基于放电幅值-放电次数联合相位分布特征的局部放电识别

针对局部放电物理特征的表示问题,本文提出采用放电幅值-放电次数联合相位分布特征表示局部放电物理特征。通过统计多个放电周期中每个放电相位上相同放电幅值发生的次数,得到局部放电二维统计矩阵;对该矩阵进行奇异值分解,得到放电幅值-放电次数联合相位分布特征;在该特征的基础上,利用支持向量机实现了局部放电识别。结果表明,该特征不但能够直观反映放电幅值-放电次数在工频相位上的分布特征,而且能够以较高的识别精度区分不同的放电类型,对尺寸大小不同的同一种放电类型有一定的识别能力。     

采用小波变换奇异值分解方法的局部放电模式识别

为提高电缆模拟缺陷的正确识别率,针对110kV高压XLPE电缆附件出现的绝缘缺陷以及产生的局部放电特点,设计了4种电缆中间接头内部典型的绝缘缺陷物理模型,对获取的大量甚高频局部放电信号数据,用离散小波变换的奇异值分解方法进行缺陷类型辨识。该方法首先对单次局部放电信号进行离散小波变换(DWT),得到各尺度小波分解系数,用基于Birge-Massart阈值策略提取各尺度系数的有效极大值,形成极大值的矩阵可以减少冗余数据和噪声的影响,再对小波变换值矩阵进行奇异值分解,提取奇异值作为特征量,最后采用人工神经网络分类器进行模式识别,识别结果表明该方法效果良好。     

基于FCM的暂态电能质量扰动识别

提出一种应用模糊C均值聚类(FCM)对暂态电能质量扰动进行识别的新方法。该识别方法分层实现,第一层判断信号中是否包含暂态振荡扰动,第二层判断是否包含暂态脉冲扰动,第三层判断是否包含幅值扰动及综合判断出各种复合扰动的类型。通过与集合经验模态分解(EEMD)和奇异值分解方法的结合,分层提取出有效特征量,并将其作为FCM的输入,得到聚类中心和隶属度矩阵。最后通过计算待测样本与已知样本的聚类中心的欧氏距离实现扰动类型识别。通过仿真分析,该分层识别方法准确可行。     

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。     

基于灰色聚类和支持向量机的火电厂安全评价

针对火电厂安全评价问题,提出了一种基于样本分类的安全评价方法。提出了表征火电厂安全性的特征空间,根据德尔菲法得到火电厂安全评价的特征向量值。采用改进的三角白化权函数灰色聚类方法对特征向量进行聚类,得到火电厂安全评价的样本数据。采用支持向量机对样本数据进行训练,得到安全判别函数,实现火电厂安全等级的模式识别。结果表明该方法能对火电厂的安全等级进行有效分类。     

基于样本加权FCM聚类的未知类别局部放电信号识别

针对电力变压器待识别局部放电信号中可能存在不属于已知类别的未知样本的问题,提出了一种基于样本加权模糊C均值(FCM)聚类的未知类别局部放电信号识别方法。对已知类别的局部放电信号进行FCM聚类,确定各已知类的聚类中心;分别计算已知类别和待识别局部放电信号的样本权值,并根据Otsu准则确定样本权值的自适应阈值;将各待识别局部放电信号的权值与确定的阈值进行比较,判断其是否属于已知类别;采用支持向量机(SVM)对得到的属于已知类别的待识别局部放电信号进行分类,对未知类别样本进行人为分析判断。采用所提方法对实验室条件下的放电信号进行分析,实验结果表明,所提方法可以有效地区分待识别局部放电信号中的未知类别样本。     

绝缘局部放电特征量提取与模式识别研究

针对高压设备出现的绝缘缺陷及局部放电特点,为提高电缆模拟缺陷的识别率,设计了三种典型的绝缘缺陷物理模型,并采用统计和经验模态分解与奇异值分解相结合两种不同的特征量提取方法进行缺陷类型辨识,最后采用支持向量机进行模式识别。实验结果表明两种特征量的识别效果均良好,且奇异值分解特征量相对统计特征量识别效率高、识别时间短,表现出了更为良好的识别特性。     

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。     

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。