局部放电识别用的几种人工神经网络

说明了用人工神经网络识别局部放电的意义，介绍了用于放电识别的各种类型人工神经网络（前馈网络、自组织特征映射网络、训练向量分区网络、训练向量分区网络、自适应共振网络）的拓扑结构和工作方式，输入向量构成，识别功能，分析了各种人工神经网络用于识别放电的适用范围和优缺点。     

基于神经网络的变压器绝缘局部放电识别

基于神经网络,对变压器绝缘模型进行了局部放电试验和识别,结果显示经过训练的神经网络对变压器类产品的局部放电类型和程序有较高的识别能力.     

基于卷积神经网络的局部放电声音识别研究

针对变压器与中压开关柜传统绝缘状态检测方法依赖人工的问题,本文基于可听声声音识别方法,通过将电力设备放电故障声音与正常工况声音、环境噪声进行混叠制作样本集,以模拟真实电力设备运行环境;对故障声音进行预处理后,使用声谱图提取声音的短时频率、能量分布等特征,构建声谱图数据集,结合改进的卷积神经网络实现对放电故障的检测;通过加入注意力机制,调节指数衰减学习率、数据集样本数量、音频采样率等方式进一步提升网络的精度,最终设计的网络模型识别准确率最高可达99.2%,相比其他检测方法优势明显,可实现对放电故障的在线检测。     

基于人工神经网络的开关柜局部放电超声波检测方法

采用超声波法对开关柜中的各种典型局部放电特征进行研究,建立了开关柜局部放电模型、局部放电超声波测量系统;以20-40 kHz和80-140 kHz两个特征超声频段功率谱的归一化面积作为三层BP神经网络的输入向量,实现了开关柜局部放电模式的识别.实验结果表明该方法对局部放电模式识别率高,为开关柜绝缘故障在线检测系统开发开...     

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.     

基于分形方法的电力设备绝缘局部放电识别

阐述了在线监测电力设备绝缘局部放电以及放电指纹对诊断电力设备绝缘状态的重要意义。介绍了分数维的两种计算方法：三维盒子法、三维概率法。并将这两种方法应用于三种绝缘局部放电的识别， 得到了一些有用的结论     

基于BP人工神经网络的局部放电模式识别

本文介绍了ＢＰ人工神经网络在局部放电模式识别中的应用,结合实际现场情况提出了一部局部放电特性的提取方法,并在此方法基础上开发出局部放电模式识别系统,然后利用此系统对空气火花放电和油中火花放进行了模式识别实验,实现结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。     

GIS局部放电检测与识别

对GIS局部放电辐射的电磁波使用快速傅立叶变换(FFT)和小波变换(WT)分析,可对不同局部放电源产生的信号进行检测区别,了解局部放电的存在及其发展.     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

局部放电试验中的抗干扰

对发现电气设备内部存在的潜伏性缺陷和故障，局部放电试验较其它试验方法要灵敏得多。文章通过充油式电压互感器现场进行局部放电交接试验，及ＬＣＺ－３５环氧树脂电流互感器试验，介绍了目前采取的抑制干扰的基本方法和措施。通过理论分析和实践阐明：局部放电试验被试品内部存在的绝缘缺陷所产生的放电信号随加压时间的延长，幅值和宽度只会增加，来自电源侧或空间的某些干扰信号与信号源是否正在进行工作有关。     

人工神经网络用于发电机定子绝缘局部放电模式识别

讨论了反向传播算法的人工神经网络在局部放电模型类型识别中的应用,设计了反映大型发电机定子绝缘局部放电的5类不同物理仿真绝缘模型。仿真模型包括的局部放电类型有端部放电、槽间放电、在绝缘不同位置的三种内部放电。研究了人工神经网络的识别能力。针对大型发电机定子绝缘局部放电的类型,得到了较好的识别率。     

