共查询到17条相似文献,搜索用时 171 毫秒
1.
局部放电灰度图象分维数的研究 总被引:14,自引:5,他引:14
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。 相似文献
2.
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 总被引:17,自引:1,他引:17
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。 相似文献
3.
基于油纸绝缘气隙放电模型,研究放电能量的变化规律。通过引入放电重复率,提出用每秒平均放电能量描述气隙放电的发展过程。引入放电发生的工频相位,构造基于放电能量的φ-W-n三维统计图谱,投影到放电能量-相位平面得到灰度图像。采用一种基于小波矩特征的局部放电灰度图像特征提取方法,得到灰度图像的全局特征和局部特征。根据提取到的不同放电时刻的小波矩特征值,采用模糊C-均值聚类的方法将整个放电过程划分为放电产生和振荡发展阶段、微弱放电阶段、放电爆发阶段以及放电预击穿阶段。 相似文献
4.
《电气应用》2016,(19)
为了分析不同图像矩特征在局部放电中的识别效果,将基于局部放电相位分辨(Phase-Resolved Partial Discharge,PRPD)模式的φ-q-n三维图谱转化为二维灰度图,基于灰度图的矩特征对局部放电进行模式识别,不同的矩特征,图像的识别率相差较大。采用Hu矩、Zernike矩和小波矩对3种局部放电类型进行模式识别,结果表明:基于Hu矩和Zernike矩表征图像全局信息的特点,其图像识别率较低;而基于小波多分辨率特性的小波矩,不仅可以反映图像的全局信息,而且能够表征图像的局部信息,其图像的识别率达到100%,拓展了矩特征在局部放电模式识别中的应用。 相似文献
5.
局部放电灰度图象数学形态谱的研究 总被引:19,自引:5,他引:19
局部放电模式识别是判断电气设备绝缘状况和区分外部脉冲干扰的有效手段之一。数学形态学颗粒分析是一种十分有效的图像处理工具,主要用来处理灰度图像的粒度和形状特征,或者说通过数学形态谱以分析图像的纹理特征。提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论,采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱,并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型,计算其形态谱,输入双隐层人工神经网络实现放电模式识别,识别结果表明了该方法的有效性。 相似文献
6.
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。 相似文献
7.
基于遗传编程的绝缘内部局部放电缺陷模式识别 总被引:2,自引:5,他引:2
采用新的模拟进化技术——遗传编程,进行局部放电模式识别以区分不同的绝缘内部缺陷类型。制作了4种结构的人工缺陷模型以模拟发电机定子中典型的绝缘内部放电,从局部放电试验中获得二维和三维谱图特征,计算局放信号的矩特征值。首先用模糊方法将局部放电信号的矩特征表示为关于对象不确定知识的模糊特征,作为放电数据的预处理。再由遗传编程分类表达式进化生成局部放电缺陷类型判别函数,并采用递增式学习规则以提高最佳特征对局部放电缺陷分类的效果。另外,将Bootstrap统计模拟技术与遗传编程结合,以克服从小样本数据中进行知识获取的“瓶颈”。人工缺陷模型试验数据的测试结果表明,该方法在局部放电缺陷类型识别中得到了良好的识别效果。 相似文献
8.
9.
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。 相似文献
10.
11.
12.
基于距离的放电模式识别方法 总被引:3,自引:2,他引:3
阐述了用局部放电数字化—计算机测量装置检测放电信号,由放电统计特性来判断设备状态的意义。指出采用模式识别方法提高了放电识别的有效性。介绍了三种基于距离的模式识别方法:置信区间法、最小距离法、趋中心度法,分析了这三种方法的原理、算法和样本构成。最后对这三种用于识别放电的模式识别方法作了比较、归纳。 相似文献
13.
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。 相似文献
14.
针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明:基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。 相似文献
15.
16.
针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明:基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。 相似文献