基于放电时差的局部放电模式识别的研究

为寻找一种无需校正、方便信号监测的局部放电模式识别方法,将局部放电脉冲间的时间差分布引入到局放放电的模式识别中,构造了放电相位、时间差与放电次数分布的三维谱图Hn(Δt,)φ,并分析提取了其灰度图象的盒维数与信息维数特征参量,最后以分形维数作为输入,径向基函数神经网络(RBFNN)作为模式分类器对5种人工油纸绝缘缺陷模型进行识别。研究表明,识别率均>90%并具有较强的抗干扰能力。     

局部放电UHF脉冲的时频特征提取与聚类分析

制作了4种人工缺陷模型模拟典型的局部放电源,并进行局部放电试验采集UHF脉冲信号。引入S变换(ST)对局部放电的UHF脉冲进行时频分析,探索不同放电源脉冲的聚类分离。算法首先对UHF脉冲进行S变换,并采用非负矩阵分解(NMF)对S变换幅值矩阵进行分解得到频域基向量和时域位置向量,从中提取尖锐度、导数平方和、信息熵以及稀疏度等特征参量,构造出能充分反映局部放电时频信息的特征空间,最后利用模糊C均值算法对提取的特征向量进行聚类得到放电源脉冲的聚类结果。对试验数据的分析结果表明,提取的ST时频特征能够有效实现不同局部放电源脉冲的聚类,当NMF参数r=2时,10维时频特征能够取得最高为90.33%的聚类正确率;与常用的Wigner-Ville分布(WVD)相比,ST具有更好的聚类效果;当存在复杂的多重信号折反射时,本文提出的时频特征聚类结果较差,需要进行进一步的研究。     

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。     

基于相位谱图的开关柜局部放电模式识别方法

利用图像识别和模式识别理论,针对高压开关柜局放相位谱图特征提出一种基于二维最大准则法的提取和降维方法,并结合支持向量机(SVM)实现对开关柜内部局部放电类型分类识别。仿真计算表明该方法可直接对图片格式的相位谱图进行处理和识别,能避免因不同检测设备数据格式不同而造成的无法跨平台分析的问题;同时,采用二维最大准则法能对相位图谱进行大幅压缩,且在特征值nc=2和nr=7时,基于SVM的识别正确率可基本保持在90%以上。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

时频匹配滤波法用于变压器局部放电模式识别的实验研究

局部放电模式识别对于电力变压器绝缘状况诊断具有重要意义。分析了典型变压器局部放电缺陷,建立4种放电模型,采用小波变换获取了超高频局放脉冲的三维时频谱图,该三维谱图综合反映了局放信号的3个基本特征:时间分量、频率分量和放电能量的分布。根据时频谱构造了4种局放模型的三维匹配滤波器,待测局放信号与同类型滤波器相匹配。结果表明,该方法可以有效提取出局部放电信号的主要特征和趋势。     

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。     

基于LMD和LSTM的盆式绝缘子典型缺陷局部放电模式识别方法

盆式绝缘子是气体绝缘组合电器(gas insulated switchgear,GIS)中的重要绝缘部件,准确地识别其不同缺陷的局部放电信号对保障GIS长时间安全稳定运行具有重要意义.本文提出一种基于局部均值分解(local mean decomposi-tion,LMD)和长短期记忆神经网络(long short-t...     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初...     

基于EFPI传感器的GIS局部放电模式识别研究

非本征法布里-帕罗干涉(EFPI)光纤超声传感器可用于气体绝缘全封闭组合电器(GIS)内部的局部放电超声信号检测及模式识别研究,相较于传统的压电式传感器,具有灵敏度高、抗干扰能力强等优点。基于此,文中在充有0.4 MPa SF₆气体的GIS腔体内设置尖端、金属颗粒、悬浮和沿面4种典型的局部放电模型,创新性地利用EFPI传感器对放电超声信号进行检测,提取单次超声脉冲信号波形特征形成特征参数数据库,分别应用概率神经网络(PNN)算法和支持向量机(SVM)算法进行模式识别并比较分析。EFPI传感器检测到的超声信号特征突出,在提取特征参数的基础上,2种模式识别算法均能达到85%以上的平均识别率,且SVM的识别效果要优于PNN。     

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。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

基于灰度共生矩阵纹理特征的局部放电模式识别

传统的统计参数特征,因放电次数及放电相位分布等因素的影响,会出现无效信息,降低局部放电识别率。为了减少这些因素的影响,引入灰度共生矩阵纹理特征对局部放电进行模式识别。首先通过实验构造局部放电相位-放电量-放电次数(j-q-n)三维图谱,获得放电分布矩阵。其次计算其对应的灰度共生矩阵,并提取出相应纹理特征。最后利用聚类分析对不同放电缺陷进行了有效判别分类。实验结果表明:基于放电分布灰度共生矩阵的纹理特征可以有效辨识不同局部放电类型,为局部放电模式识别提供了一种新思路。     

Partial discharge pulse pattern recognition using Hidden Markov Models

An approach for the classification of cavity sizes based on their maximum charge transfer characteristics, applied voltage partial discharge pattern using Hidden Markov Models, is described. In these models, the partial discharge patterns for different cavity sizes are represented by a sequence of events rather than by the actual curves. In the training phase, each cavity size represents a unique class, which emits its own eigen sequence. Vector Quantization is deployed to assign labels for this particular sequence of events. A Hidden Markov Model is trained for each class, using a set of training patterns consisting of the labels produced by Vector Quantization. During testing, the sequence of events to be recognized is quantized and then matched against all the developed models. The best-matched model pinpoints the cavity size class. Experimental results demonstrate the remarkable capability of the proposed algorithm.     

Partial discharge pulse pattern recognition using an inductive inference algorithm

This paper presents a novel approach in the area of time dependent partial discharge (PD) pulse pattern recognition, to applications based on the inductive learning (decision tree) approach. Different attributes based on pulse shape analysis are used as representative feature vectors that can accurately capture the unique and salient characteristics of the PD pulse shape. In the training phase, a decision tree is developed to relate the pulse shape with the cavity size by using inductive machine learning. The C4.5 machine learning algorithm is deployed to realize the tree using the training data, since it has the capability of inferring the rules and to produce the tree in terms of continuous features. During testing, the cavity size is recognized by means of the rules extracted from the decision tree. The dependency between the features and the classes are examined using the mutual information approach. The proposed algorithm possesses the inherent advantage of explaining the result via the self-created rule base as demonstrated by the results obtained. Those self-created rules can be employed as the basis for applying a fuzzy expert system for the classification of void sizes in an easily interpreted fashion.     

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...     

基于支持向量机的电晕放电模式识别方法

应用自回归（Autoregression,简称AR）模型提取电晕放电信号的AR模型参数作为信号特征量,利用支持向量机（Support Vector Machine,简称SVM）作为分类器对放电模型进行识别,重点分析了核函数和支持向量机参数对分类器的影响。结果表明,AR模型参数作为信号特征量,并与支持向量机结合对电晕放电信号进行识别是有效的。