共查询到19条相似文献,搜索用时 250 毫秒
1.
2.
3.
针对目前利用特高频方法检测GIS典型缺陷时,存在白噪声干扰滤除效率低以及原始信号波形畸变率高等问题,构建了GIS特高频局部放电检测试验模型,经人工处理获得4种典型局部放电UHF信号,提出采用EMD分解将4种典型缺陷的特高频信号分解为有限个IMF分量,利用归一化自相关函数找到IMF分量中局部放电信号与白噪声的分界点,对含白噪声的IMF分量使用类小波软阈值进行滤波,随后重构所有IMF分量,得到各缺陷局部放电特高频信号。将文中方法所得信号与小波去噪信号进行信噪比以及波形畸变率对比,结果表明文中所用方法具有更为良好的去噪效果,可用于GIS局部放电监测。 相似文献
4.
5.
气体绝缘系统中典型缺陷的超宽频带放电信号的分形分析 总被引:12,自引:7,他引:12
要提高气体绝缘系统(GIS)放电在线监测与诊断的准确性,需要研究其典型缺陷的超宽频带放电特征。但GIS中放电频率高、频带宽,基于IEC60270标准的常规低频局部放电统计分析方法难以对放电特征进行分析。文中提出应用基于小波提取技术的放电信号的分形分析方法,对GIS中典型缺陷放电的各频段信号进行分维数计算,用分维数来量化分析GIS中超宽频带局部放电的频谱特性,发现了GIS中不同金属性表面缺陷的超宽频带放电分形特征的明显差异,对进一步将超宽频带放电检测技术用于GIS局部放电在线监测具有重要意义。 相似文献
6.
7.
8.
9.
气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱,提取了相关的特征参量;经过线性判别分析降维得到低维的样本空间,并送入到遗传算法优化后的概率神经网络中进行模式识别;分别采用BP神经网络、SVM、概率神经网络、优化概率神经网络4种分类器进行模式识别,实验结果表明,样本空间经过LDA降维,并经过遗传算法优化概率神经网络进行模式识别,具有较优的识别效果和识别时长. 相似文献
10.
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 总被引:17,自引:1,他引:17
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。 相似文献
11.
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。 相似文献
12.
13.
14.
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。 相似文献
15.
16.
17.
基于ARTNN的GIS绝缘故障识别新方法 总被引:1,自引:1,他引:1
为根据局部放电信号识别早期的GIS绝缘故障缺陷类型,提出了一种利用ART神经网络在线识别GIS绝缘故障类型的新方法。较之常用BP神经网络,该法训练时间短、所需样本少、权值稳定、不存在局部收敛,故更适于在线识别。网络的输入量为一个工频周期内局部放电脉冲重复率、主频率、阻尼系数、放电量、放电相位分布。利用5种GIS绝缘缺陷类型的实验所得数据对ART神经网络进行训练及验证,证明该法的缺陷类型正确识别率可>98%,在GIS绝缘故障类型的在线模式识别中具有广泛的前景。 相似文献
18.
Ju Tang Qian Zhou Ming Tang Yanbin Xie 《Dielectrics and Electrical Insulation, IEEE Transactions on》2007,14(1):30-38
Very high frequency (VHF) measurement is a valid technique for partial discharge (PD) detection, and PD mathematical models are very important to study PD denoising and waveshape pattern recognition etc. However, these mathematical models based on the traditional PD measurement have been established according to RC or LCR resistance detection so that they are not suitable for VHF measurements. PD signals are detected based on four typical physical models of defects in gas insulated substation (GIS) using VHF method. The VHF PD mathematical models are established, and the principles and methods of establishment are summarized. Furthermore, the parameters of the mathematical models are given and the validity of PD mathematical model is proved by fitting error, power spectrum and time-frequency analysis. Results show that the VHF PD mathematical models can facilitate theoretical simulation of different insulated defects by using the values of given parameters. In the end, applications of the VHF PD mathematical models and complex wavelet transform for extracting the relevant signals from a white noise background are illustrated 相似文献
19.
Deng Zhang Shingo Mabu Kotaro Hirasawa 《IEEJ Transactions on Electrical and Electronic Engineering》2013,8(3):253-262
Traditional principal component analysis (PCA) based face recognition algorithms have a low recognition accuracy due to the influence of noise and illumination changes. This paper proposes a robust, intelligent PCA‐based face recognition framework in the complicated illumination database when using multiple training images per person (MTIP‐CID). There are mainly two improvements in the proposed method. One is that a face‐recognition‐oriented genetic‐based clustering algorithm is introduced to reduce the influence of a large number of classes on the classification accuracy in the MTIP‐CID. The other is that a classifier based on fuzzy class association rules (FCARs) is applied to mine the inherent relationships between eigenfaces and to improve the robustness of PCA‐based face recognition in noisy environments. Experimental results on the extended Yale‐B database demonstrate that the proposed framework performs better and is more robust against noise compared with other traditional face recognition algorithms, i.e. linear discriminant analysis (LDA) and local binary patterns (LBPs). © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc. 相似文献