基于二维变分模态分解和Hilbert变换的局放信号特征提取方法

本文通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。首先,利用局部放电样本生成相应放电灰度图;其次,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;然后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;最后,以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于本文方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,本文所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。     

基于深度残差网络的GIS局部放电模式识别技术研究

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,传统局部放电模式识别方法因特征选取具有较强的主观性,其放电类型分类的准确性和鲁棒性均较差。针对这一问题,文中将局部放电的PRPD数据转化为局部放电灰度图,构建深度残差网络对局部放电灰度图进行自适应特征提取,深度挖掘放电灰度图中不同局部放电类型的特征模式,实现局部放电模式的识别,实际实验表明,文中所提方法对局部放电类型的识别同时具有较高的准确率和鲁棒性。     

基于自编码网络的局部放电信号特征提取与识别

气体绝缘金属封闭开关设备(GIS)的状态影响电力系统运行的可靠性,而局部放电是设备潜伏性绝缘故障的重要表现之一。传统局部放电模式识别方法依赖专家经验选取局部放电特征,主观性强且不确定度高。针对这一问题,文中提出将深度学习技术引入局部放电模式识别领域,运用卷积神经网络及其扩展自编码网络提取局部放电信号特征,充分发挥自编码网络的特征抽取能力。同时,将所提取的特征与经典分类器进行衔接,有机结合传统机器学习方法与深度学习方法,实现局部放电信号的基本参数提取、统计特征计算与放电类型识别。实验结果表明,文中所提方法提取的特征相较传统的人工特征可明显提高局部放电的分类准确率和分类效率,具有广阔的工程应用前景。     

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。     

基于P-CNN的局部放电绝缘故障融合诊断

绝缘缺陷作为引发封闭式开关设备局部放电的重要因素,对故障类型的有效判断具有重要工程意义,而气体组分分析法作为非电类局部放电检测法,不存在引入噪声,环境干扰等问题。为此提出一种基于概率卷积神经网络(probabilistic-convolutional neural network,P-CNN)融合故障诊断算法,即将特征数据组分快速特征提取和灰度图均衡化的数据预处理方式,引入3种气体组分特征,通过概率神经网络和卷积神经网络分别进行训练,将结果通过DS(Dempster-Shafer)证据理论进行融合。通过设计4种绝缘缺陷模型来模拟故障放电,并进行气体分解组分的特性研究。仿真预测结果表明,与传统机器学习对比,该算法可以在保证识别速度的情况下,有效提升识别正确率。     

GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

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,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。     

图信号与图卷积网络相结合的局部放电模式识别方法

为充分利用局部放电(partial discharge,PD)信号的特征信息和特征与特征之间的关联性,来提高局部放电诊断准确性,该文提出一种基于图信号和图卷积网络(graph convolutional network,GCN)的局部放电诊断方法。首先,选取局部放电脉冲的时频谱构建图信号,将时频谱灰度矩阵的子矩阵(即局部特征)作为图节点,并考虑节点的空间相邻和特征相似性为每个节点匹配邻居,以形成局部特征区域间的拓扑关联,丰富局部放电时频谱的数据信息。然后,采用GCN融合图信号的节点特征和拓扑结构以自主学习局部放电特征、识别放电类型。结果表明,所提方法可以有效地诊断局部放电类型,相较于传统的深度学习方法,对于局部放电时频谱的信息利用更为全面,识别准确率更高,且随着样本规模减小,识别优势更加明显。     

基于放电时差的局部放电模式识别的研究

为寻找一种无需校正、方便信号监测的局部放电模式识别方法,将局部放电脉冲间的时间差分布引入到局放放电的模式识别中,构造了放电相位、时间差与放电次数分布的三维谱图Hn(Δt,)φ,并分析提取了其灰度图象的盒维数与信息维数特征参量,最后以分形维数作为输入,径向基函数神经网络(RBFNN)作为模式分类器对5种人工油纸绝缘缺陷模型进行识别。研究表明,识别率均>90%并具有较强的抗干扰能力。     

