电压暂降源异质堆叠集成学习识别法

电压暂降源分类识别存在可获得信息不完备的问题。针对现有单一识别法弱学习特点和组合识别法一致性强的问题,提出一种基于异质堆叠集成学习的暂降源识别方法,提升识别模型的泛化能力和鲁棒性。把线路故障分为普通故障和雷击故障,以10类单一电压暂降源的识别为目标,选取9个表征特征差异的波形统计参数,构建27维识别特征向量。引入堆叠集成算法,以5种差异性强的单一识别法为基分类器,用随机森林法作元分类器,建立异质堆叠集成识别模型。通过PSCAD仿真数据和实测数据验证,并与现有6种识别法比较,结果表明,该方法识别精度高,噪声鲁棒性良好,具有良好的工程实用性。     

基于特征子集的变压器局部放电小样本类型识别

针对变压器局部放电有效经验样本缺乏时的小样本类型识别问题,提出了一种基于特征子集的集成概率神经网络分类方法 FS-EPNN。首先从4种变压器实验模型放电数据中提取了基于局部放电相位分布二维谱图的44个统计特征。其次,为了避免如PCA等传统降维方法造成的分类信息丢失,将样本的所有特征进行划分并组合成多个低维特征子集,然后根据相应特征子集下的所有样本分别构造基于PNN的基分类器,最后采取投票表决规则集成各基分类器结果识别样本的放电类型。实验结果表明,在小样本情况下,该方法与BPNN、基于PCA的PNN和单PNN方法相比进一步提高了局部放电类型的识别率。     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

基于神经网络GIS局部放电模式的识别

全封闭气体绝缘开关设备（GIS）广泛应用于电网中,其内部缺陷导致的设备故障可能会引起大面积停电事故.针对GIS缺陷放电模式识别问题,设计了3种GIS典型放电模式,通过实验平台获取放电指纹数据,并从中提取出12种特征.对基于单一网络方式的概率神经网络、自适应神经网络以及基于复合神经网络方式下的GIS局部放电识别问题进行对比研究,考察3种网络方式在输入验证、部分训练集等不同条件下的放电模式识别率与一致性问题.实验结果表明,采用上述单一方式神经网络可以作为一种局部放电识别手段,但识别结果的一致性较差,而复合神经网络不仅具有高识别率,而且一致性也较好,可以较好地满足GIS局部放电识别.     

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。     

GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

基于BP-AdaBoost的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量至关重要。提出了一种基于BPAdaBoost网络的电压暂降源识别方法。通过直接提取原始波形的时域特征和经S变换后的时频域特征,构建识别特征向量。针对单一分类器的分类精度和过拟合等不足,采用AdaBoost算法进行集成优化为强分类器。选取BP神经网络作为基础分类器,通过大量数据训练得出最强网络参数,得到BP-AdaBoost暂降源识别模型。应用仿真数据和实测数据验证了所提暂降源识别模型的有效性,证明所提方法识别精度高,具有工业应用前景。     

一种城市轨道供电环网终端缺陷的智能识别方法

为实现城市轨道供电环网终端缺陷的智能化有效识别,提出了一种融合随机森林和堆叠自编码器的识别方法。首先,基于实际制作四种典型缺陷的终端样本,对其进行局部放电测试,获取用于分类识别的原始数据;然后,基于随机森林提取特征,基于堆叠自编码器压缩特征空间,使用Softmax分类器进行放电类型识别;最终达到智能化识别终端缺陷类型的目的。对比单一分类算法的识别结果表明,针对4种典型的35 kV供电环网终端缺陷,所提方法的识别精度优于其他对比方法,该方法更适用于城市轨道供电环网终端缺陷的识别,能为检修工作提供有效支持和依据。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统（ANFIS）在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量．建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异．但总体识别率达90％以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统(ANFIS)在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量,建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异,但总体识别率达90%以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于参数优化SVM算法的交联电缆局部放电模式识别

为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机(Support Vector Machine,SVM)参数选择不当而导致识别准确度低,在引入M-ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时,利用改进遗传算法(Genetic Algorithm,GA)优化各子分类器的惩罚因子、松弛变量及核函数参数,从而构造出最优参数SVM分类模型。开展交联电缆局部放电模拟试验并提取了表征灰度图象内在分形特征的4个分形维数作为局部放电模式识别的放电指纹,分别采用优化SVM、未优化SVM及径向基函数(Radial Basis Function,RBF)神经网络作为模式分类器完成缺陷分类,并通过对比三者识别效果验证了优化模型的正确性。结果表明,以优化SVM作为分类器时各缺陷识别率均大于95%,且无论是否优化参数,SVM总体识别能力要优于RBF神经网络。     

