基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

GIS设备局部放电类型表观相似性及模式识别准确性的探讨

为了减少气体绝缘全封闭组合电器(GIS)设备局部放电识别中误判现象的发生、提高模式识别准确度,基于分层式识别方法,采用两种常见的分类器分别对GIS典型故障类型进行诊断,探讨了局部放电类型的表观相似性,并归纳了存在误判现象的局放类型,其中自由金属颗粒跳动的不稳定性是其产生误判的原因,而传感器距放电源的位置决定了悬浮放电误判现象是否发生。同时研究了GIS传统局放类型划分的合理性,并对其进行修正。最后,通过识别率和决策可信度对比了两种分类器模式识别的准确性,研究表明:尖刺放电的识别可信度高,绝缘子气隙放电的识别率高,且支持向量机的识别效果优于BP神经网络。该研究成果为电气设备局放模式识别及严重程度分析等后续工作的有效进行奠定了基础。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

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.     

基于特征子集的变压器局部放电小样本类型识别

针对变压器局部放电有效经验样本缺乏时的小样本类型识别问题,提出了一种基于特征子集的集成概率神经网络分类方法 FS-EPNN。首先从4种变压器实验模型放电数据中提取了基于局部放电相位分布二维谱图的44个统计特征。其次,为了避免如PCA等传统降维方法造成的分类信息丢失,将样本的所有特征进行划分并组合成多个低维特征子集,然后根据相应特征子集下的所有样本分别构造基于PNN的基分类器,最后采取投票表决规则集成各基分类器结果识别样本的放电类型。实验结果表明,在小样本情况下,该方法与BPNN、基于PCA的PNN和单PNN方法相比进一步提高了局部放电类型的识别率。     

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。     

基于集成学习的自适应提升分类模型的局部放电识别研究

根据3种不同单一特征集对于局部放电各类缺陷识别的差异性和互补性,提出了基于集成学习的自适应提升分类模型。首先,设计了8种类型局部放电的物理模型。然后,通过局部放电特高频检测试验系统,获取的每一缺陷在不同试验电压下稳定放电时的局部放电脉冲序列数据进行有效性与正确性的验证。通过相位相关脉冲序列数据获取的3种单一特征集两两组合以及3种联用构建新的特征集。通过比较分析,从单一特征集、组合特征集中选取最终的特征集作为分类模型的输入。最后,使用集成学习中提升算法处理训练数据集,以支持向量机为基分类器,通过使用基于信息熵的“非成对型”多样性指标,测量一个基分类器和其他基分类器的不一致度,得到一系列具有适度正确率的多样SVM基分类器,最终得到基于集成学习的自适应提升分类模型。对于每一种缺陷,在相同的测试电压水平下获得25个样本数据,6个电压水平总共获得150个本数据。结果表明,所提出的方法成功地识别了局部放电绝缘缺陷类型。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

局部放电故障类型智能识别技术的研究

研究了局部放电故障类型的智能识别方法和其识别效果。基于超高频法研究了局部放电的信号特征,分析了不同放电类型的信号特征差异。构造了局部放电的二维谱图,提取了6个统计特征参数作为神经网络的输入,用以识别放电类型。通过对设计的三种放电类型的试验分析,发现放电样本选取对识别正确率有很大的影响,合理选取可提高识别效果。     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

局部放电可以反映气体绝缘组合电器(gas insulated switchgear,GIS)内部的绝缘缺陷,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。