共查询到20条相似文献,搜索用时 250 毫秒
1.
2.
3.
4.
5.
开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。 相似文献
6.
7.
8.
9.
10.
信息融合在变压器油纸绝缘局部放电识别中的应用 总被引:3,自引:3,他引:0
局部放电会引起变压器绝缘的老化和破坏,而变压器局部放电特性的研究能够很好反应变压器潜伏性缺陷,对其安全可靠运行具有重要意义,因而设计制作了模拟变压器沿面放电、气隙放电和电晕放电的3种缺陷模型,采用升压法进行相应的放电试验,通过分析油中溶解气体在局部放电发展过程中的变化规律,寻找出油中产生气体与不同局部放电的对应关系。引入局部放电的最大放电量相位特征谱图Hqmax(φ)和放电次数相位特征谱图Hn(φ),并提取基于谱图的统计特征参量,构建反向传播(back propagation,BP)神经网络和径向基函数(radical ba-sis function,RBF)神经网络对局部放电的放电类型进行初级识别,在此基础上,应用信息融合方法将初级识别结果融合油中产气特征以综合识别局部放电类型。实验结果表明,同一种溶解气体在不同放电模型中发展变化趋势是不一样的,根据统计特征参量和油中溶解气体变化规律,应用信息融合方法对变压器局部放电模式具有足够的识别能力。 相似文献
11.
局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。 相似文献
12.
13.
变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。 相似文献
14.
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
15.
16.
17.
针对单一信号源特征无法准确识别局部放电(PD)类型的问题,提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集,提取不同信号的特征向参数,再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别,将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合,最后对融合结果进行决策。研究结果表明:基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性,识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补,有各自优势,可以解决故障诊断中的不确定性问题。在此基础上,基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补,与单一模型对比,所提方法可以稳定、准确地识别PD模式,具有更高准确率和可靠性,验证了所提方法的有效性与正确性。 相似文献
18.
超声波法进行变压器局部放电模式识别的研究 总被引:19,自引:5,他引:19
在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性,提出利用分形理论对局部放电超声波信号的时域脉冲形进行分析,对分形理论及其参数计算方法进行了简单的介绍,在自制的几种典型变压器局部放电模型上进行实验,计算了所得到的局部放电超声波信号的分型参数(分维数和空缺率),得到不同放电形式的分形特征,利用人工神经网络对所得到的分形特征进行模式识别,结果表明利用超声波信号可以有效地判断变压器局部放电模式,为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。 相似文献
19.
利用绝缘试品在升、降压过程中的视在放电量-施加电压序列作为局部放电特征量,并将离散隐式马尔科夫模型分类器引入局部放电模式识别的研究中。该算法首先利用矢量量化方法通过对码本生成样本集进行LBG编码构造码本,并分别对各类放电的训练和测试样本分配码本索引序列。在分类器的训练阶段,输入训练样本序列训练得到每类放电的离散隐式马尔科夫模型。在测试阶段,计算每类离散隐式马尔科夫模型输出测试样本序列的概率,取最大概率对应的模型序号作为识别结果。对5类放电的150个样本的识别结果表明,离散隐式马尔科夫模型具有识别率高、易扩展的优点。 相似文献