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。     

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

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。     

变压器油纸绝缘气隙放电能量-小波矩特征及放电过程划分

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。     

基于Hu矩、Zernike矩和小波矩的局部放电识别分析

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。     

局部放电灰度图象数学形态谱的研究

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。     

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。     

基于遗传编程的绝缘内部局部放电缺陷模式识别

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。     

基于统计不相关最优鉴别矢量集的GIS局部放电模式识别

针对气体绝缘金属封闭开关设备（GIS）局部放电及其缺陷特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电灰度谱图。文中将主分量分析线性鉴别方法应用于局部放电模式识别，即首先进行主分量分析，将数据从超高维空间降至低维空间，再提取统计不相关的最优鉴别矢量集，最后采用最小距离分类器进行模式识别。识别结果表明该方法对GIS各类模拟缺陷的正确识别率高，效果良好。     

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。     

油纸绝缘沿面放电小波矩特征信息提取及其过程划分

油纸绝缘沿面放电是变压器内局部放电的主要形式,研究其产生及发展特性,能有效诊断运行变压器的潜伏性缺陷。笔者基于典型油纸绝缘沿面放电模型,采用恒压法开展局部放电发展特性试验研究。采集沿面放电发展过程中不同时刻的信号样本,提取了不同阶段沿面放电灰度图像的小波矩特征参量。对新特征参量进行无监督聚类分析,聚类结果结合不同时刻的信息将沿面放电发展过程分为初始、发展、稳定、预击穿4个阶段,为沿面放电发展特性研究提出了一种新的方法。     

基于距离的放电模式识别方法

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。     

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。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

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。     

局部放电识别中分维数分布的研究

本文将分形理论应用于局部放电模式识别 ,从统计图谱中提取分形特征。在局部放电模式试验基础上 ,采用计盒数的分形维数算法 ,从大量的局部放电样本中提取分形网格维数特征参数 ,提高了局部放电模式的准确性。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

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。     

几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。