模式识别在发电机局部放电检测系统中的应用

本文简要介绍了发电机局部放电及在线检测系统的结构，主要分析了BP神经网络学习算法及在发电机局部放电模式识别方法中的应用。通过对发电机三种典型放电模式的识别，验证了基于该算法的模式识别方法可应用于发电机局部放电检测系统中。     

基于特征参量优选与多算法联合的局部放电模式识别方法

电力设备中,不同类型的放电因放电功率、能量的差异对设备绝缘的损害能力存在差异,即对绝缘的危害程度不同,确定局部放电类型是放电危险度评估的基础。文中对典型缺陷条件下的局部放电谱图提取了基本参量及统计参量等多种特征指纹;为了降低识别参量的维度,定义了特征向量可分性评估准则,并使用浮动前向搜索算法选取了可分性最优的9组特征参量;分别使用主成分分析、线性可分性分析、核主成分分析及通用可分性分析4种方法将特征向量降为2维,结果表明,使用通用可分性分析降维后特征参量可分性最优。之后,提出了多算法联合的模式识别分类器,通过对比最小距离法、人工神经网络及支持向量机,3种方法确定最终识别结果,实验结果表明,该分类器识别准确率达95.8%。最后将所提出模式识别方法应用于现场局部放电缺陷类型识别,通过设备实验结果对比验证了识别结果的准确性。     

基于信号能量谱特征的局部放电故障识别方法及其系统实现

为解决传统超高频(ultra-high frequency,UHF)法实现局部放电(partial discharge,PD)故障模式识别对采样频率、传输带宽和处理速度要求苛刻的困难,提出一种基于信号能量谱特征的局部放电故障识别新方法。该方法通过提取局部放电超高频电磁波信号在不同频段的能量值,构建能量谱序列作为模式识别判据,能够有效降低局放信号对采样频率、传输带宽和处理速度的要求。其次通过5种典型空气绝缘缺陷局部放电试验获得了模式识别的初步判据,验证了该方法的有效性;基于该方法,应用射频理论构建了相应的信号处理系统,并再次通过局部放电试验构建了基于此系统的模式识别判断依据,最后通过验证性试验证明该系统的识别正确率基本达到90%。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

基于关联规则的XLPE电缆局部放电模糊识别研究

本文将关联规则挖掘与模糊推理方法应用到XLPE电缆的局部放电模式识别中,采用竞争聚类方法划分区间以离散化特征,通过关联规则法挖掘特征间的相互关系来提取分类规则,进而将这些规则模糊化用于模式识别。该方法能有效挖掘出各特征参数与缺陷类型的潜在规则,对局部放电的模式识别和电缆绝缘故障诊断具有极大的参考价值。本文针对几种典型的XLPE电缆局放数据,提取相关的统计特征参数,采用该模式识别系统进行分类,并与多层感知神经网络、决策树C4.5等方法识别的结果进行对比分析。实验结果表明该算法提出的规则具有识别率高、识别速度快、解释性好和区间可动态划分等特点,提供了一种局部放电模式识别新的可行方案。     

基于时频特征核熵成分分析的局部放电模式识别方法

为实现电气设备局部放电模式的准确识别,提出了一种基于时频特征核熵成分分析的局部放电模式识别方法。首先采用S变换理论对局部放电脉冲信号进行时频特征分析,针对S变换分析结果维数庞大但冗余信息较多而不便于模式识别的缺点,基于核熵成分分析方法对S变换结果进行压缩降维处理,得到了局部放电模式识别时频特征向量,同时结合随机森林分类器实现了局部放电类型的准确识别。搭建了尖端放电、沿面放电、气泡放电、悬浮放电等典型变压器绝缘缺陷模型并采集了局部放电信号,分别采用文中方法、PCA方法及KPCA方法进行了局放模式识别实验。实验结果表明,相比PCA方法及KPCA方法,文中方法局放模式识别结果准确率较高且耗时较短。     

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。     

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。     

局部放电稀疏分解模式识别方法

为实现电气设备局部放电(简称局放)模式的准确识别,提出了一种局放稀疏分解模式识别方法。首先由各放电模式局放训练样本信号统计特征向量构建局放统计特征过完备原子库,对此原子库进行非线性映射,可得非线性局放统计特征过完备原子库。对待识别局放信号统计特征向量进行非线性变换,得到非线性统计特征向量,此向量在非线性局放统计特征过完备原子库中进行稀疏分解时,仅可由相应放电模式子原子库中原子进行稀疏表示而难以由其它放电模式子原子库中原子进行表示,进而实现局部放电稀疏分解模式识别。同时,提出一种核函数优化匹配追踪算法,可在无需知道非线性映射具体形式基础上完成稀疏分解,并基于相似性度量系数确定最佳核函数及其参数。设计了两套放电模型,并在不同实验环境中进行了局放测试,所测信号分别作为训练样本信号及测试样本信号,采用所提方法进行了模式识别实验,同时与采用神经网络方法、K近邻法、支持向量机法的局放模式识别实验结果进行了对比。实验结果表明该方法识别效果较好,准确率较高。     

统计特征参数及多分类SVM的局部放电类型识别

局部放电模式识别是诊断变压器绝缘状况的一种有效方法,为提高局部放电类型识别的正确率,提出了基于统计特征参数及多分类SVM的局部放电类型的识别方法。在实验室设计了4种典型的变压器故障缺陷,采用统计特征参数法提取各局部放电图谱的27种特征量,引入M-ary分类思想,将支持向量机的两类分类问题扩展为多类分类,使训练计算量和测试计算量大大减少。实验结果表明,该方法用于局部放电类型识别具有较好地识别效果,并且计算速度快。     

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。     

基于时频分析与分形理论的GIS局部放电模式识别特征提取方法

识别局部放电(PD)的缺陷类型是评估电气设备绝缘状况的一项重要指标,通过特高频传感器(UHF)可获取局部放电信号.然而,传统的基于统计参数的信号特征提取方法存在高维数和无效信息过多的缺点,该文提出了一种基于时频分析和分形理论的气体绝缘组合电气(GIS)局部放电模式识别特征提取方法.首先利用小波变换对局部放电信号获取能量...     

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.     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

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。     

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。     

电力变压器局放信号抗干扰与模式识别

在局部放电信号抗干扰方面,考察了几种较新的阈值除噪方法,提出了将二进小波变换分别与单抽头最小均方LMS(Lease Mear Square)算法滤波器和基于Birge-Massart策略的小波去噪相结合的变压器局部放电信号抗干扰方法.同时针对局部放电信号的模式识别问题,首先分别根据模糊概率理论和波形匹配理论,针对时域单个特高频UHF(Ultra High Frequency)脉冲信号,提出了2种电力变压器特高频局部放电信号的模式识别方法.基于时域单个UHF脉冲信号的信息,提出了用于神经网络输入的8个特征量,分别利用BP网络、Elman回归神经网络和PNN概率神经网络对4种典型的变压器局部放电信号进行了模式识别的尝试,取得了较好的识别效果.