4种变压器实验模型放电数据中提取了基于局部放电相位分布二维谱图的44个统计特征。其次,为了避免如PCA等传统降维方法造成的分类信息丢失,将样本的所有特征进行划分并组合成多个低维特征子集,然后根据相应特征子集下的所有样本分别构造基于PNN的基分类器,最后采取投票表决规则集成各基分类器结果识别样本的放电类型。实验结果表明,在小样本情况下,该方法与BPNN、基于PCA的PNN和单PNN方法相比进一步提高了局部放电类型的识别率。     

电力变压器局放信号抗干扰与模式识别

在局部放电信号抗干扰方面,考察了几种较新的阈值除噪方法,提出了将二进小波变换分别与单抽头最小均方LMS(Lease Mear Square)算法滤波器和基于Birge-Massart策略的小波去噪相结合的变压器局部放电信号抗干扰方法.同时针对局部放电信号的模式识别问题,首先分别根据模糊概率理论和波形匹配理论,针对时域单个特高频UHF(Ultra High Frequency)脉冲信号,提出了2种电力变压器特高频局部放电信号的模式识别方法.基于时域单个UHF脉冲信号的信息,提出了用于神经网络输入的8个特征量,分别利用BP网络、Elman回归神经网络和PNN概率神经网络对4种典型的变压器局部放电信号进行了模式识别的尝试,取得了较好的识别效果.     

Partial discharge recognition system for current transformer using neural network and 2D wavelet transform

In this paper, a neural network and two‐dimensional (2D) wavelet transform are applied to recognize partial discharge (PD) patterns on current transformers (CTs). To avoid the discrepancy between simulated results and real experimental data, we adopted seven cast‐resin CTs that were purposely fabricated with various insulation defects as the PD patterns collected samples to actually emulate the various defects incurred often during their production. All measurements are taken in a shielded lab; the commercial TE571 PD detector is adopted to measure PD patterns to ensure the reliability of the PD signals. Next, we extract the patterns' features via a 2D wavelet transform and use the features as the training set of a backpropagation neural network (BNN) to construct the recognition system for CTs' PD patterns. Finally, we add random noises to the measured PD signals to emulate the field diagnosis under a high‐noise environment. The study results indicate that, under a simulated noise magnitude of 30 pC, the recognition rate of the proposed system still can reach around 80%, signifying a great potential in applying the proposed recognition system in field measurements in the future. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于概率神经网络和双小波的电能质量扰动自动识别

对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。     

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。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型,通过实验采集了局部放电超声,在一超声信号的时域,频域特征和时域压缩波形数据等特征提取方法,采用人工神经网络进行了局部放电的模式识别,获得了较好的模式识别效果,最后分析了影响识别效果的主要因素。     

主元分析结合Cornish-Fisher展开的半不变量法概率潮流计算

为克服现有半不变量法概率潮流计算( probabilistic load flow based on cumulant method,PLF-CM)不能处理输入随机变量相关系数矩阵非正定之不足,提出一种基于主元分析和半不变量法结合Cornish-Fisher 展开的PLF-CM 计算方法。新方法根据输入变量的离散样本数据求取输入变量的半不变量,利用主元分析处理关联性输入随机变量以准确计算输出变量的半不变量,采用Cornish - Fisher 级数求得电力系统的概率潮流分布。在改造后的IEEE-14 节点测试系统上进行的仿真研究表明:所提方法计算高效、稳定,适用于不确定性较大的新能源电力系统的概率潮流分析。     

JFY-3型变压器局部放电在线监测系统

ＪＦＹ－３型变压器局部放电在线监测系统能连续监测多台大型变压器的局部放电,并具有事故追忆、故障报警和定位等功能。它采用芝带多通道、大容量、高采样率数据采样;运用多种数字信号处理方法抑制干扰;采取电－声联合监测方式,以实现放电点定位。主控室的上位机与现场的数据采集装置之间的通信由网络舆系统实现,提高了信号传输的速率和可靠性,从而提高了系统的抗干扰能力。本文主要介绍了下位机相关的硬件部分。     

改进主成分分析法在配电变压器综合评价中的应用研究

配电网中配电变压器的监测已经成为配电自动化系统中的一个重要组成部分,但是如何充分利用已收集到的配变监测历史数据对其运行优劣情况进行科学的评价仍然是一个急待解决的问题。首先从配变监测系统的海量历史负荷信息中计算出表征配变优劣运行的多项运行参数指标,然后针对评价指标数据中庞大的数据空间以及数据之间的相关性而不易进行综合评价的缺点,运用改进主成分分析法,经过矩阵变换,在保留运行参数数据主要信息的基础上去除数据间的相关性,降低评价配变的指标维数,提炼出反映配变优劣运行的主要特征,获得配电变压器运行的综合评价指标,为配变的运行、管理、状态监测与诊断提供有效的评价。一个现场的实例验证了所提方法的有效性。     

变压器局部放电在线监测系统设计和干扰抑制

如何有效地去除各种干扰是变压器局部放电在线监测系统的关键问题．介绍了用FFT和级联二阶IIR陷波器剔除周期性载波干扰,用小波包方法去除白噪声和用小波分解方法有效地提取内部局部放电脉冲。由于DSP可做FFT变换、IIR滤波和小波变换,因此把采集的数据先由DSP预处理,然后判断处理后的数据是否为有用放电信号,若是则传送到后台工控机进行二次处理。由于本系统采用了一种较新的设计,能够做到处理的实时性。