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。     

基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息

气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。     

采用二元树复小波变换的GIS局放信号识别

GIS局部放电模式识别的研究对于保证GIS的安全可靠运行有着十分重要的意义。为此,采用具有优良平移时不变特性的二元树复小波变换对超高频局部放电(UHF PD)信号进行分解,提出了一种采用二元树复小波变换的时频域特征提取方法,阐明了该算法的原理,给出了具体计算公式和步骤;通过伸缩和平移等运算功能对实验室获得的大量UHF PD信号进行多尺度细化分析,综合选用了UHF PD信号在各频带投影序列的能量、在各个尺度下的模极大值和统计参量,构造了完整的UHF PD信号特征空间;并将UHF PD信号特征空间分别输入到RBF组合神经网络分类器的成员分类器中,获得了优良的识别效果,总体识别率86%。     

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...     

基于小波包分解的XLPE配电电缆局部放电波形特征提取与识别

XLPE中压电缆局部放电(partial discharge)带电检测获得的信号可能源于电缆本体、电缆终端头,也可能来自于与之连接的开关柜中的电晕放电或表面放电等等。由于不同来源的PD信号,对设备的危害不同,其判断标准也有所不同,故有必要对PD信号来源进行识别。笔者利用小波包分解技术对试验获得的大量PD波形数据进行去噪和特征提取。使用PD信号在不同尺度下的能量谱、Shannon熵、对数能量熵以及1.5阶标准熵组成4组特征向量;将提取出的特征向量分别作为BP神经网络分类器的输入,对PD信号进行识别,并得到以下结论:以提取的各特征向量对PD信号进行识别,平均识别率均在90%附近;能量谱、Shannon熵、对数能量熵对于表面放电的识别率相对较低,1.5阶标准熵对于表面放电识别率高但对于电缆本体PD信号识别率较低。提出使用能量谱和1.5阶标准熵组合特征向量对PD信号进行识别,效果优于单独使用各特征向量进行识别,识别率高达97%。     

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。     

基于原始信号多尺度信息的局部放电特征提取与识别

不同类型的局部放电脉冲,对电缆的危害程度不同,其判断标准也不一样,因此对局放类型的辨识具有重要意义.制作了沿面放电、悬浮放电、针-板放电和自由颗粒放电4种典型的故障缺陷模型,并搭建实验平台测取放电数据.对数据去噪处理后,构建4种放电类型的局部放电相位分布模式PRPD(phase resolved partial dis?charge),并利用谐波小波包变换对原始局放信号进行分解,提取局放信号的多尺度能量特征参数和多尺度样本熵参数,将它们组成特征向量,送入支持向量机SVM(support vector machine)中进行分类识别.4种放电类型的平均识别率为94.5％,因此利用多尺度参数特征可以有效识别出不同类型的局放信号.     

WPSEG法在GIS故障识别中的应用

为了对气体绝缘全封闭组合电器GIS(gas insulated switchgear)更好地进行故障诊断,本文结合小波包变换、奇异值分解SVD(singular value decomposition)、能量值法,提出了基于小波包奇异能量WPSEG(wavelet packet singular energy)值的GIS故障识别方法,该方法通过量化故障特征对不同故障进行识别。对故障信号进行小波包分解重构得到小波包系数矩阵;利用SVD分解求得矩阵的奇异特征值,最终求取奇异特征值的能量。对现有的GIS 4类超高频局部放电仿真信号进行分析表明,不同故障的WPSEG值不同,同一类故障,小波包分解层数不会影响WPSEG值,并且在相同噪声环境下,4类缺陷的WPSEG值是成比例增长的,不会影响故障的识别。通过与小波包奇异熵WPSEP(wavelet packet singular entropy)法在GIS故障识别中的应用,说明WPSEG值的优越性。     

基于经验小波与小波变换的GIS局部放电信号去噪方法研究

为解决气体绝缘组合电器(gas insulated switchgear,GIS)内部缺陷局部放电(partial discharge,PD)信号含有噪声的问题,搭建了模拟局部放电环境,采用超高频法(ultra-high frequency,UHF)采集缺陷PD信号。针对UHF PD信号具有周期性窄带噪声与白噪声的特点,提出了基于改进的经验小波(experience wavelet,EWT)与小波变换结合进行UHF PD信号的去噪研究。首先,含噪信号通过EWT预处理分解为多频率的模态函数,然后对模态函数进行小波去噪处理,将去噪后的模态函数按照峭度值进行划分,根据合适的阈值选取UHF PD信号的有效成分并重构信号,最后,通过构建UHF PD仿真信号并采用实测数据验证所提算法的有效性。仿真实验与实测去噪结果表明:文中所提改进去噪算法具有良好的噪声抑制能力,为GIS设备内部UHF PD信号去噪提供参考。     

基于多尺度Gabor滤波器的彩色图像边缘检测

为了更好实现对彩色图像进行边缘提取,并保证算法具有更好的稳定性,文章使用多尺度Gabor滤波器的方法,来提取彩色图像边缘和轮廓.构建了3个尺度、16个方向的Gabor滤波器.首先将彩色图像灰度化,利用多尺度Gabor虚部滤波器提取图像灰度变化信息.通过非极大值抑制,并通过高低阈值获取边缘像素点及其候选边缘,最后利用局部边缘连接获取图像边缘轮廓.并将本算法与常用边缘检测算法进行实验性能比较,实验结果表明:提出的算法既能获得较高的定位准确度,又具有很好的噪声鲁棒性,该算法与常用的Roberts等一系列算法相比,检测效果更好,稳定性更强.     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

