基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法

电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。     

Cohen类时频分布比较及其在局部放电信号处理中的应用

系统地以参函数的角度介绍了6种典型的Cohen类时频分布。从理论和应用效果上分析了各分布的交叉干扰项衰减和时频分辨率性能。针对局部放电信号的非平稳性,展现了各分布在处理仿真和实际脉冲信号的应用效果。试验结果表明,平滑伪Choi-Williams分布(SPCWD)对局放脉冲非平稳信号引发的短时变化具有高度的敏感性,更为适合表征局放脉冲信号的时变信息。据此,可提取单个脉冲波形的时频特征参数、分析多个连续放电脉冲的时频变化,从而用于放电类型的模式识别以及深入研究绝缘系统中的局部放电机理。     

特征图谱时频信号放电识别算法研究与现场应用

高压电气设备局部放电检测通常夹杂干扰信号,造成分析与判断困难,干扰信号抑制是局部放电识别和故障判断的前提。基于局部放电信号时频分布特征,采用等效持续时间T和等效频率带宽F来表征局部放电宽带脉冲波形的时频特征,构建等效时频特征图谱(T-F谱图),再进行聚类分析即可实现不同放电类型和噪声的分离。利用特征图谱分类法对高压开关柜局部放电信号进行噪声抑制与脉冲分类,验证该方法对局部放电混合信号分离的有效性。     

基于小波包变换的干式变压器局部放电超声信号的模式识别

为研究干式变压器局部放电超声信号的模式识别,设计制作了针-板、沿面和气隙3种局部放电模型,用超声检测系统得到3种局部放电的超声信号波形数据。运用小波包理论对采集到的局部放电超声信号进行分解,用Shannon熵代价函数来确定最优小波包基,得到最优小波树,提取在最优基下包含绝大部分信息能量的小波包分解系数的统计量作为模式识别的输入特征量,并应用CPN网络分类器进行放电类型的识别,取得了很好的效果。     

基于时频特征核熵成分分析的局部放电模式识别方法

为实现电气设备局部放电模式的准确识别,提出了一种基于时频特征核熵成分分析的局部放电模式识别方法。首先采用S变换理论对局部放电脉冲信号进行时频特征分析,针对S变换分析结果维数庞大但冗余信息较多而不便于模式识别的缺点,基于核熵成分分析方法对S变换结果进行压缩降维处理,得到了局部放电模式识别时频特征向量,同时结合随机森林分类器实现了局部放电类型的准确识别。搭建了尖端放电、沿面放电、气泡放电、悬浮放电等典型变压器绝缘缺陷模型并采集了局部放电信号,分别采用文中方法、PCA方法及KPCA方法进行了局放模式识别实验。实验结果表明,相比PCA方法及KPCA方法,文中方法局放模式识别结果准确率较高且耗时较短。     

基于时频分析和2DNMF的局部放电模式识别

提出时频分析结合二维非负矩阵分解的混合特征提取算法识别不同局部放电类型.在实验室环境下采集了4种典型绝缘缺陷模型的局部放电超高频(UHF)波形,引入自适应最优径向高斯核时频分析挖掘局部放电UHF信号的时频信息,在对时频幅值矩阵进行二维非负矩阵分解提取降维特征后,采用模糊k-近邻分类器对4种不同类型的局部放电信号进行识别.对试验样本的识别结果表明:自适应最优径向高斯核时频分布能较好地表征局部放电单次波形的时频信息;二维非负矩阵分解降维后的特征矩阵能保存原始时频矩阵的大部分有用信息;模糊k-近邻分类器比k-近邻分类器和3层反向传播神经网络具有更高的识别率,并较反向传播神经网络具有容易拓展的优点.     