基于灰度图像分解的局部放电特征提取与优化

提取有效的局部放电(PD)特征是输变电设备缺陷识别的前提。以局部放电灰度图像为分析对象,提出了基于二维主成分分析(2DPCA)的局部放电图像特征提取策略。算法通过2DPCA将PD灰度图像分解为多个一维向量,并对每个向量提取了9个特征参量,组成了PD图像分解特征集。同时,建立了基于粒子群优化(PSO)算法的PD特征选择算法,以优化PD图像分解特征,提升局部放电缺陷类型识别结果。对实验室考虑多因素影响的PD样本识别结果表明,2DPCA图像分解特征可以取得93%的PD缺陷识别率,经过PSO优化后的2DPCA特征可以将PD识别率提高至96%,并且特征维数由72降至28,充分说明方法的有效性。另外,对添加不同随机干扰的PD样本平均识别率均大于85%,表明2DPCA图像特征具有较好的抗随机干扰能力。     

基于随机森林的油纸绝缘老化阶段评估

为了更准确地评估变压器油纸绝缘老化阶段,提出了一种基于EMD-SVD特征和随机森林分类器相结合的识别方法。搭建实验平台采集得到气隙缺陷样本的不同热老化阶段局部放电信号,去噪处理后对信号进行EMD-SVD特征提取得到相应局部放电信号特征量,并分别利用随机森林分类器与传统分类器BP神经网络和支持向量机对EMD-SVD特征进行分类识别。结果显示随机森林分类器识别效果优于传统分类器,对于提取的油纸绝缘局部放电信号EMD-SVD特征,随机森林分类器分类能力更强。分析表明首次将EMD-SVD特征与随机森林分类器相结合应用在油纸绝缘热老化阶段识别方面能够取得更好的效果。     

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SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

基于多层特征融合CNN的变压器PRPD图谱识别

智能化的分类算法在局部放电模式识别中应用良好,但是需要人工提取特征,因而存在特征丢失和识别效率低的问题。文中对传统的卷积神经网络进行多层特征融合的改进,并用于局部放电模式识别,以预处理后的PRPD图谱为输入,自动提取图谱特征,并进行深层和浅层的特征融合以防止特征丢失,最后输出分类结果。此外文中算法还对传统CNN的池化策略进行改进,使用最大二均值池化,进一步保留了图谱的有效特征。实验结果表明,相比于传统的人工提取统计特征再输入分类器的模式,特征融合CNN的识别正确率更高,耗时更少。     

基于 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。     

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。     

Adaptive Optimal Kernel Time–Frequency Representation Technique for Partial Discharge Ultra-high-frequency Signals Classification

An intelligent system for automatic partial discharge pattern recognition is proposed using adaptive optimal kernel time-frequency representation and a fuzzy k-nearest neighbor classifier. The adaptive optimal kernel technique is employed to acquire the joint time-frequency information for partial discharge signals, which is characterized by the adaptive optimal kernel amplitude matrix. A new feature extraction algorithm, i.e., non-negative matrix factorization aided principal component analysis, is proposed to solve the difficulties of principal component analysis for feature extraction of partial discharge adaptive optimal kernel amplitude matrices due to the high dimensionality. Using an ultra-high frequency detector, 600 partial discharge signals sampled from 4 categories of typical artificial defect models in the laboratory are employed for testing. It is shown that the maximum classification accuracy of 94.33% is obtained considering different non-negative matrix factorization parameter r and various non-negative matrix factorization iterations T. Also, the classification performance of the non-negative matrix factorization–principal component analysis features is superior to that of principal component analysis features extracted from original partial discharge signals, two-dimensional non-negative matrix factorization features and phase-resolved partial discharge statistical operators. The proposed technique can be used for partial discharge pattern recognition based on ultra-high-frequency detection arrangements.