主分量稀疏化在GIS局部放电特征提取中的应用

特征提取是GIS局部放电模式识别的关键,通常情况下,由特征数据所构成的特征空间维数较高,不利于分类。基于此,本文引入主分量稀疏化思想,首先搭建了252k VGIS局部放电仿真实验平台,通过设置4种典型的GIS局部放电模型,采用超声波检测法获取了相应的信号。然后,通过主成分的贡献累积率自主确定稀疏度。结果表明,采用该方法可以实现特征量的有效提取,同时特征分量的聚类效果也得到了增强。     

基于仿生模式识别的GIS局部放电类型辨识

为实现气体绝缘组合电器(GIS)局部放电检测和故障识别,设计了GIS典型缺陷模型,使用超高频法检测放电信号,并提取特征参数。利用主成分分析法对特征参数进行降维处理,引入仿生模式识别算法进行辨识,提出一种改变连通方向的方法,提高了算法的辨识率,分析了连通方向改变前后样本的辨识率,以及未训练样本类型的错分率。结果表明,基于仿生模式识别的GIS局部放电类型辨识率能达到满意的效果。     

基于归一化自相关函数与类小波软阈值法的GIS局放信号降噪方法研究

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。     

GIS局部放电超高频信号的包络分析与缺陷识别

为实现GIS故障检测和缺陷识别,设计了超高频(UHF)包络检波电路和高速数据采集系统,并针对5种典型的GIS缺陷进行了缺陷模型的局部放电试验,获得了这5种典型缺陷的超高频包络信号数据。试验结果表明,同一缺陷模型所产生的局部放电包络信号时域特征大致相同,不同缺陷模型的包络形状不同。论文在此基础上提出了基于时域特征参数和BP神经网络的GIS缺陷模式识别方法。采用该方法后,试验数据缺陷模式识别正确率高达96%以上。     

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

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。     

GIS局部放电特高频时差定位法应用案例分析

局部放电检测是目前气体绝缘金属封闭式开关设备（gas insulated switchgear,GIS）状态诊断的关键技术手段。分析各种局部放电检测方法,认为特高频法抗干扰能力较强,检测效率较高,可实现故障模式识别及定位。基于此,采用局部放电检测法发现一起 GIS典型悬浮放电缺陷,采用时差定位法确定缺陷位置采用相位同步技术确定缺陷相序。经过解体检查验证,检查结果与特高频诊断结果一致。     

基于超高频法的典型GIS局部放电检测

GIS局部放电检测是GIS绝缘状态监测的一种科学有效的方法。笔者构建了GIS实验模型以及基于超高频法的局部放电在线检测系统,对GIS中典型的几种局部放电特征进行了研究,采用基于相位的分析模式详细分析了不同放电类型在不同电压条件下的放电特征,并结合常规局部放电测试仪,对UHF信号的放电量进行估计,为进一步进行放电类型的智能模式识别及研究超高频信号与放电量关系提供了试验依据,以提高UHF局部放电检测的工程实用性。     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初...     

基于PNN的GIS局部放电模式识别方法

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.     

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。     

基于核统计不相关最优鉴别矢量集的GIS局部放电模式识别

GIS局部放电故障诊断对于准确掌握GIS内部的缺陷性质和指导GIS的检修工作有着重要意义.针对线性Fisher鉴别分析用于局部放电故障诊断时存在的问题,文中借鉴核方法思想,提出了一种基于核的统计不相关鉴别矢量集算法(KSUODV),用以解决高维特征空间内的非线性特征提取问题,并且消除了变换后样本特征之间的统计相关性.在对实验室获取的7种缺陷PD三维谱图模式识别试验表明,KSUODV算法的识别性能优于SUODV算法性能,效果良好.     

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GLCM和LBP的局部放电灰度图像特征提取

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。     

类均值核主元法在GIS局部放电模式识别中的应用研究

GIS局部放电的模式识别对于评估其运行状态、确定检修策略具有重要意义。论文设计了4种典型的GIS局部放电模型,并通过实验建立了相应的局部放电超高频信号图谱数据库,然后根据信号特点提取了原始特征量,由于原始特征量维数较高,不利于模式识别,因此论文引入类均值核主元分析法,首先求出各类映射数据的类均值矢量,然后根据建立的类均值核矩阵建立类均值核主元算法。研究结果表明,该方法得到的特征量涵盖原始样本中的全部信息,并且维数低于绝缘缺陷种类数,能够实现信息的无损降维。     

采用Fisher线性判别法提取GIS内部局部放电信号最优能量特征

采用二元树复小波变换（DT-CWT）对特高频局部放电（PD）信号进行多尺度分解,求解了复小波最优分解层数,提取了最优分解尺度下的特高频 PD信号实部和虚部高频层小波能量,并采用Fisher线性判别方法对能量特征进行选择,最后进行PD类型辨识。识别结果表明：优选后的实部和虚部高频层小波能量特征可以有效识别4种典型绝缘缺陷,识别率均达到了92.5%及以上,且最优复小波能量（OCWEF）特征在PD类型辨识中具有更优的敏感性和识别效果。     

基于ARTNN的GIS绝缘故障识别新方法

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。     

Study on mathematical model for VHF partial discharge of typical insulated defects in GIS

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     

Robust intelligent PCA‐based face recognition framework using GNP‐fuzzy data mining

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.