基于模糊K-近邻算法的GIS局部放电模式识别

气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)局部放电检测对保证GIS的安全可靠运行具有重要的意义。为了对高压GIS缺陷故障进行有效诊断,试验设计了四种典型缺陷模型,并用超高频法提取局部放电信号,得到Ф-q,Ф-n等分布图谱,获得了能够反映局部放电特征的偏斜度γSk、陡峭度ξKu和局部峰值个数Pe等特征参数。根据所提取的四种典型缺陷信号的特征参数特点,通过模糊K近邻分类(fuzzy K-NN classifier,FK-NN)算法对典型缺陷局部放电信号进行了模式识别。结果表明:当近邻个数K=7、调整参数β=0.75时,FK-NN算法对GIS内缺陷识别能达到较高的识别效果。     

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。     

基于光纤EFPI传感器的GIS局部放电研究

光纤(extrinsic fabry-perot interferometric,EFPI)传感器是基于Fabry-Perot光学干涉原理来检测局放超声信号的一种传感器,具有灵敏度高、抗电磁干扰等优点,广泛应用于电气设备局部放电的检测.该文提出了一种采用内置式光纤EFPI传感器来检测GIS中局放超声信号的方法,利用有限...     

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%。     

基于仿生模式识别的GIS局部放电类型辨识

为实现气体绝缘组合电器(GIS)局部放电检测和故障识别,设计了GIS典型缺陷模型,使用超高频法检测放电信号,并提取特征参数。利用主成分分析法对特征参数进行降维处理,引入仿生模式识别算法进行辨识,提出一种改变连通方向的方法,提高了算法的辨识率,分析了连通方向改变前后样本的辨识率,以及未训练样本类型的错分率。结果表明,基于仿生模式识别的GIS局部放电类型辨识率能达到满意的效果。     

基于EFPI光纤超声传感器的油中局部放电定位

非本征法布里帕罗干涉(extrinsic fabry-perot interferometric,EFPI)的光纤超声传感器灵敏度高,不受电磁干扰的影响,文中将其应用于油中局部放电定位。首先设计了2×2的EFPI超声传感器阵列,可放置在油中检测局放超声波信号;然后根据可控响应功率(steered response power,SRP)声源定位理论对局放源进行定位;最后应用SRP和多重信号分类(multiple signal classification, MUSIC)算法处理实验信号并进行对比。结果表明文中设计的EFPI传感器阵列能够在油中检测到信噪比较高的局部放电信号;SRP算法测向误差小于MUSIC算法,能够根据单次测量实现定位,但定位精度有待进一步提高。文中提出的方法对于EFPI光纤超声传感器在电气设备局部放电定位方面的实际应用具有参考意义。     

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。     

基于组合核多特征融合的GIS局部放电检测与识别

GIS局部放电模式识别是其绝缘状态评估的重要部分,搭建了252k V GIS局部放电实验仿真平台,采用超高频和超声波检测法对4种典型绝缘故障进行局部放电检测,得到了相应的放电信号,并根据信号特点获取了相应的统计参数图谱,提取了相应的特征参数;采用K-折交叉验证和粒子群算法对组合核参数法进行了核函数参数优化,然后采用优化后的算法融合了超高频和超声波特征参数,分别将融合后的参数和单一的超高频及超声波参数输入到分类器中进行放电模式识别。结果表明,多特征参数融合后的识别率要高于单一特征的识别率,融合后的识别率可达92%。     

基于光纤迈克尔逊干涉仪的GIS内置局部放电超声传感技术

气体绝缘开关设备(gas insulation switchgear, GIS)局部放电超声传感器主要采用外置安装方法。受制于GIS设备内部的复杂结构和SF6气体的强声波吸收率,局部放电产生的超声波信号传达至GIS外壳时往往非常微弱,传统的压电传感器灵敏度难以满足对局部放电微弱声波信号的检测需求。因此,基于光纤传感器的全绝缘和抗电磁干扰特性,提出了一种内置型迈克尔逊超声传感技术,设置仿真和试验研究光纤对于GIS内部电场分布的影响。分析光纤环的尺寸对超声信号检测灵敏度的影响,搭建平台测试光纤超声传感器的频响特性和抗干扰性能。在此基础上,搭建了GIS局部放电检测试验平台开展局部放电检测试验。结果表明：内置式迈克尔逊超声传感光纤环布置在GIS局部放电模型附近后可以检测到8.8 pC的尖端放电、15.3 pC的自由颗粒放电和53.5 pC的沿面放电,且相同放电量下压电传感器未测得有效信号。     

