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。     

空间电容耦合法测量局部放电信号的波形及能量分布特性分析北大核心CSCD

文中基于空间电容耦合法制作了非接触式局部放电传感器,并利用4种典型的绝缘油纸缺陷模型,搭建了局部放电实验平台,探究了所制作的传感器与传统脉冲电流法测量到的局部放电时域波形和频域能量分布特性。实验结果表明:利用空间电容耦合法可有效获取绝缘油纸缺陷模型的局部放电信号。传统脉冲电流法测量频带较低,4种缺陷模型中,仅可有效分辨出含强垂直分量的沿面针板放电信号,其他3种缺陷模型放电信号的时域波形和频域能量分布特性较为接近,无法有效分辨。而文中制作的局放传感器测量频带可达数百兆赫兹,测得的信号高频信息量含量较为丰富,利用信号的时域波形或频域能量分布特性均可实现对不同缺陷模型放电的识别,为利用空间电容耦合方法测量电力变压器局部放电及进行放电模式识别提供了研究基础。     

基于统计参数的自适应网络推理系统在局部放电缺陷识别中的应用

高压电力设备在发生绝缘劣化的早期,内部会出现局部放电现象,笔者依据检测得到的局放信号,提出了采用基于统计参数的自适应网络推理系统进行绝缘缺陷模式识别的方法。自适应网络推理系统是神经网络和模糊逻辑的结合,通过模糊逻辑进行识别系统建模,利用神经网络训练系统参数。设计并实验了4种绝缘缺陷模型,对多周期的局放信号进行相位分布及幅值分布统计,提取表征局放特性的统计参数,总结了不同缺陷模型局放特征的区别。实际的检测结果表明,经过训练后的局放缺陷识别系统,能够有效地对各种缺陷的样本数据进行分类,达到良好的识别效果。     

GIS局部放电超高频信号的包络分析与缺陷识别

为实现GIS故障检测和缺陷识别,设计了超高频(UHF)包络检波电路和高速数据采集系统,并针对5种典型的GIS缺陷进行了缺陷模型的局部放电试验,获得了这5种典型缺陷的超高频包络信号数据。试验结果表明,同一缺陷模型所产生的局部放电包络信号时域特征大致相同,不同缺陷模型的包络形状不同。论文在此基础上提出了基于时域特征参数和BP神经网络的GIS缺陷模式识别方法。采用该方法后,试验数据缺陷模式识别正确率高达96%以上。     

基于信号能量谱特征的局部放电故障识别方法及其系统实现

为解决传统超高频(ultra-high frequency,UHF)法实现局部放电(partial discharge,PD)故障模式识别对采样频率、传输带宽和处理速度要求苛刻的困难,提出一种基于信号能量谱特征的局部放电故障识别新方法。该方法通过提取局部放电超高频电磁波信号在不同频段的能量值,构建能量谱序列作为模式识别判据,能够有效降低局放信号对采样频率、传输带宽和处理速度的要求。其次通过5种典型空气绝缘缺陷局部放电试验获得了模式识别的初步判据,验证了该方法的有效性;基于该方法,应用射频理论构建了相应的信号处理系统,并再次通过局部放电试验构建了基于此系统的模式识别判断依据,最后通过验证性试验证明该系统的识别正确率基本达到90%。     

基于F-P光纤超声传感器和概率神经网络的油中局部放电模式识别研究

F-P光纤超声传感器具有灵敏度高、抗干扰能力强、电绝缘性良好等诸多优点,可在油中检测局部放电发出的超声信号。为了识别F-P光纤超声传感器所测局部放电信号的故障类别,建立了油楔、悬浮、尖端和沿面4种典型的局部放电模型,并进行了相关的试验研究。针对超声脉冲波形研究了一种信号特征参数提取的方法,实现了特征参数的提取,然后应用概率神经网络对超声信号进行智能模式识别,分析了识别效果。建立的4种局部放电模型能够产生稳定的超声信号,满足试验要求,并提取了超声脉冲波形特征参数,对其运用概率神经网络进行模式识别分析,结果发现识别效果良好,有较高的识别正确率。     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初始化,从构建的变电站GIS设备特高频检测图谱库中抽取样本作为训练集和测试集,通过模型训练得到识别模型.为辅助现场运维,设计基于两层架构的GIS局部放电缺陷诊断和运维系统以及实现流程,应用到某市供电公司GIS运维中,结果表明,GIS局部放电缺陷诊断方法及系统可有效识别出特高频检测图谱中的缺陷类型和干扰,为现场运维决策提供依据,提升现场运维检修效率.     