局部放电图像组合特征提取方法

研究了局部放电图像组合识别特征提取和反向传播算法神经网络分类器设计方法 ,根据变压器局部放电在线监测的要求 ,设计了 5种放电模型并进行了模拟实验。 5种放电模型数据识别结果说明 :与分别采用分形特征和统计特征的识别结果相比 ,采用两者组合的识别特征集具有更高的识别率     

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。     

GIS局部放电深度分层放电类型诊断方法研究

现有的GIS局部放电类型诊断主流采用单一分类器直接进行多类型划分,该方法对类间交叉重叠区域敏感,且受单一分类器固有缺陷的影响。文中提出了一种深度分层放电类型诊断方法,以逐层二分决策实现多类划分,在分层决策中优先进行良性样本的区分,将交叉重叠区域分类问题放至深层节点进行,且在每个二分节点处可择优选用不同分类器。设计了5种典型的GIS放电模型,从放电PRPD谱图、U-Δt序列谱图的统计特征、图像特征出发,构造了16个特征参量,探索了不同分层深度值下的诊断分类正确率,并与传统直接分类方法进行了比较。结果表明:深度分层诊断相比于直接识别诊断,总体识别正确率提高了20%,尤其对直接识别诊断误判率大的沿面、颗粒类缺陷,识别正确率提升明显(30%)。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于2D-LPEWT的特征提取方法在 电缆局部放电分析中的应用

局部放电检测对识别电力电缆绝缘缺陷具有重要意义,其中提取有效的特征参量为其研究重点。该文提出一种基于二维Littlewood-Paley经验小波变换(2D-LPEWT)的特征提取方法,可实现电缆局部放电不同缺陷类型的准确识别。通过搭建电缆绝缘局部放电检测平台,利用2DLPEWT对四种典型缺陷模型下局部放电产生的?-Q-n图谱进行分解,对得到的经验小波系数子图提取了Tamura特征、矩特征和熵特征,并讨论了不同的特征提取方法对KNN、决策树、支持向量机(SVM)三种分类算法性能的影响。结果表明所提出的特征提取方法在不同的分类器下均可达到很高的识别精度,具有很好的实用性。     

基于图像特征的电缆绝缘缺陷诊断方法研究

局部放电是表征XLPE交流电缆绝缘状况的重要特征量之一。为了准确地了解和掌握XLPE电缆内缺陷类型性质和特征,设计了四种XLPE典型绝缘缺陷模型并进行试验,随后对得到的灰度图像进行小波分解并进行特征提取,以探究特征集不同的情况下四种分类器对缺陷模式的识别效果。结果表明:在样本较多时,应用颜色特征集的SVM分类器、颜色特征或综合特征集的DT分类器识别效果较好;在样本较少时,应用颜色特征集的SVM分类器效果较好。     

面向类别不平衡负荷序列模式识别的两阶段选择集成学习策略

为解决集成学习负荷模式识别中的类别不平衡及基分类器冗余等问题，提出一种计及类别平衡的两阶段选择集成电力负荷模式识别方法。首先，采用一种基于密度聚类的高斯人工合成少数类过采样技术，根据少数类负荷样本的密度分布特性合成新样本，以强化负荷分类模型对少数类负荷样本的学习。然后，设计出一种包括基分类器聚类剪枝和优化选择集成的两阶段选择集成策略，基于基分类器池的训练结果，遴选最优基分类器子集参与负荷分类任务。最后，通过UCI标准数据集算例验证了所提方法的有效性和优越性。     

一种基于改进的WGAN模型的电缆终端局部放电识别准确率提升方法

目前,基于机器学习的电缆终端局部放电模式识别常因标注数据匮乏或不均衡而导致泛化能力不足,识别准确率较低。为解决该问题,该文提出了一种基于改进的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)模型的电缆终端局部放电识别准确率提升方法。该方法以单个脉冲对应的小波时频谱图为对象,首先训练具有条件生成能力且训练过程稳定的改进WGAN模型并生成新的样本;然后利用新样本对原始样本集进行扩充,以提高样本多样性;最后,利用扩充后数据集训练得到新的局放分类器。实验结果表明,所提方法相较于其他条件生成模型能够更稳定生成新的高质量样本;利用该方法分别对典型电缆终端缺陷数据进行扩充,训练出的新分类器具有更优的泛化能力,且对不同分类器具有适用性。该方法有效抑制了工程中局放类型识别时由于数据匮乏或不均衡所导致的过拟合风险,有效提升了在小数据量下的识别准确率。