基于EFPI传感器的立体形阵列传感器对局放测向的仿真分析

局部放电超声阵列定位技术是将传感器阵列与阵列信号处理方法相结合。本文采用非本征法布里帕罗干涉（Extrinsic Fabry-Perot Interferometric,EFPI）的光纤超声传感器,其灵敏度高,不受电磁干扰的影响;并充分发挥EFPI传感器可放置于油中的优势,改进阵列结构。设计了4阵元EFPI超声传感器正四面体结构阵列,将其置于油箱内部检测局放超声信号,然后利用多信号分类算法(Multiple Signal classification,MUSIC)算法对局放源进行测向;并与平面2×2阵列进行对比;最后,针对阵元位置误差进行校正。结果表明：该阵列传感器能够在油中检测到信噪比较高的局部放电信号;且较传统平面阵,具有更高的测向准确度;尤其在阵列盲区方面,立体型阵列传感器可有效地实现空间多角度的信源测向。并利用TCT算法对阵元位置误差进行校正,提高了测向精度,满足了实际工程需要。     

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。     

基于概率神经网络的局部放电信号特征提取与识别研究

为提高气体绝缘开关(Gas Insulated Switchgear,GIS)局部放电(Partial Discharge,PD)信号分类识别的准确度和训练速度,提出了基于概率神经网络(Probabilistic Neural Network,PNN)的GIS局放信号分类方法以及表述信号形状与统计特征的联合特征参量。首先利用特高频(Ultra High Frequency,UHF)法获取GIS局放模拟装置产生的局放信号作为数据集,绘制散点图,选取完整准确描述图像特点的特征参量,以提高数据区分度;然后提取特征参量并进行降维,以解决维度过高引起的低效性,并将数据集随机分为训练集和测试集;最后,通过概率神经网络进行数据的训练和测试,解决了反向传播(Back Propagation,BP)神经网络、支持向量机(Support Vector Machine,SVM)等传统模式识别训练速度慢、易陷入局部最小等缺点。试验对比结果表明,方法具备较高的准确度,且提出的联合参量分类准确度相对于传统方法具有明显提高。     

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。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

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。     

一种用于高压电气设备局放超声检测的新型EFPI传感器

本文介绍了一种新型结构的光纤EFPI超声传感器，可内置于变压器、GIS等高压电气设备，并用新型结构的光纤EFPI超声传感器在不同温度和不同压强条件下，进行局部放电超声信号的检测。新型传感器采用全石英焊接工艺，在F-P腔上开孔，使绝缘介质进入F-P腔，平衡了石英膜片两侧由于温度和绝缘介质产生的压强差，并在石英膜片内表面上局部镀铝膜，提高膜片内表面的光反射率，提升了传感器的灵敏度。通过用传感器在不同温度、不同距离下进行测试，验证了传感器的温度、频率等性能，为检测高压电气设备内部局部放电提供了一种新的检测方法。     

基于超高频的局部放电窄带在线监测系统

笔者研制了两种超高频传感器,引进了基于混频技术的信号调理技术,构造了基于AGA-BP神经网络算法的模式识别单元,设计了系统控制显示软件,最终形成完整的测量系统,最后通过变压器和GIS典型缺陷局部放电试验验证了系统性能。     

基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

针对单一信号源特征无法准确识别局部放电(PD)类型的问题,提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集,提取不同信号的特征向参数,再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别,将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合,最后对融合结果进行决策。研究结果表明：基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性,识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补,有各自优势,可以解决故障诊断中的不确定性问题。在此基础上,基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补,与单一模型对比,所提方法可以稳定、准确地识别PD模式,具有更高准确率和可靠性,验证了所提方法的有效性与正确性。     

LVQ神经网络在GIS局部放电类型识别中的应用

通过在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒三种缺陷模型,用超声波传感器在相同电压下采集到良好的局部放电波形。针对波形选取了7个特征参数,最后用LVQ神经网络对放电类型进行识别,其综合识别率达到96.7%,高于S_Kohonen神经网络,有很好的实用价值。