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。     

类均值核主元法在GIS局部放电模式识别中的应用研究

GIS局部放电的模式识别对于评估其运行状态、确定检修策略具有重要意义。论文设计了4种典型的GIS局部放电模型,并通过实验建立了相应的局部放电超高频信号图谱数据库,然后根据信号特点提取了原始特征量,由于原始特征量维数较高,不利于模式识别,因此论文引入类均值核主元分析法,首先求出各类映射数据的类均值矢量,然后根据建立的类均值核矩阵建立类均值核主元算法。研究结果表明,该方法得到的特征量涵盖原始样本中的全部信息,并且维数低于绝缘缺陷种类数,能够实现信息的无损降维。     

不同缺陷模式下局部放电测试值的等效性分析

通过对比和拟合分析局部放电模拟试验系统测试值,求解得到特高频检测的局部放电特征信号的等效脉冲放电量。以成套试验系统模拟针板、沿面和电晕等5种典型变压器放电缺陷,经测试、提取放电特征信号及获得相应谱图,并与传统的脉冲放电量特征信号进行等效性分析。同时,通过总结不同放电缺陷特征信号的相位特征关系,研究变压器局部放电强度的标定方法。结果表明:通过识别不同的放电缺陷类型对应不同的放电谱图,为应用特高频检测法进行放电模式识别奠定基础。     

基于模糊聚类算法的油纸绝缘缺陷识别

采用典型模糊聚类算法(FCM)对电力变压器油纸绝缘缺陷进行诊断,研究不同绝缘缺陷的局部放电超高频信号特征识别问题。根据变压器内部绝缘缺陷特征,文章构建典型油纸绝缘缺陷模型,通过提取局部放电超高频信号特征量,构建综合识别矩阵,对缺陷进行识别。采用模糊C-均值聚类算法分别对信号小波去噪前后两种综合特征矩阵进行聚类分析及识别。对比结果表明,小波包多尺度超高频网格维数和能量参数能有效区分4种绝缘缺陷;小波去噪方法提高了正确识别率、最小识别率、识别稳定性、算法稳定性和收敛性。验证了模糊C-均值算法对油纸绝缘缺陷识别的适用性。     

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。     

基于GK模糊聚类和LS-SVC的GIS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,对正确识别GIS的放电类型具有重要意义。在GIS重症监护系统研究平台上人工设置4种GIS的典型缺陷。基于4种缺陷不同电压等级下的局部放电样本数据,提取局部放电灰度图像的分析特性作为识别特征量。同时考虑到现场干扰对局部放电信号的影响,利用GK模糊聚类算法对分形特征量进一步处理,以提取隔离干扰后的分析特征量。最后设计了基于LS-SVC的局部放电模式识别器。试验结果表明所提方法能有效识别GIS放电类型,比人工神经网络方法具有识别率高、稳定性好的优点。     

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。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统(ANFIS)在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量,建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异,但总体识别率达90%以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统（ANFIS）在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量．建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异．但总体识别率达90％以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

GIS局部放电脉冲分类特征提取算法

传统的基于局部放电脉冲时频信息构建的局部放电脉冲群分类谱图,多数只能提取表征局部放电脉冲波形特征的低维特征量。当分类算法需要更多的特征量来完成对放电脉冲群的分类工作时,采用上述算法则不能有效地完成对局部放电脉冲群的分类工作。为此提出了采用等效时频熵算法来提取表征局部放电脉冲波形特征的多维特征量,构建放电脉冲群的等效时频熵分类谱图,并与改进的模糊C均值聚类算法相结合实现对不同类型局部放电脉冲群的分类工作。基于气体绝缘组合开关设备(GIS)的实验结果证实了上述方法的有效性和合理性,为研制基于单一人工缺陷模型的局部放电在线监测和识别系统提供了实验和理论依据。     

基于盒维数分形的GIS局部放电信号特征提取

对气体绝缘组合电器（GIS）四种主要缺陷放电构造了局部放电图谱,通过对数据统计分析发现,分形特征仅仅描述了散点集局部的自相似性和复杂程度,不能对散点图从整体上进行描述.改进了传统的盒维数计算方法并结合散点集的分布重心,描述了散点图的自相似性和整体分布,使得缺陷局部放电识别正确率有明显提高.     

