基于小波包分解和支持向量机的局部放电识别方法研究

高压开关柜发生局部放电时产生的信号中存在着大量的信息,局部放电作为开关柜绝缘故障的重要征兆及表现方式,其类型的识别对于开关柜绝缘状态的评估具有重要的意义。为了准确地识别高压开关柜局部放电类型,提出了一种基于小波包分解和支持向量机(SVM-Wavelet)的局部放电识别方法,采用小波包分解的方法对局部放电信号进行分解并提取能量信息,组合成特征向量,在此基础上利用支持向量机(SVM)建立高压开关柜局部放电信号分类模型。结果表明小波包分析方法能很好地处理非线性、非平稳的局部放电信号,基于SVM-Wavelet的方法可以准确地识别局部放电类型。     

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%。     

基于原始信号多尺度信息的局部放电特征提取与识别

不同类型的局部放电脉冲,对电缆的危害程度不同,其判断标准也不一样,因此对局放类型的辨识具有重要意义.制作了沿面放电、悬浮放电、针-板放电和自由颗粒放电4种典型的故障缺陷模型,并搭建实验平台测取放电数据.对数据去噪处理后,构建4种放电类型的局部放电相位分布模式PRPD(phase resolved partial dis?charge),并利用谐波小波包变换对原始局放信号进行分解,提取局放信号的多尺度能量特征参数和多尺度样本熵参数,将它们组成特征向量,送入支持向量机SVM(support vector machine)中进行分类识别.4种放电类型的平均识别率为94.5％,因此利用多尺度参数特征可以有效识别出不同类型的局放信号.     

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。     

基于短时傅里叶变换和稀疏表示的开关柜局部放电超声波图谱识别和分类方法

超声波局部放电检测技术作为一种非接触检测方法,具有抗电磁干扰能力强的优点。本文采集了开关柜中不同放电类型的局部放电超声波信号,使用短时傅里叶变换获得超声波信号的时频图,使用稀疏表示算法对时频图进行分类,能够快速准确地判断出是否发生放电,并判断属于以下哪种放电类型：球板放电、柱板放电、锥板放电、针板放电。在使用稀疏表示方法过程中,分别采用了正交匹配追踪法和加速近端梯度法两种方法进行稀疏求解,通过实验说明了这两种方法适用于不同的情况。实验证明该方法相比于传统多分类支持向量机方法具有更高的准确率、鲁棒性和稳定性,并且更适合解决局部放电识别和分类问题。     

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。     

基于 EEMD 能量矩与 ISSA-SVM 算法的 GIS 局部放电类型识别方法

为有效识别气体绝缘开关组合电器(gas insulated switchgear, GIS)局部放电(partial discharge, PD)类型,进而保障设备安全稳定运行,提出了一种基于集合模态分解(ensemble empirical mode decomposition, EEMD)联合能量矩与改进麻雀群搜索算法优化支持向量机(improved sparrow search algorithm-support vector machines, ISSA-SVM)算法的GIS局部放电类型识别方法。首先搭建能产生4种局部放电类型效果的GIS局部放电实验平台,以获取4种局部放电信号,然后利用EEMD联合能量矩算法分别对4种局部放电信号进行模态分解与特征向量提取,最后利用经ISSA算法优化后的SVM算法对GIS局部放电类型进行识别。实验结果表明,所提方法可有效识别GIS不同局部放电类型,且较PSO-SVM与SSA-SVM算法识别精度分别提高了16.7%与8.5%,验证了所提GIS局部放电类型识别方法的有效性以及优越性。     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

基于样本加权FCM聚类的未知类别局部放电信号识别

针对电力变压器待识别局部放电信号中可能存在不属于已知类别的未知样本的问题,提出了一种基于样本加权模糊C均值(FCM)聚类的未知类别局部放电信号识别方法。对已知类别的局部放电信号进行FCM聚类,确定各已知类的聚类中心;分别计算已知类别和待识别局部放电信号的样本权值,并根据Otsu准则确定样本权值的自适应阈值;将各待识别局部放电信号的权值与确定的阈值进行比较,判断其是否属于已知类别;采用支持向量机(SVM)对得到的属于已知类别的待识别局部放电信号进行分类,对未知类别样本进行人为分析判断。采用所提方法对实验室条件下的放电信号进行分析,实验结果表明,所提方法可以有效地区分待识别局部放电信号中的未知类别样本。     

