几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。     

变压器局部放电的检测与模式识别

介绍了几种主要的局部放电检测方法和基本电测量信号的模式识别技术、并对其未来研究作了展望。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

应用BP(误差反向传播算法)、AGA(自适应遗传算法)和AGA-BP神经网络对发电机定子超高频局部放电的三种类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA-BP混合算法作为神经网络的学习算法。实验结果表明,AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量。     

自适应遗传算法在变压器局部放电超高频模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

介绍了发电机定子局部放电高频在线监测系统的结构特点及对局部放电特征的提取,应用BP算法、自适应遗传算法AGA和AGA—BP神经网络对发电机定子超高频局部放电的三种放电类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA—BP混合算法作为神经网络的学习算法。实验结果表明,AGA—BP神经网络解决了BP神经网络对初始权值敏感和容易局部收敛的问题,提高了AGA神经网络的收敛速度、稳定性和求解质量。     

自适应遗传算法在变压器局部放电高频模式识别的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别.实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好地应用于变压器局部放电的超高频模式识别中.     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点，本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明，AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

发电机局部放电在线检测系统的应用

阐述了一种新的发电机局部放电检测系统 (GDD-3H)在大型水轮发电机上的安装调试和测量 ,通过安装在中性点侧的双频传感器和两个噪音门通道 ,成功排除励磁脉冲和高压母线侧的干扰 ,能准确测量发电机绕组的绝缘状况     

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。     

混合神经网络算法在GIS局部放电模式识别中的应用研究

为了提高基于超声法GIS局部放电模式识别的正确率,在实验室中对GIS典型缺陷局部放电的超声波进行了重复性测量,从43个能够表征缺陷特征的参数中提取了34个稳定的特征参数,然后采用后向序贯算法筛选出了24个有效特征参数作为神经网络输入参数。针对神经网络的局限性,提出了改进的GA-BP混合神经网络算法。训练结果表明,GA-BP神经网络的应用有效地提高了识别的准确率。     

变压器超高频局部放电自动识别系统

本文研制了一套变压器超高频局部放电自动识别系统，详细介绍了系统的硬件和软件实现。硬件主要包括超高频天线和频谱分析仪，软件由信号采集，统计谱图生成，统计算子（指纹）计算，用基于遗传算法的神经网络进行模式识别四部分组成，在实验室中对变压器典型局放模型进行实验，结果表明，该系统可以很好地用于提取高频（中心频率在500－1000MHz之间可调）窄带（带宽5MHz)时域放电信号，并且具有强大的数据处理，显示、分析、识别等功能，从而为变压器超高频局部放电检测以及绝缘状态评估提供了丰富的信息。     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

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。     

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。     

统计参数在变压器局部放电模式识别中的应用

对局部放电进行模式识别可以了解放电类型和严重程度,为故障诊断和检修提供参考依据。为此将Weibull统计分布参数用于局部放电模式识别当中,采用仿真分析和模型试验的方法证明了局部放电的脉冲高度分布符合Weibull统计分布规律。在统计放电脉冲高度分布时对放电幅值进行了归一化处理,将放电累积概率为99%的放电幅值作为归一化因子,以消除试验中偶然出现的大的随机放电脉冲干扰的影响。使用工频电压正负半周的Weibull统计分布的形状参数、放电幅值中心和放电相位中心共6个参数作为特征向量,以人工神经网络为分类器,对放电类型获得了超过85%的识别率。研究表明,这种故障模式的表征方法具有模式特征数量少、表征能力强等优点,采用人工神经网络方法可以准确识别不同模式的放电,具有较高的识别率。     

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。     

局部放电检测在开关柜中的应用

开关柜是配电网系统中的重要设备,在工厂供电系统中存有大量的开关柜.为提高开关柜的运行可靠性,迫切需要对电力设备运行状态进行评估,及时反映运行设备的问题,以便采取预防措施避免突发停电事故的发生.通过此我们可以将检修工作的重点从“定期检修”转移到“状态检修”.据统计,电气设备所发生的绝缘事故大多与局部放电有关,而通过对设备进行在线局部放电检测是运行设备绝缘状态检测的有效方法.利用在线局部放电检测技术对开关柜进行绝缘检测可以及早发现开关柜内绝缘故障,及时对故障点进行维护处理,因而可以大大提高工厂配电系统的供电可靠性.     

电力变压器局部放电在线检测系统

本文介绍了一套用于检测运行电力变压器局部放电的检测系统,它由电流传感器、超声传感器、传输信号用的光纤传输系统以及Super—PC/XT微型计算机组成。此系统可联合检测一路电脉冲信号和三路超声波信号(从六路超声波信号中任选),由计算机采集、处理收到的信号,从而使该系统具有测量变压器内部局部放电,识别干扰,对局部放电源初步定位的功能。实验室和变电站现场实测结果表明,这一套检测系统是成功的。     

一种GIS局部放电模式识别新方法及应用

本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有效特征参数。并用多分类相关向量机(M-RVM)作为识别方法,在110k V电压下获取的实验检测数据作为训练和预测样本,结果取得86%的理想识别率,验证了LLE与M-RVM结合的识别系统的有效性。