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.     

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PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱...     

基于核典型相关分析融合的XLPE电缆局部放电模式识别

提出使用核典型相关分析方法提取XLPE电缆接头局部放电信号PRPD图谱特征信息,并使用K最近邻分类算法实现不同绝缘缺陷模式的高准确率识别。利用YJV-26/35 k V型电缆及其附件设计了4种典型绝缘缺陷,使用脉冲电流检测获取局部放电样本信息,绘制了PRPD图谱并应用于样本数据,研究不同特征向量下的识别效果,在适合维数最终获得较高识别正确率。相对于传统电力设备模式识别方法,不但可以有效反映信号非线性特征,并可以将多种特征进行有效融合,消除冗余特征。     

基于主成分分析和概率神经网络的变压器局部放电模式识别

提出利用主成分分析(PCA)的方法对变压器局部放电原始特征参数进行降维,并提取出新的主成分因子.结果表明,提取出的主成分因子可以很好地表征原始特征向量.通过概率神经网络(PNN)分类器分别对降维前和降维后的特征向量进行训练和识别.研究发现,提取出的新因子有效缓解了分类器负担,且PNN分类器的识别效果良好,优于传统BP神经网络分类器.     

基于优化形态特征的变压器局部放电模式识别

针对变压器的4种典型局部放电模型的脉冲波形,应用多尺度数学形态学开运算提取局部放电脉冲波形的形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征。同时,为了去掉冗余的特征量,优化形态特征,对每种放电类型的不同形态特征进行相关性分析。实验结果表明,应用优化后的特征量进行识别能够得到良好的识别效果,并且能够降低识别系统的复杂度。     

基于灰度图像分形特征的局部放电模式识别

提出了用灰度图像分维数作为局部放电识别特征量的识别方法,并采用Elman神经网络对变压器局部放电模式进行了识别。     

基于BAGAN-CNN的局部放电模式识别

电力设备发生局部放电为小概率事件,现场检测出的局部放电脉冲相位分析图谱样本具有数量稀少、样本类别比例不平衡的问题,导致难以训练出能够准确判断局部放电类型的分类器。为了扩充并平衡不同种类局部放电样本的数量,提高局部放电模式识别准确率,提出一种基于BAGAN-CNN的局部放电模式识别方法。首先,构建BAGAN(Balancing GAN)网络模型,解决原始ACGAN损失函数矛盾的问题,使BAGAN生成器能够生成样本种类稀少的局部放电数据。然后,将原始样本和增强样本作为分类器输入,构造卷积神经网络,自动提取局部放电特征,并通过Softmax层进行分类。实验表明,通过BAGAN生成的数据相比于其他数据扩充方法,能够生成更高质量局部放电样本;相较于传统分类器,CNN分类器的识别准确率更高。     

局部放电稀疏分解模式识别方法

为实现电气设备局部放电(简称局放)模式的准确识别,提出了一种局放稀疏分解模式识别方法。首先由各放电模式局放训练样本信号统计特征向量构建局放统计特征过完备原子库,对此原子库进行非线性映射,可得非线性局放统计特征过完备原子库。对待识别局放信号统计特征向量进行非线性变换,得到非线性统计特征向量,此向量在非线性局放统计特征过完备原子库中进行稀疏分解时,仅可由相应放电模式子原子库中原子进行稀疏表示而难以由其它放电模式子原子库中原子进行表示,进而实现局部放电稀疏分解模式识别。同时,提出一种核函数优化匹配追踪算法,可在无需知道非线性映射具体形式基础上完成稀疏分解,并基于相似性度量系数确定最佳核函数及其参数。设计了两套放电模型,并在不同实验环境中进行了局放测试,所测信号分别作为训练样本信号及测试样本信号,采用所提方法进行了模式识别实验,同时与采用神经网络方法、K近邻法、支持向量机法的局放模式识别实验结果进行了对比。实验结果表明该方法识别效果较好,准确率较高。     

基于相位谱图的开关柜局部放电模式识别方法

利用图像识别和模式识别理论,针对高压开关柜局放相位谱图特征提出一种基于二维最大准则法的提取和降维方法,并结合支持向量机(SVM)实现对开关柜内部局部放电类型分类识别。仿真计算表明该方法可直接对图片格式的相位谱图进行处理和识别,能避免因不同检测设备数据格式不同而造成的无法跨平台分析的问题;同时,采用二维最大准则法能对相位图谱进行大幅压缩,且在特征值nc=2和nr=7时,基于SVM的识别正确率可基本保持在90%以上。     

