采用神经网络与分形理论的电力设备局部放电模式识别研究

根据小波理论,建立了表征局部放电(PD)脉冲信号的三维时频谱图;综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。提取放电特征,并构成识别特征量,采用反向传播算法(BP)神经网络用于局部放电信号类型的模式识别。实验结果表明,本方法可以有效的区分局部放电的类型。     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。     

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度,研究了小波与分形理论的互补性;并从局部放电信号小波分解后的能量谱图提取放电特征,用于局部放电模式识别。研究结果表明：选用适当的小波函数和尺度函数,将局部放电信号的逼近信号能量谱和精细的结构能量谱的分形维数作为局部放电模式特征,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。     

局部放电识别中分维数分布的研究

本文将分形理论应用于局部放电模式识别 ,从统计图谱中提取分形特征。在局部放电模式试验基础上 ,采用计盒数的分形维数算法 ,从大量的局部放电样本中提取分形网格维数特征参数 ,提高了局部放电模式的准确性。     

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。     

基于散点集分形特征的局部放电模式识别研究

该文应用数字化测量装置采集发电机定子线棒工业仿真模型的局部放电信号，获得放电脉冲序列；在放电相位-放电量平面上，将脉冲序列表示为散点集；改变观察区域尺度，用逐段拟合法确定分形无标度区；用最小二乘拟合法计算分形维（Hausdorff维数和信息维数）；以分形维和散眯集重心坐标构成特征向量，并应用人工神经网络进行放电模式识别。研究表明分形特征在局部放电类型区分和程序判别方面均具有良好的性能。     

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。     

一种GIS局部放电模式识别新方法及应用

本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有效特征参数。并用多分类相关向量机(M-RVM)作为识别方法,在110k V电压下获取的实验检测数据作为训练和预测样本,结果取得86%的理想识别率,验证了LLE与M-RVM结合的识别系统的有效性。     

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。     

图论方法在电厂操作智能培训系统中的应用

利用电网络图论基本原理对电网结构进行拓扑描述,用基于产生式知识表达方式来描述电网的操作知识及其无规则系统,利用智能推理机进行推进,完成电网操作的正常操作和异常操作智能培训,以提高运行人员正常操作和处理故障的能力,该系统已在多处投入运行。     

GIS与模糊模式识别理论在变电站选址中的应用

鉴于变电站选址过程中诸多相关因素与地理空间信息有关且不完全清楚，部分决策指标又为不确定的模糊量的特点，文中研究了运用电网地理信息系统(GIS)的信息管理与空间分析功能，获取若干可行待选站址的样本集的可行性，并研究了运用模糊模式识别理论，从定性到定量排序，确定各选址决策指标和样本数据的优越度的方法。工程实例表明，该方法提高了变电站选址的综合决策量化水平和可视化程度。     

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。     

电力变压器典型局放模型的放电信号图谱

根据电力变压器内实际存在的典型局部放电类型设计制作几种相应的放电模型并对其在空气中和模拟的变压器油箱内进行了局放试验,获得了ｑ－。ｎ－…两种放电图谱,以利于对变压器局部放电的模式进行识别。     

模式识别法在岩石边坡监测中的应用

提出并定义了边坡滑动模式的概念，将其与边坡安全监测资料分析结合起来，建立了监测信息与边坡滑动模式之间的映射关系。引入人工神经网络模式识别方法，建立了一个边坡实时安全监测模式识别器，根据监测资料实时判断边坡所处的安全状态模式，结合边坡的其他基本资料判断边坡的稳定性。作为实例，应用此模式识别器分析了小浪底水利枢纽出水口高边坡某一段时间的监测资料。实例表明该方法和工具的应用效果是值得信赖的，可满足边坡实时安全监测的需要。     

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。     

OLAP技术在电气设备在线监测数据处理中的应用

指出了当前电气设备在线监测数据处理与分析存在的问题,提出应用联机分析处理(OLAP)技术实现在线监测数据的快速访问和分析。介绍了OLAP技术的相关内容,基于客户／服务器(C／S)结构,建立了一个具有星形和雪花形数据模型的在线监测OLAP系统,该系统已投入运行,可以对在线监测数据进行分析,为进一步实现在线监测数据规律性挖掘奠定了基础。     

ICMmonitor型局部放电在线监测系统在大型发电机组上的应用

通过在离线的情况下模拟电机发生各种局部放电的状态 ,并利用ICMmonitor型局部放电在线监测系统得到了放电量峰值、平均放电电流的棒图以及局部放电的特征图等。在已运行近 10年的机组上安装了ICMmonitor型局部放电在线监测系统 ,通过多次试验所测得的数据对发电机的绝缘状态进行了评定。