基于LS-SVM和数学形态谱的局部放电模式识别

阐述了1种基于最小二乘支持向量机的局部放电模式识别的新方法.该方法采用多尺度数学形态学开运算提取局部放电信号的数学形态谱,通过数学形态谱可以看出每种类型局部放电具有不同的形态特征,把提取的形态特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具...     

基于小波变换和数学形态学的局部放电信号分析方法

应用小波变换与数学形态学相融合的方法对含有强噪声的局部放电信号进行消噪,并与小波变换的阈值法进行了比较,发现该方法能更有效地消除局部放电信号的噪声,同时能很好地保留原信号特征。采用多尺度数学形态学开运算提取消噪后的局部放电信号数学形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征,为放电类型的识别打下基础。     

油中典型局部放电模型放电波形特征参数的提取

根据油中局部放电脉冲波形的特性,提出了一种用于抑制噪声的多分辨率分析和软阈值相结合的小波消噪算法;同时对提取的放电波形的特征参数进行了分析和处理。结果表明,软阈值消噪能较好地解决保留信号局部特征与抑制噪声之间的矛盾,特别适合于对单个局部放电脉冲波形的处理;不同的局部模型,其放电脉冲波形的特征参数有很大差异,提取每种放电的波形特征参数,就可以较好地进行放电类型的识别。     

特征图谱分类法在避雷器局部放电测试分析中的应用

为排除电磁干扰信号以及识别不同类型缺陷的放电信号,介绍了特征图谱分类法在避雷器局部放电测试中的应用。由PD-Check测试系统提取信号的波形持续时间以及特征频率两个特征量,采用人工分类法和模糊C均值算法进行特征量分类,分析避雷器产生局部放电信号的案例。结果表明:此方法能够有效地分离干扰信号,可用于分析不同种类的缺陷信号分类和正确诊断避雷器的绝缘缺陷。     

基于 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

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%。     

基于振动信号的气体绝缘金属封闭输电线路局部放电诊断方法

为对气体绝缘金属封闭输电线路(GIL)局部放电缺陷进行识别与诊断,本文提出一种基于1.5维能量谱与粒子群优化极限学习机(PSO-ELM)的局部放电缺陷诊断方法.首先,通过计算局部放电引起的GIL异常振动信号的1.5维能量谱,得到不同类型放电情况的能量波动特征;其次,构建PSO-ELM模型,以1.5维能量谱作为特征量对GIL局部放电故障进行识别与诊断;最后,通过不同方法的对比,验证该方法的优越性,为GIL在输配电系统中的安全、稳定运行提供依据.     

基于BP网络的高压电抗器局部放电模式识别

通过获取高压电抗器特高频局部放电信号,对局部放电波形进行特征向量提取处理,用降维后的向量作为输入对BP分类器进行训练和测试类型识别。识别结果表明,用该方法进行高压电抗器绝缘缺陷类型识别,可以在减少计算量的同时保持较高的识别率,证明其在高压电抗器局部放电模式识别应用中的有效性。     

交流XLPE电缆典型绝缘缺陷的PD特性与类型识别

针对交联聚乙烯(XLPE)电缆及其附件常见的9种绝缘缺陷类型,制作了相应的缺陷模型,研究了9种缺陷在不同电压下的局部放电特性。发现不同缺陷的谱图形状、放电的相位分布等表现出不同特点,每种缺陷的放电重复率与平均放电量均随着电压的升高而增大,其中气隙缺陷的最大放电量和放电重复率高于其他缺陷,电树枝缺陷的放电重复率最低。对不同缺陷的局部放电谱图进行了特征量提取,并利用基于L-M算法的BP神经网络,实现了故障类型的识别,最低识别率达到89.17%,取得了较好的识别效果。     

电力变压器典型局放模型放电脉冲的特性研究

构造了几种典型的变压器局部放电模型 ,利用研制的宽带测量系统提取其放电脉冲波形。分析表明 :变压器油中的放电不稳定 ,放电脉冲存在振荡分量 ;不同放电波形的特性参数有差别 ,这些特征可用作放电类型识别的依据     

信息融合在变压器油纸绝缘局部放电识别中的应用

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。     

基于融合极限学习机的局部放电模式识别

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。     

基于多分类器融合的XLPE电缆局部放电模式识别研究

将多分类器融合的方法应用到XLPE电缆的局部放电模式识别中.针对几种典型的XLPE电缆局部放电类型,提取放电统计特征参数,采用主成分分析(PCA)降维后,应用基于AdaBoost的多感知器神经网络融合分类模型进行分类.实验结果表明算法能有效提高基本分类器的准确率,提供了一种用于局部放电模式识别新的有效方法.     

基于IFS的局部放电超声信号的数据压缩和模式识别

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。     

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VPMCD的变压器局部放电模式识别

识别局部放电的类型对变压器状态评估十分重要。文中构造了四种变压器局部放电实物模型,从放电信号中提取18个统计特征量,使用基于变量预测模型的模式识别方法(Variable Predictive Model based Class Discriminate method,VPMCD)完成局部放电信号的分类。对比实验结果表明,VPMCD方法在识别率和计算效率均高于BP神经网络。     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

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。     

超声波法进行变压器局部放电模式识别的研究

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。     

基于离散隐式马尔科夫模型的局部放电模式识别

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。     

基于模糊概率论的变压器局放信号模式识别法

电力变压器局部放电信号的模式识别是局放研究中的一个难点和重点问题.文中通过对高采样率采集到的4种局放模式下的单个UHF脉冲信号进行小波包分解,从熵值和能量角度提取出6个特征量,运用了模糊理论基本思想,通过简单的计算求出各种放电模式的信息分布表和放电标量作为参考量.当给出一个待确定模式的局放信号时,求出其具体的放电标量,按照相对误差最小原则就可以确定出其模式归属.经实测局放信号验证,该方法思路清晰,简单有效.