以盒维数和信息维数为识别特征量的GIS局部放电模式识别方法

研制了5种典型的GIS人工模拟缺陷模型及其局部放电检测系统，通过实验获取了大量局部放电样本数据，构造出GIS局部放电灰度图象；提出有效估计图象盒维数的最少盒计数法；提取了GIS局部放电灰度图象的分形特征——盒维数和信息维数：利用以局部放电灰度图象的盒维数和信息维数作为识别特征量，径向基函数人工神经网络为识别分类器的GIS局部放电模式识别方法，取得了良好的识别效果。     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法.应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的例数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类.结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题.该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值.     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机（LS-SVM）的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。     

基于时-相合成谱图的电力电容器薄膜局部放电模式识别方法

局部放电类型与电力电容器薄膜早期绝缘劣化程度密切相关，对局部放电类型的准确识别将有效改善电容器的运行状态和保障电网安全。本文设计了金属化薄膜电容器中易产生的薄膜间尖端缺陷、气隙缺陷和沿面缺陷模型，分析了电容器薄膜局部放电的时间序列谱图和相位分布谱图特性及平均放电量Q和放电重复率F的发展规律。将Q和F的变化曲线取点拟合，并与局部放电信号进行相关性分析，将相关性系数作为时域特征量。提取局部放电相位分布谱图的正负半周偏斜度、正负半周陡峭度和正负半周不对称度作为相位特征量。提出了一种基于时-相合成雷达谱图的电力电容器薄膜局部放电模式识别方法。通过对合成谱图中特征量封闭图形外接矩形的重心坐标进行聚类分析，利用重心坐标分布的象限对薄膜局部放电进行模式识别。结果表明：该方法相较于传统的单一谱图模式识别准确率更高，为电容器设备的在线监测和故障诊断提供了理论依据。     

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。     

局部放电灰度图象分维数的研究

局部放电模式识别被普遍认为是一种预测高电压设备绝缘状况的有效手段，本文提出一种适用于局部放电模式识别的局部放电分形特征提取方法。该方法在估计分维数的改进差盒计维数（MDBC）算法的基础上，提取局部放电灰度图象分维数和二阶广义分维数以及局部放电高值灰度图象分数，共同构成局放电模式识别特征，针对高电压设备内部局部放电和外部放电干扰，设计了五种放电模型，通过放电模型实验获得的大量放电样本数据，构造出相应的局部放电特征提取图象，计算出分形特征参数，输入人工神经网络进行识别的结果表明，采用该方法具有良好的识别效果。     

基于荧光光纤检测GIS局部放电的多重分形谱识别

为了获取SF6气体绝缘电器(GIS)局部放电(PD)光信息特征,完善了反映GIS内部4种典型绝缘缺陷的物理模型,并利用研制的PD荧光光纤传感系统,获取了用绝缘缺陷模型产生的PD光信号,构建出了相应的φ-u-n三维图谱及其灰度图像。同时,针对简单分形特征不足以描述PD灰度图像而导致模式识别率较低的问题,采用具有分析灰度图像丰富特征信息能力的多重分形谱技术,提出了一种计算PD光信号灰度图像的多重分形谱概率算法。然后通过对多重分形谱中各特征信息的物理意义分析,提取了用于PD模式识别的特征量,并选用改进共轭梯度算法的反向传播(BP)神经网络作为分类器。研究结果表明:多重分形谱可有效描述PD灰度图像不均匀程度及其不同层次的几何结构特征,用于分类识别4种典型绝缘缺陷产生的PD时正确率均87%,优于用盒维数与信息维数作为特征量的识别。     

固体绝缘开关柜局部放电模式识别优化算法

电力设备内部绝缘缺陷引起的局部放电,含有可用于绝缘状态评估的特征信息。可以有效识别不同局部放电的类型。现有基于传统BP神经网络或SVDD模式识别方法在函数参数选择自主性很强,但由于不同放电类型的特征量在分布上是重叠、非线性的,BP神经网络容易陷入局部最优,识别率不高,SVDD算法在自由金属微粒缺陷识别效果不好。文中对SVDD算法提出了改进,在AP聚类与GPAM-PSO优化算法基础上提出一种用于固体绝缘开关柜局部放电模式识别的SA-SVDD算法。以解决传统模式识别算法在参数选择、训练方法上的不足,通过训练不同放电类型下的分类器,以达到准确识别不同放电类型。仿真结果显示该方法能自主识别不同PD类型,识别率、收敛速度较传统方法有较大提高,以便电力人员准确判断局部放电类型并制定相对应的抢修方案。     

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。