多核多分类相关向量机在变压器局部放电模式识别中的应用

针对传统单核分类器存在的固有二分类属性及识别信息不够完整的问题,首次提出了一种基于多核多分类相关向量机(MMRVM)的变压器局部放电模式识别新方法.首先选用不同的核函数对4种变压器局部放电信号特征进行映射,解决了不同数据源的问题;然后利用粒子群优化算法对核参数进行优化选择,有效避免了核参数选择的主观性;最后利用构建出的MMRVM分类模型直接进行多分类,实现放电模式识别.文中以实验室4种典型缺陷的变压器局部放电信号为研究对象,采用传统单核SVM分类器、单核RVM分类器与MMRVM分类器对其进行分析对比.结果表明,MMRVM分类器融合了多种放电特征信息,能够较为全面的描述放电特征,与单核分类器相比具有更高的诊断准确率和更好的实用性.     

GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

基于主成分分析和多分类相关向量机的GIS局部放电模式识别

GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM三种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。     

基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

电力设备局部放电模式识别中分形理论的应用

本文论述了分形理论在局部放电特征提取中的应用 ,建议将分形理论和小波变换、人工神经网络相结合 ,可以提高局部放电模式识别的有效性和准确率。研究表明 ,分形理论在局部放电模式识别中的应用极具发展前景 ,它可以大大减少特征提取数量     

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。     

基于PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱...     

基于三维谱图混沌特征的GIS局部放电识别

气体绝缘电器(GIS)局部放电(PD)的故障诊断对于GIS的运行状态评估有着重要意义,传统模式识别方法局限于对描述PD谱图形态分布方面的特征进行分析与识别,缺乏对PD特征更全面、更深刻、更本质的分析研究,导致出现对某些类型放电识别率低等问题。针对这些问题,本文提出了一种基于混沌理论的GIS PD识别方法,连续采集100个工频周期的PD信号构成一个?-v-n三维谱图样本F,以矩阵F的一列作为一个信号序列进行混沌分析,即计算对应同一相位信号序列的最大Lyapunov指数,获取36个最大Lyapunov指数在不同相位区间的分布特征作为不同相位下的局部放电混沌特征。实验结果表明,提取的混沌特征可实现对PD本质的深入挖掘,整体识别效果较好,特别是对于传统的统计特征识别方法难以区分的气隙类缺陷识别率很高,可作为统计特征识别方法的辅助方法加入到识别系统中,进一步提高识别准确率。     

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。     

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。     

混合神经网络算法在GIS局部放电模式识别中的应用研究

为了提高基于超声法GIS局部放电模式识别的正确率,在实验室中对GIS典型缺陷局部放电的超声波进行了重复性测量,从43个能够表征缺陷特征的参数中提取了34个稳定的特征参数,然后采用后向序贯算法筛选出了24个有效特征参数作为神经网络输入参数。针对神经网络的局限性,提出了改进的GA-BP混合神经网络算法。训练结果表明,GA-BP神经网络的应用有效地提高了识别的准确率。     

基于深度森林模型的GIS局部放电模式识别

气体绝缘组合开关电器(GIS)不同类型的局部放电(PD)对GIS绝缘造成的破坏程度不同,正确识别局部放电类型对于评价GIS绝缘状况非常重要.为简化特征提取过程、提高局部放电类型识别率,将深度森林算法引入GIS局部放电模式识别,提出一种应用于局放模式识别的深度森林模型.搭建252 kV GIS局部放电检测实验平台并设计典...     

GIS典型缺陷的局部放电超高频检测及模式识别

为了解决GIS局部放电带电检测难题,采用了超高频法,以GIS试验设备为对象,设计和模拟了GIS中自由金属颗粒、悬浮电位体、母线金属尖端、外壳金属尖端、绝缘子表面金属颗粒和绝缘子气泡6种典型缺陷的模型,基于超高频法对其放电信号进行检测,提取了缺陷特征参数,应用支持向量机进行模式识别,进而对支持向量机的惩罚参数"C"和核函数参数"g"进行了粒子群优化。试验结果表明:不同缺陷类型的超高频信号在图谱和提取的数据中会呈现出不同的特征;在模式识别中,粒子群方法优化支持向量机展现出了比支持向量机更好的鲁棒性和泛化能力。     

局部放电远程识别中的分形图像压缩方法

研究了局部放电图像分形压缩技术 ,分析了解码图像误差对识别结果的影响。大量的样本数据识别结果说明 :采用分形图像压缩技术能获得较高的局放图像压缩比 ,提高了系统对远程计算机存储局放图像的识别速度 ,使局放图像远程识别系统具有更强的实用性     

基于T-MobileNet-L模型的GIS局部放电模式识别研究

针对当前GIS局部放电模式智能识别过程中存在计算资源消耗大以及缺少真实标签数据的问题,利用激活函数为Leaky ReLU的MobileNet-V2模型,在减少模型参数量的同时提取大量的图像特征信息.并融合迁移学习对模型参数进行预训练,在减少网络对输入数据量需求的同时提高模型的识别准确性.结果 表明,该模型的参数量可降至...     

基于支持向量机的GIS超高频局部放电模式识别

局部放电(PD)可以反映气体绝缘组合开关电器(GIS)内部的绝缘缺陷,不同类型的放电对GIS的危害程度存在明显的差异,正确识别GIS的放电类型对于保证GIS安全可靠运行、评估GIS的绝缘状况和制定合理的维修策略具有十分重要的意义。为了研究GIS中不同缺陷所激发的局放信号的特征,设计了4种典型放电缺陷模型来模拟GIS中可能存在的绝缘缺陷,通过试验从超高频(UHF)信号中提取出8个统计特征参数来描述放电的典型特征。基于支持向量机(SVM)算法设计构造了4分类SVM模型,采取投票的方式识别放电类型。实验结果表明,该方法识别率高,能有效识别4种GIS中的典型放电。     

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。     

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。