基于改进MFCC和VQ的变压器声纹识别模型

为准确地获取变压器的噪声特性,该文提出了一种基于改进梅尔频率倒谱系数和矢量量化算法的变压器声纹识别模型。首先对变压器噪声信号进行分帧和加窗处理,然后综合运用加权处理法和主成分分析法对现有的MFCC特征向量提取算法进行改进,进而基于VQ算法对变压器噪声信号进行识别。以某10k V变压器为对象进行空载试验,对不同铁芯松动下的噪声信号进行测试。计算结果表明,改进后的MFCC特征向量提取算法具有识别效率高和计算速度快的特点,所得到的MFCC特征向量能准确反映不同铁芯压紧程度下的变压器噪声特征,且基于VQ算法的识别结果与预设铁芯工况吻合良好。研究结果可为变压器结构优化设计及噪声治理提供依据。     

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。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于IFS的局部放电超声信号的数据压缩和模式识别

变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。     

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的时频分布图;然后运用差分盒计数法(DBC)对能量分布图进行分形维数的特征提取,并采用线性判别分析(LDA)对特征向量进行降维处理;最后利用支持向量机(SVM)对局部放电缺陷类型进行分类。为验证所提出算法的有效性,在实验室252 kV GIS局部放电仿真实验平台的模型气室内设置了尖端放电、自由微粒放电、沿面放电和悬浮电极放电4种典型缺陷类型,由特高频传感器采集各类缺陷的局部放电信号,后由该文算法进行分类。实验结果表明,采用该文所提特征提取方法对4种典型缺陷类型的识别准确率超过96%,显著优于传统的基于统计参数的信号特征提取方法。     

基于 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

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EFPI传感器的GIS局部放电模式识别研究

非本征法布里-帕罗干涉(EFPI)光纤超声传感器可用于气体绝缘全封闭组合电器(GIS)内部的局部放电超声信号检测及模式识别研究,相较于传统的压电式传感器,具有灵敏度高、抗干扰能力强等优点。基于此,文中在充有0.4 MPa SF₆气体的GIS腔体内设置尖端、金属颗粒、悬浮和沿面4种典型的局部放电模型,创新性地利用EFPI传感器对放电超声信号进行检测,提取单次超声脉冲信号波形特征形成特征参数数据库,分别应用概率神经网络(PNN)算法和支持向量机(SVM)算法进行模式识别并比较分析。EFPI传感器检测到的超声信号特征突出,在提取特征参数的基础上,2种模式识别算法均能达到85%以上的平均识别率,且SVM的识别效果要优于PNN。     

变压器局部放电多频段联合检测技术试验研究

单一的检测手段在变压器局部放电检测中均存在一定的局限性,很难全面解决变压器局部放电中的各种问题。为了克服单一检测的局限性,提高局部放电检测可靠性,文中提出基于特高频、高频和超声检测的联合检测技术,以全面解决局部放电中的抗干扰、模式识别、定位和放电量测定等问题。同时,以变压器模型中的尖端缺陷为基础,试验验证了联合检测的有效性,试验结果表明:联合检测可以有效区分内部放电和外部干扰,显著提升抗干扰能力;利用联合检测所得到的放电三维谱图可开展多种方式的模式识别技术,提高模式识别的准确度;以特高频信号为参考时标,提高了超声波信号时延的求取精度,进而提升了缺陷的定位精度;最后利用高频信号的标定结果,可获得放电的视在放电量,准确评估放电严重程度。     

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。     

基于小波变换和HOG特征的变压器局部放电类型识别方法

不同类型的电力变压器局部放电对变压器绝缘造成的破坏程度不同,正确识别变压器局放类型对于评价变压器的绝缘状况至关重要.提出一种基于小波变换和梯度直方图(HOG)特征的变压器局放模式识别方法,首先根据变压器绝缘缺陷结构特点,设计制作了3种典型的局放缺陷模型,在实验室搭建测试平台并采用脉冲电流法获取变压器局放数据;其次对局放信号进行小波时频变换,获取局放信号的时频谱图并对该时频谱图进行灰度化和归一化处理;最后利用HOG算法提取局放时频谱图上的特征参量并送入分类器,实现变压器不同类型局部放电的模式识别.识别结果表明,该方法的平均识别准确率高达98％,能够有效识别变压器放电类型.