希尔伯特-黄变换在变压器局部放电脉冲识别中的应用

时频分析方法是变压器局部放电特征提取的有效手段。讨论利用小波变换方法分析非平稳信号的局限性,介绍希尔伯特-黄变换(Hilbert-Huang transform,HHT)的理论体系,并分别应用2种时频分析方法得到不同类型局放信号的幅值谱,从中提取了时频熵向量作为用于模式识别的特征量,模糊聚类结果显示,由希尔伯特-黄变换得到的时频熵向量具有优于小波变换的聚类特性。因此,希尔伯特-黄变换是目前变压器局放信号特征提取的有效方法。     

基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法

针对局部放电特高频(ultra-high frequency,UHF)信号畸变导致模式识别准确率下降的问题,提出了基于时频分布图像纹理特征的特征参数提取方法。首先对局部放电UHF信号进行s变换得到时频分布图像,然后采用灰度共生矩阵(gray-level co-occurrence matrix,CLCM)算法,从时频分布图像中提取出纹理特征参数。采用主成分分析(principal component analysis,PCA)法对由纹理特征参数构成的特征向量进行降维处理,得到局部放电UHF信号特征参数及特征向量,并输入到支持向量机(support vector machine,SVM)分类器中进行模式识别。结果表明,该特征参数可以有效识别4种典型变压器内部局部放电UHF信号,识别准确率最高达到97.50%。     

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。     

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform, EWT)和多尺度量子熵(Multiscale Quantum Entropy, MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function, IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement, LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering, HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。     

基于 CWD 及分块 SVD 的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。     

基于时频分析与分形理论的GIS局部放电模式识别特征提取方法

识别局部放电(PD)的缺陷类型是评估电气设备绝缘状况的一项重要指标,通过特高频传感器(UHF)可获取局部放电信号.然而,传统的基于统计参数的信号特征提取方法存在高维数和无效信息过多的缺点,该文提出了一种基于时频分析和分形理论的气体绝缘组合电气(GIS)局部放电模式识别特征提取方法.首先利用小波变换对局部放电信号获取能量...     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

采用Gabor变换的局部放电信号时频分析

局部放电信号频率是时变的,为更好地反映它的时频特性,采用一种时频分析方法Gabor变换,将它应用于局部放电信号分析中,并利用不确定原理选择高斯窗函数作为Gabor变换的基函数,提高了分析结果的时频聚集性。通过对实际局部放电信号进行分析处理,结果表明在选择合适的窗函数参数的情况下,基于Gabor变换的时频谱能够细致的刻画信号在时频平面上所发生的变化过程,准确反映了局部放电信号的时频特性,可有效满足对局部放电信号进行时频分析的要求,有利于对信号特征的提取。     

基于超声波诊断的GIS设备异常分析方法

为提升气体绝缘组合电器（GIS）局部放电现场检测水平,对基于超声波诊断的GIS异常分析方法进行了研究。根据现场检测搜集的大量数据,总结出典型GIS局部放电的超声波信号时域和相位分布特征,并且分析了局部放电信号和常见干扰信号在时域特征和频域分布上的差异。研究了声电联合定位方法、超声波时延定位方法和超声波小波时频定位方法在GIS现场局部放电检测中的应用,检测结果表明这个方法具有较高的定位精度和准确性。     

基于时频流形的水轮发电机组局放信号特征提取方法

准确地提取水轮发电机机组局部放电信号特征,对于发电机绝缘在线监测具有重要意义。为此,本文提出了基于时频流形的发电机局部放电信号特征提取方法。首先通过相空间重构算法,将局部放电(PD)时域信号转换为多个子序列,并分别求其时频分布,构建PD信号的时频流形。然后利用局部线性嵌入算法(LLE)将高维数据映射到低维空间,提取PD信号在低维空间的特征参数。最后,通过K-最近邻分类器(KNNC)的故障诊断模型实现发电机组不同局部放电的模式识别,其故障识别率高于95%。     

S变换在电力电缆局部放电信号时频分析中的应用

针对电力电缆局部放电检测,介绍了基于新型S变换的时频分析方法,用于提取及分辨淹没在现场噪声干扰中的局放脉冲信号。局放信号是典型非平稳信号,单纯使用时域或者频域信息都不能很好地表示奇异信号的时变信息。最近发展的S变换是连续小波变换和短时傅里叶变换的一种结合与延伸,引入了幅度和宽度均随频率变换的高斯窗,具有与频率相关的渐进分辨率特性。局放信号的S变换图谱,在信号高频分量部分获得较高的时域分辨率,而在低频分量部分获得较高的频域分辨率,并可提取局放脉冲发生时刻及信号中心振荡频率等特征信息。对仿真信号和现场采集的电力电缆接地线上的局放信号应用S变换进行时频分析,并与短时傅里叶变换及Gabor变换等传统时频分析方法比较,结果显示S变换的时频分析可有效获取局放脉冲信息。