基于奇异值分解的局部放电模式识别方法

提出了一种基于奇异值分解的变压器局部放电模式识别方法。通过搭建人工缺陷实验环境并采集样本数据,计算每个样本的统计特征参数,构成实验数据的样本矩阵。对样本矩阵进行奇异值分解,判断保留矩阵的特征是否明显,确定最佳保留矩阵的阶数,从而得到降维后的类型特征空间描述矩阵和类中心描述向量组。对现场采集的样本数据进行计算得到待分类的样本向量,并用类型特征空间描述矩阵进行线性变换,然后计算变换后的向量与类中心向量组中每个向量的距离,从而得到分类的判断结果。该算法简单而且高效,能够实现局部放电检测中各种放电信号的有效区分,局部放电模式识别召回率约为91.3%。     

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。     

基于灰度共生矩阵纹理特征的局部放电模式识别

传统的统计参数特征,因放电次数及放电相位分布等因素的影响,会出现无效信息,降低局部放电识别率。为了减少这些因素的影响,引入灰度共生矩阵纹理特征对局部放电进行模式识别。首先通过实验构造局部放电相位-放电量-放电次数(j-q-n)三维图谱,获得放电分布矩阵。其次计算其对应的灰度共生矩阵,并提取出相应纹理特征。最后利用聚类分析对不同放电缺陷进行了有效判别分类。实验结果表明:基于放电分布灰度共生矩阵的纹理特征可以有效辨识不同局部放电类型,为局部放电模式识别提供了一种新思路。     

基于特征参量优选与多算法联合的局部放电模式识别方法

电力设备中,不同类型的放电因放电功率、能量的差异对设备绝缘的损害能力存在差异,即对绝缘的危害程度不同,确定局部放电类型是放电危险度评估的基础。文中对典型缺陷条件下的局部放电谱图提取了基本参量及统计参量等多种特征指纹;为了降低识别参量的维度,定义了特征向量可分性评估准则,并使用浮动前向搜索算法选取了可分性最优的9组特征参量;分别使用主成分分析、线性可分性分析、核主成分分析及通用可分性分析4种方法将特征向量降为2维,结果表明,使用通用可分性分析降维后特征参量可分性最优。之后,提出了多算法联合的模式识别分类器,通过对比最小距离法、人工神经网络及支持向量机,3种方法确定最终识别结果,实验结果表明,该分类器识别准确率达95.8%。最后将所提出模式识别方法应用于现场局部放电缺陷类型识别,通过设备实验结果对比验证了识别结果的准确性。     

基于OS-ELM的变压器局部放电模式识别

传统的变压器局部放电模式识别算法由于需调整的参数多且难以确定最佳参数、学习速度慢等缺点,在实际工程应用中识别正确率低,识别速度慢。因此,提出了一种基于在线序列极限学习机(OS-ELM)算法的变压器局部放电模式识别方法,该算法是传统极限学习机(ELM)的在线学习改进算法,是一种新型的单隐含层前馈神经网络(SLFN)。本文基于特高频检测法在真型变压器上进行局部放电实验,并获得大量实验数据。将本文所提方法与ELM、支持向量机(SVM)以及BP神经网络(BPNN)的模式识别效果和性能进行了比较分析。结果表明OS-ELM算法识别正确率比SVM和BPNN分别高出5.2%和23.2%;逐渐减小训练样本集大小,OS-ELM识别结果的波动明显小于SVM和BPNN,表现出更好的泛化能力;OS-ELM的训练时间仅为0.031 2 s,远远小于SVM和BPNN。因此,OS-ELM更适用于大数据量样本的工程应用。     

基于VPMCD的变压器局部放电模式识别

识别局部放电的类型对变压器状态评估十分重要。文中构造了四种变压器局部放电实物模型,从放电信号中提取18个统计特征量,使用基于变量预测模型的模式识别方法(Variable Predictive Model based Class Discriminate method,VPMCD)完成局部放电信号的分类。对比实验结果表明,VPMCD方法在识别率和计算效率均高于BP神经网络。     

基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

基于BP人工神经网络的局部放电模式识别

本文介绍了ＢＰ人工神经网络在局部放电模式识别中的应用,结合实际现场情况提出了一部局部放电特性的提取方法,并在此方法基础上开发出局部放电模式识别系统,然后利用此系统对空气火花放电和油中火花放进行了模式识别实验,实现结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。