统计参数用于局部放电模式识别的研究

通过研究局部放电二维谱图的统计特性 ,对局部放电脉冲幅值谱图进行 Weibull分析 ,获得尺度参数 α和形状参数 β,从局部放电脉冲相位谱图中估计出统计算子 Sk、Ku ,用以上统计参数作为人工神经网络的输入 ,实现局部放电的模式识别。对设计的 5种典型人工绝缘缺陷进行了大量模拟实验 ,比较统计参数法与表列数据法的神经网络分类结果证明统计参数构造局部放电特征向量的方法能有效地识别放电模式     

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。     

变压器局部放电的检测与模式识别

介绍了几种主要的局部放电检测方法和基本电测量信号的模式识别技术、并对其未来研究作了展望。     

自适应遗传算法在变压器局部放电超高频模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。     

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。     

局部放电的极坐标谱图及模式识别

为了对电缆的局部放电试验结果进行分析,文中提出了一种利用放电信号的脉冲幅值q与相位角φ的余弦和正弦函数乘积绘制极坐标谱图的方法,指出了该谱图的特点。结合3种电缆接头放电模型的试验结果,分析了不同放电类型的谱图特征。提取了极坐标谱图的若干有关分布和对称的特征信息,形成了16维的特征向量,用人工神经网络方法进行了放电的模式识别研究。     

基于统计参数的自适应网络推理系统在局部放电缺陷识别中的应用

高压电力设备在发生绝缘劣化的早期,内部会出现局部放电现象,笔者依据检测得到的局放信号,提出了采用基于统计参数的自适应网络推理系统进行绝缘缺陷模式识别的方法。自适应网络推理系统是神经网络和模糊逻辑的结合,通过模糊逻辑进行识别系统建模,利用神经网络训练系统参数。设计并实验了4种绝缘缺陷模型,对多周期的局放信号进行相位分布及幅值分布统计,提取表征局放特性的统计参数,总结了不同缺陷模型局放特征的区别。实际的检测结果表明,经过训练后的局放缺陷识别系统,能够有效地对各种缺陷的样本数据进行分类,达到良好的识别效果。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

自适应遗传算法在变压器局部放电高频模式识别的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别.实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好地应用于变压器局部放电的超高频模式识别中.     

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。     

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。     

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。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

交联聚乙烯电缆局部放电灰度图像的模式识别

局部放电模式识别是判断电气设备绝缘状况的重要方法之一。分形理论在局部放电特征的提取上是一种行之有效的方法,通过构造交联聚乙烯(XLPE)电缆局部放电信号的灰度图像,采用逐段搜索确定无标度区域,并采用盒维数与信息维数为特征量作为人工神经网络的输入,对局部放电缺陷进行模式识别。研究表明分形特征在局部放电模式识别上具有良好的效果。     

基于多特征信息融合技术的局部放电模式识别研究

针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别"误诊"的问题,以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息,利用放电时间、放电相位分布及UHF能量与放电量相关性等3类特征信息的共性和差异性进行融合互补,提出一种基于多特征信息融合的PD模式识别方法。通过在一套三相分箱式真实GIS(ZF-10-126)试验平台上实测所得的PD试验信息进行分析其结果表明:3类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性,但有着各自优势。而采用D-S证据理论进行3类特征信息融合PD模式识别技术,可对3类特征信息独立识别法各自存在的不足进行互补,具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。     

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.