智能化电网中的柔性评价方法与应用

针对新一代智能化电网对电力系统规划、运行和管理过程中经济性、安全性与灵活性等多指标综合趋优的要求,在电网的分析计算过程中,系统地提出并定义智能电网环境下电力系统多尺度柔性评价方法,并根据柔性参数的不同类型,将电力系统柔性划分为属性柔性、约束柔性、负荷柔性和结构柔性。在此基础上,针对系统运行安全约束柔性问题,进一步定义电力系统稳态约束柔性评价指标,为电网调度人员评价电网运行状态安全裕度大小提供直观依据。最后,以IEEE 30节点测试系统为算例,通过评价稳态情况下节点电压约束柔性大小并将评价结果应用于最优潮流的分析计算,说明所提方法的合理性与有效性。     

一种小波分解回声状态网络时间序列预测方法

针对多尺度时间序列各尺度发展趋势及整体预测问题,建立小波分解回声状态网络预测模型（wavelet decomposi-tion and echo state networks,WDESN）,根据各尺度的不同性质选取与之相匹配的回声状态网络模型（echo state networks,ESN）,同时,通过在各尺度条件下引入权值系数实现预测分量最优整合,提高整体预测精度。预测带噪多尺度正弦序列实验表明：WDESN模型与ESN、支持向量机及BP神经网络模型相比预测精度较高。目前,该模型已成功用于移动通信话务量的预测,并满足了现实系统的精度要求。     

基于Canny算子的多尺度小波变换图像边缘检测方法

图像边缘检测是图像处理中的重要一环,本文基于Canny边缘检测算法,提出了一种改进的Canny边缘检测算法。该算法采用新的基于多尺度小波变换边缘检测的设定方法,充分利用了不同的尺度变换可以得到不同边缘细节的特点,可以对低分辨率的边缘能够很好的提取,并能有效的抑制噪声,具有优于传统Canny算法的性能。经实验仿真,验证了该算法的有效性。     

结合MSRCR与多尺度融合的水下图像增强算法

为解决水下图像增强时出现的图像边缘细节模糊,亮度不均等问题,提出了一种结合带色彩恢复的多尺度视网膜增强算法(MSRCR)与多尺度融合的水下图像增强算法.首先,将获取到的水下图像基于的MSRCR算法色彩校正,并将校正后的图像转换到Lab颜色空间对亮度分量进行自适应增强.其次,对MSRCR色彩校正图像和Lab空间亮度分量增...     

多尺度压缩求导的一维图像边缘检测

为了更加精确地计算塑料薄膜缺陷的宽度,在基于小波算法的多尺度变换基础上,提出了一种用于一维图像不同尺度间的压缩求导边缘检测方法.小波变换提供图像的多尺度描述,将压缩求导应用于不同尺度间的小波域,从而可将各尺度的图像信息更加有效地合成,得到最优的边缘检测效果.该方法比以往的单纯直线拟合方法具有更好的精确度,可以有效地增强边缘和抑制噪声.对一维图像进行的实验证明该方法是正确和有效的.     

基于MRF的膝关节半月板快速自动分割算法

核磁共振成像（magnetic resonance imaging,MRI）图像形态、纹理均较为复杂,从图像中分割出感兴趣组织结构具有一定难度。提出一种＂分割-粗定位-提取＂思路,充分利用MRI成像特征和膝关节解剖学的先验知识,快速、全自动地精确分割形态复杂、尺寸细小的膝关节半月板：首先利用多尺度马尔可夫随机场（Markov random field,MRF）方法自动、快速地分割与目标有相似灰度分布的组织结构,然后结合sobel算子和直方图投影方法粗定位半月板区域,最后通过判断连通区域面积提取出精确的半月板区域。实验结果表明,与目前手动、半自动的半月板分割等研究工作相比,可以客观可重复地分割出半月板前后角等区域,并且算法耗时极低。     

多尺度特征在YOLO算法中的应用研究

针对YOLO算法在下采样过程中丢失了部分大尺寸特征图的有效信息,从而导致在检测任务中因目标定位不够精准而影响模型整体检测精度的问题。提出利用多尺度特征融合的方法来解决YOLO定位不精准的问题,首先,对YOLO算法的网络模型进行修改,利用YOLO网络模型中不同尺寸特征图具有不同特征属性的特点,融合不同尺寸特征图来提高检测网络对目标的定位精度;其次在预训练模型的基础上对修改后的网络模型进行重新训练;最后在计算机中对训练好的模型进行检测试验。实验结果表明,基于多尺度特征的YOLO目标检测算法在精确率上相对于YOLO目标检测算法提高了3.02%,mAP提高了1.53%。     

基于多尺度形态学和Kalman滤波的基波分量提取

针对Kalman滤波在提取基波分量时存在暂态噪声抑制能力差和噪声统计特性不精确的缺点,提出了一种新的基波分量提取算法。采用改进的数学形态滤波器对采集信号进行多尺度分析得到平滑信号和细节信号,改进的滤波器使用不同形状的结构元素,有效地提高噪声抑制能力。利用平滑信号更新Kalman滤波器的观测值,减少故障信号暂态噪声的干扰,提高了滤波算法的收敛速度;利用细节信号实时在线计算测量噪声的方差,提高了滤波算法的收敛精度。在Matlab/Simulink环境下搭建仿真模型对算法进行验证与测试,仿真结果证实了算法的可行性和有效性。