基于Labview平台的局部放电测量系统

介绍了一种基于 Labview平台的数字化局部放电测量系统。该测量系统能够对典型放电情况进行测量分析 ,获得相应的 Q-φ、 N- Q、 N -φ、 N- Q-φ谱图 ,所得结果可为局部放电的模式识别提供重要的参考依据。     

电气设备的直流局部放电测量

本文探讨了电气设备的直流局部放电测量方法,提出了几种测量系统。文中还给出了葛洲坝换流站部分设备的直流局部放电测量结果。     

基于概率神经网络的油纸绝缘局部放电发展阶段识别北大核心CSCD

采用阶梯升压法进行油纸绝缘沿面放电与气隙放电实验,根据放电发展过程的差异将局部放电划分成4个阶段:放电初始阶段、放电发展阶段、放电稳定阶段和临近击穿阶段,分析两种模式下放电特征参量的发展规律。提取放电相位分布(PRPD)图谱的29个统计特征参量,通过局部线性嵌入算法降维得到新的六维特征参量,采用概率神经网络(PNN)算法对两种放电模式下油纸绝缘放电发展阶段进行识别,并与广义回归神经网络(GRNN)模型以及反向传播神经网络(BPNN)模型进行比较,发现其识别结果更加准确。     

局部放电远程识别中的分形图像压缩方法

研究了局部放电图像分形压缩技术 ,分析了解码图像误差对识别结果的影响。大量的样本数据识别结果说明 :采用分形图像压缩技术能获得较高的局放图像压缩比 ,提高了系统对远程计算机存储局放图像的识别速度 ,使局放图像远程识别系统具有更强的实用性     

基于数字孪生的GIS外部局部放电干扰识别

在实际的变电站复杂环境中,除了来自环境噪声的影响外,气体绝缘金属封闭开关设备(gas insulated switchgear, GIS)在线监测系统还会受到外部局部放电信号的干扰。针对目前GIS局部放电在线监测系统无法识别外部局部放电信号的缺陷,结合数字孪生技术的优势,开展GIS外部局部放电干扰识别研究,提出一种基于数字孪生的GIS外部局部放电干扰识别机制,建立GIS数字孪生整体模型和信号衰减部件模型,分析特高频信号衰减速率。根据衰减速率对比,完成外部局部放电信号识别,并通过仿真实验验证该算法的有效性。     

基于人工神经网络的绝缘局部放电信号提取方法的研究

提出了一种基于ＢＰ神经网络结构与算法的局部放电信号提取方法。该方法在网络节点连接权向量域,从强大的窄带周期性干扰（载波通讯干扰）和随机噪声中提取局部放电信号。仿真研究与现场实验结果表明,该方法能有效地提取局部放电信号,可用于大型发电机、变压器及其它电力设备局部放电在线监测系统中。     

人工神经网络识别放电能力与网络结构关系的研究

用蒙特卡洛方法得到了局部放电模拟试验数据。数据的多少可根据需要任意选择，除庞计分散性外，具有良好的重复性。用这些数据研究了前馈人工神经网络识别放电三维谱图的能力。为减少放电分散性对网络识别能力的影响，讨论了采集放电数据的必要工频周期数。为选择较好的网络结构，研究了输入层，隐含层神经元数对网络识别能力的影响。最后分析了网络对放电识别具有一定的智能性。     

采用小波分析与神经网络技术的局部放电统计识别方法

小波变换技术适合于局部放电（PD）的检测与识别，但所用小波或提取的特取的特征量不合适时，识别效果不理想。因此，测量了6种典型绝缘缺陷模型产生的144组PD脉冲数据，用基数B样条导数小波成功地从这些实测数据的极强电磁干扰中检测出了PDs，得到了相应的三维统计分布图与各种二维统计分布图，提出了一种新的小波分解方法处理这些PDs对应的统计分布图，并在小波变换域定义了一组与传统方法完全不同的新特征量来识别这些PDs。以新定义的特征量组成输入矢量，用基于BP算法的前馈型神经网络，对6种典型PDs及加上4种混合PDs组成的共10种PDs进行了识别测试，识别效果远远优于现有方法水平。