基于小波包和LS-SVM的变压器励磁涌流与短路电流识别方法

基于小波包分解和最小二乘-支持向量机（LS-SVM）,提出了变压器短路电流和励磁涌流识别的新方法。通过将电流信号进行小波包分解,计算出分解后各频段信号的能量,组成能量特征向量,并考虑作为最小二乘一支持向量机分类器的输入参数,来实现短路电流和励磁涌流的识别。仿真结果表明,该方法识别准确率高,受噪声的影响小。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波包优选的模拟电路故障特征提取方法

小波包变换在模拟电路故障特征提取中应用极广,但小波包基函数直接影响故障特征提取的性能。该文给出了小波包频带能量熵的定义,并结合频带能量熵方差,提出一种基于频带能量熵的小波包优选方法。为验证方法的有效性,采用不同的小波包基函数进行实验研究,对待测模拟电路应用小波包变换完成故障特征提取,引入支持向量机验证故障特征的可识别程度。实验结果表明,利用优选小波包基提取的故障特征具有更好的区分度,说明了该算法选取小波包基函数的有效性。     

绝缘子污秽等级的高光谱特征优化识别技术研究

为解决传统污秽检测方法对输电线路绝缘子污闪防治的局限性,采用非接触式、高分辨率的高光谱成像技术对污秽在线检测技术进行研究。为有效提取反应污秽度的光谱特征并削弱冗余与干扰信息的影响,提出一种小波包能量谱特征优化的绝缘子污秽等级识别技术。首先,对不同污秽度的绝缘子样品的光谱图像进行背景分割,提取均匀覆污区像素点光谱均值曲线;其次,对不同图像的光强均匀度差异、环境噪声进行预处理,并通过导数变换提升不同污秽等级间的可区分性。再次,对预处理后的谱线进行小波能量谱特征提取。最后,基于所提特征建立基于支持向量机(support vector machines, SVM)的污秽等级识别模型。实验结果表明,相比于采用全波段数据或PCA特征数据作为输入,基于小波能量谱特征建立的支持向量机(SVM)污秽等级识别模型对样品识别准确率达到99.8%。#$NL关键词：关高光谱成像;绝缘子污秽等级;小波包能量谱;支持向量机#$NL中图分类号：TM933     

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。     

基于小波包分析和支持向量机的异步电机转子断条故障诊断

提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响。采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率。     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别

基于多域特征提取（multi-domain feature extraction）和自适应神经-模糊推理系统（Adaptive Neuro-Fuzzy Inference system,ANFIS）提出了电能质量扰动类型识别的一种新方法。基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根（RMS）幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别。仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于双通道混合网络融合支持向量机的电容层析成像流型辨识

针对两相流流型辨识精度低的问题,提出一种基于双通道混合网络融合支持向量机的流型辨识算法。通过多尺度卷积核对电容向量进行多尺度特征提取丰富特征层信息,利用压缩激励网络(squeeze-and-excitation networks,SENet)关注卷积核通道上重要特征张量,调整各通道的重要占比,此外引入多头自注意力机制对电容向量的深度特征进行学习。将带有SENet的多尺度卷积通道与多头自注意力通道进行特征融合形成双通道辨识模型,最后将双通道模型有效捕捉到的电容向量特征的特征送入支持向量机中进行训练并测试。仿真实验结果表明,相比于BP神经网络、SVM、1DCNN算法,所提算法在流型辨识中的平均辨识率显著提升,高达98.6%。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

基于经验模式分解和概率神经网络的气液两相流识别

针对气液两相流压差波动信号的非平稳特征和BP神经网络学习收敛速度慢、易陷入局部极小值等问题，提出了一种基于经验模态分解(empirical mode decomposition，EMD)和概率神经网络的流型识别方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数trinsic mode function，IMF)之和，再选取若干个包含主要流型信息的IMF分量进行进一步分析。由于流型转变时，压差波动信号各频带的能量会发生变化，因而可以从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别流型。对水平管内空气-水两相流4种典型流型的识别结果表明，EMD能量比小波包能量特征具有更高的流型识别率，可以准确、有效地识别流型。