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。     

气体绝缘组合电器多局部放电源的检测与识别

介绍了基于宽带检测的气体绝缘组合电器(gas insulated switchgear,GIS)多局放源检测与识别技术。该技术由脉冲群快速分类和基于最小二乘支持向量机(least square-support vector machine,LS-SVM)的基于相位分布的局部放电谱图(phase resolved partial discharge,PRPD)识别2个主要模块组成。其中脉冲群快速分类模块由基于脉冲波形的时频参数提取和竞争学习网络无监督聚类实现,它将脉冲群分为若干个由相同波形特征脉冲组成的子脉冲群。PRPD放电谱图识别模块对各子脉冲群对应的PRPD谱图进行放电指纹提取,并使用GIS绝缘缺陷特征数据库训练得到的LS-SVM判别函数对各子脉冲群进行识别。仿真和试验结果均验证了该技术的可行性和实用性。     

时频广义 S 变换和 VL-MOBP 神经网络在人体动作识别中的应用

针对仿生假肢动作识别问题,提出基于时频广义 S 变换和 VL-MOBP 神经网络的下肢动作识别方法。 首先用时频广义 S 变换对年龄在 20~ 40 岁,身高在 170~ 185 cm,体重在 50~ 75 kg 的 22 名男性测试者下肢 4 种表面肌电信号和膝盖弯曲度信号 进行多分辨率分析,得到在时间和频率分辨率较好情况下信号时频累计特性曲线,然后提取时频累计特性曲线幅值的均值和标 准差作为特征向量,用 VL-MOBP 神经网络对人体下肢的行走、站立及静坐 3 种动作进行识别。 实验结果表明,提出的下肢动作 识别方法能够取得很好的识别效果,平均识别准确度达 96. 67%,高出小波变换约 56%,高出短时傅里叶变换约 36%,验证了该 方法在动作识别中的有效性。     

局部放电脉冲的Wigner时频分布特性研究

为了提高时频分布的分析精度和有效性,笔者根据局部放电脉冲信号的非平稳特性,提出使用联合时频分布对其进行处理,从而分析脉冲信号的时频特性。针对目前在非平稳信号处理中广泛使用、属于Cohen类的Wigner-Ville分布(WVD),笔者以仿真脉冲为对象,分别研究了其原始WVD、平滑伪Wigner分布(SPWVD)以及重排平滑伪Wigner分布(RSPWVD)。分析结果表明:WVD能够对局部放电脉冲信号引发的短时变化具有高度的敏感性,更适合表征非平稳信号的时变信息;SPWVD能消除双线性函数引起的交叉干扰项,但是以牺牲分布的时频分辨率为代价的;RSPWVD具有很好的时频聚集性,易于提取单个脉冲波形的时频特征参数,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。     

基于二元树复小波能量熵测度的局放模式识别

二元树复小波变换(DT-CWT)在时域和频域都具有表征信号局部特征的能力,且二元树复小波还具备近似平移不变、多方向选择、完全重构和高效计算等优点。而基于小波的信息熵能反映信号统计分布特征,突出系统信号中短暂的异常信号,达到及早发现可能故障的目的。笔者对4种典型绝缘缺陷产生的局部放电脉冲波形进行二元树复小波分解,将提取每层分解系数上的能量特征和小波能量熵测度作为模式识别的特征量。通过大量的试验获得放电样本,用构建的BP神经网络作为分类器,对4种典型绝缘缺陷产生的局部放电进行了有效识别,结果表明:采用此特征量的神经网络识别方法简单、有效、实用,为局部放电信号的识别提供了有效的参考。     

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。     

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%。     

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。     

时频匹配滤波法用于变压器局部放电模式识别的实验研究

局部放电模式识别对于电力变压器绝缘状况诊断具有重要意义。分析了典型变压器局部放电缺陷,建立4种放电模型,采用小波变换获取了超高频局放脉冲的三维时频谱图,该三维谱图综合反映了局放信号的3个基本特征:时间分量、频率分量和放电能量的分布。根据时频谱构造了4种局放模型的三维匹配滤波器,待测局放信号与同类型滤波器相匹配。结果表明,该方法可以有效提取出局部放电信号的主要特征和趋势。