基于小波和分形分析的GIS局部放电信号特征提取

结合小波包分频和分形技术原理，提出一种气体绝缘金属开关装置(GIS)局部放电信号特征的提取方法。文中指出了小波变换和分形理论相结合用于特征提取的有效性；求出不同故障类型局部放电信号的分维数，利用其大小进行特征提取；对于不能以此参数区分的放电信号，利用小波包对其进行频带分解，通过设定阈值找出不同故障类型与特征频带的分维数的相关性，从而实现故障特征提取。针对GIS局部放电的5种典型放电模型，通过试验获得大量放电样本数据，利用上述特征提取方法对其进行区分，获得了较好效果，结果表明利用小波包分形维数能够较好地进行局部放电信号特征提取。     

基于小波包能量熵的油纸绝缘气隙放电阶段识别

油纸绝缘气隙放电是运行变压器局部放电的主要方式,研究其发展阶段对变压器潜伏性故障的有效监测及诊断具有重要意义。论文模拟实际变压器运行环境建立油纸绝缘气隙放电缺陷模型,利用恒压法采集其局部放电信号,采用小波包分解对局放信号进行频带划分,获取其各频带下信号能量分布以及局放发展过程信号总能量发展情况,基于不同频带下信号能量变化特征提出以小波包能量熵作为局部放电发展特性的新特征量,通过小波包能量熵在整个过程中的循环变化特征规律,提出以小波包能量熵"阶跃"断层点为支点的局部放电阶段有效划分方式,并根据小波包能量熵在不同阶段的阈值特点,建立通过阈值判定来识别局部放电发展阶段的模型。     

一种新型的局部放电信号处理方法

提出了用小波分析和分形相结合求局部放电信号分维的方法。不同的局部放电信号 ,分维不同 ,故分维能用来识别局部放电信号 ,以便对局部放电信号进行相关处理 ,实验表明该方法能精确地识别声电信号 ,找出声电信号的对应关系 ,提高故障定位的精度     

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的时频分布图;然后运用差分盒计数法(DBC)对能量分布图进行分形维数的特征提取,并采用线性判别分析(LDA)对特征向量进行降维处理;最后利用支持向量机(SVM)对局部放电缺陷类型进行分类。为验证所提出算法的有效性,在实验室252 kV GIS局部放电仿真实验平台的模型气室内设置了尖端放电、自由微粒放电、沿面放电和悬浮电极放电4种典型缺陷类型,由特高频传感器采集各类缺陷的局部放电信号,后由该文算法进行分类。实验结果表明,采用该文所提特征提取方法对4种典型缺陷类型的识别准确率超过96%,显著优于传统的基于统计参数的信号特征提取方法。     

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。     

基于小波包分解和支持向量机的局部放电识别方法研究

高压开关柜发生局部放电时产生的信号中存在着大量的信息,局部放电作为开关柜绝缘故障的重要征兆及表现方式,其类型的识别对于开关柜绝缘状态的评估具有重要的意义。为了准确地识别高压开关柜局部放电类型,提出了一种基于小波包分解和支持向量机(SVM-Wavelet)的局部放电识别方法,采用小波包分解的方法对局部放电信号进行分解并提取能量信息,组合成特征向量,在此基础上利用支持向量机(SVM)建立高压开关柜局部放电信号分类模型。结果表明小波包分析方法能很好地处理非线性、非平稳的局部放电信号,基于SVM-Wavelet的方法可以准确地识别局部放电类型。     

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。     

局部放电信号的小波分析

为给气体绝缘系统(GIS)局部放电在线监测和诊断提供重要的理论依据,介绍了近年来国内外利用小波变换分析局部放电信号技术的研究状况,提出了利用小波分析局部放电信号的一般方法即采用相关系数法选择最佳小波,选择恰当的分解层,利用自动阈值法确定阈值,在此基础上对局部放电信号做小波、小波包分析,并与模糊理论、神经网络等技术结合来完成局部放电信号的模式识别。     

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。     

应用特高频检测方法处理GIS局部放电故障

应用特高频局部放电检测仪对新建变电站110 kVGIS母线进行了局部放电检测,利用特高频信号检 测到了局部放电信号,并确定了放电源的位置;按照检测结果,在GIS母线检修手孔发现了一起母线导体上的尖刺故障.故障处理后,重新进行了局部放电检测,局部放电信号消失了,GIS设备顺利投入使用.     

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。     

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。     

基于尺度-能量熵特征对的特高频局部放电辨识方法

对气体绝缘组合电器(GIS)进行局部放电(PD)检测,可以发现GIS内部早期绝缘缺陷和隐患,并预防绝缘事故发生。文中采用复小波分解(CWT)对GIS内部特高频(UHF)PD信号进行多尺度分解,分析了CWT能量熵(CWT-EE)随CWT尺度的变化规律,发现UHF PD信号信息主要分布在能量熵变化梯度较大的尺度下。为此,文中提取CWT-EE及其对应尺度,构建尺度-能量熵(SP-EE)特征对,既保留了PD信号能量特征信息,又保留了UHF PD信号小波尺度信息。最后,采用支持向量机(SVM)进行UHF PD类型辨识,结果表明:SP-EE特征对不但可以有效识别GIS内部4种典型绝缘缺陷,而且能够有效降低UHF PD信号分解层数和PD特征维数。     

环氧绝缘内部气隙局部放电超声信号特性分析

建立了1套超声波法测量局部放电的试验系统,模拟了GIS环氧绝缘子内部扁平气隙放电,采用脉冲电流法和超声法对局部放电进行了测量和相互验证,分析了气隙缺陷的尺寸和施加电压变化对局放信号特性的影响。试验结果表明,超声法和脉冲电流法检测的结果均呈现出相似的、典型的PRPD(局放信号相位分布)谱图,并且由于施加电压增加,超声波信号幅值随着放电量的增大而增大,气隙缺陷的尺寸越大,则产生的初始放电量越大。研究结果为通过超声波法测量研究环氧介质内部放电特性提供了试验依据。     

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。     

Detection of wide-band E-M signals emitted from partial dischargeoccurring in GIS using wavelet transform

Recently, diagnostic techniques have been investigated to detect a partial discharge (PD) associated with a dielectric material defect in a high-voltage electrical apparatus. Gas insulated switchgear (GIS) is an important equipment in a substation, it is highly desirable to measure a partial discharge (PD) occurring in GIS which is a symptom of an insulation breakdown. As it is important to develop a noncontact method for detecting the insulation fault, this paper proposes a new method to detect the wide-band electromagnetic (E-M) wave emitted from PD using the Wavelet transform. The Wavelet transform provides a direct quantitative measure of spectral content, “dynamic spectrum”, in the time-frequency domain. This paper experimentally shows the “dynamic spectrum” of the wide-band E-M wave emitted from PD in the time-frequency domain. This method is shown to be useful for detecting the symptom of the insulation breakdown occurring in GIS     

GIS局部放电检测中的小波包变换提取信号

在介绍小波包变换算法的基础上，将小波包变换用于白噪声干扰下的气体绝缘组合电器(GIS)局部放电信号提取。对模拟的局部放电信号进行了小波包分解与重构的计算机仿真研究，分析了不同的局部放电波形、噪声水平及采样率对去噪结果的影响，最后对GIS内置传感器实测波形进行了小波包变换去噪。     

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。