基于CEEMDAN‑TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解(complete ensemble empirical model decomposition with adaptive noise,CEEMDAN)与可调品质因子小波变换(tunable Q⁃factor wavelet transform,TQWT)相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数(intrinsic mode function,IMF)分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解(empirical mode decomposition,EMD)方法,仿真信号经所提方法去噪后的波形失真百分比下降了44.94%;相较于仅使用CEEMDAN,现场信号经所提方法去噪后的噪声抑制比提高了26.64%。

ISWD-SVD联合方法的变压器振动信号降噪

针对变压器有效振动信号受噪声干扰难以提取的问题,提出一种改进群分解-奇异值分解(Improved Swarm Decomposition-singular Value Decomposition,ISWD-SVD)的变压器振动信号降噪方法。该方法首先将功率谱熵负值作为目标函数,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)寻找群分解算法(Swarm Decomposition,SWD)最优参数;然后,采用最优参数对变压器振动信号进行SWD分解,并剔除剩余分量,得到重构信号;最后,利用SVD去除重构信号中的噪声残留,实现二次降噪。通过对仿真信号与现场信号进行降噪效果验证,并与其他降噪算法进行对比分析。结果表明:ISWD-SVD联合方法对变压器振动信号具有更好的降噪效果,可为变压器机械状态检测和故障诊断提供有力依据。

基于交叉小波变换和相关系数矩阵的局部放电特征提取

针对局部放电特征量的高维性及对噪声的高敏感性,提出一种基于交叉小波变换和相关系数矩阵的局部放电特征提取方法。基于交叉小波变换对信号的时频域分析功能以及对噪声的免疫功能,采用交叉小波变换分析变压器局部放电信号,并获得表征交叉小波谱图特性的特征量;然后利用相关系数矩阵对获得的特征量进行相关性分析,剔除具有较强相关性的特征量;最后将提取到的特征量送入概率神经网络与BP神经网络分类器进行放电模式识别。仿真及实例分析证明了该方法的有效性。

多核多分类相关向量机在变压器局部放电模式识别中的应用

针对传统单核分类器存在的固有二分类属性及识别信息不够完整的问题,首次提出了一种基于多核多分类相关向量机(MMRVM)的变压器局部放电模式识别新方法。首先选用不同的核函数对4种变压器局部放电信号特征进行映射,解决了不同数据源的问题;然后利用粒子群优化算法对核参数进行优化选择,有效避免了核参数选择的主观性;最后利用构建出的MMRVM分类模型直接进行多分类,实现放电模式识别。文中以实验室4种典型缺陷的变压器局部放电信号为研究对象,采用传统单核SVM分类器、单核RVM分类器与MMRVM分类器对其进行分析对比。结果表明,MMRVM分类器融合了多种放电特征信息,能够较为全面的描述放电特征,与单核分类器相比具有更高的诊断准确率和更好的实用性。

平移不变小波迹消噪方法在局部放电检测中的应用

针对变压器局部放电检测中存在较多干扰的问题,本文采用平移不变小波迹方法对放电信号进行消噪处理。该方法利用小波迹理论抑制信号噪声,并通过循环平移方法强化消噪效果。小波迹建立在小波变换基础之上,利用小波迹组合描述原始放电信号特征,去除了小波系数在各尺度之间的相关性,具有良好的放电特征保持性;循环平移则消除了小波基的平移依赖性,使消噪后的信号更加逼近真实放电信号。仿真及现场数据分析表明,基于平移不变小波迹消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号,消噪效果优于传统小波方法。

基于统计特征参数与相关向量机的变压器局部放电类型识别

针对传统的局部放电模式分类器存在的不足,提出了一种基于统计特征参数与相关向量机(RVM)的变压器局部放电类型识别的新方法。首先针对4种变压器局部放电实验模型的二维图谱提取出表征图谱特征的16个统计参数,然后设计一对一RVM多分类模型,将统计参数作为输入向量送入RVM分类模型,实现放电类型识别。测试结果表明,RVM分类器具有较好的放电识别效果,与支持向量机(SVM)相比具有计算复杂度低、相关向量少、训练及测试时间短等优点,两者识别精度相当,均高于BPNN。

基于主动学习SVM的变压器局部放电模式识别

对局部放电类型进行有效识别是准确评估变压器绝缘状态的重要前提。然而放电类型识别过程中往往需要大量训练样本的学习才能达到较高的识别精度。针对这种情况,提出一种基于主动学习支持向量机的局部放电模式识别新方法。该方法在选择训练样本的过程中采用主动学习的方法,挑选出对分类器最有价值的放电样本进行训练。研究结果表明,该方法在保障识别精度的前提下有效减少了放电信号需要的训练样本个数,缩短了训练时间,提高了样本的学习效率。

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。

组合核支持向量机在放电模式识别中的优化策略

传统的单一核函数SVM无法实现局部放电中的多特征空间向量的映射分类,且目前SVM大都采用不同尺度的径向基函数作为核函数,核的调整空间较为有限,无法针对不同特征空间的放电参数达到普适的效果。针对上述问题,本文提出一种基于多分组特征的组合核多分类SVM的局部放电识别方法。该方法首先完成多类特征空间在不同类型SVM核函数中的映射分类,再采用骨干粒子群(BBPSO)优化方法选取最佳核参数,并求解核函数权值系数,最终形成最优核函数组合分类模型。实验结果表明,该方法对多个特征空间数据具有普适性,且融合效果理想,分类精度高于误差反向传播神经网络(BPNN)和SVM识别方法。

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。

新工科背景下电子信息工程专业建设的探索和实践

作为我国高等教育当中的重要改革措施,新工科对当前的工程教育发展具有重要的现实意义。论文总结归纳了新工科对电子信息工程专业的要求,深入阐述电子信息工程专业中新工科的发展理念和现状,并结合目前高校存在的具体问题,尝试构建一个科学且有效的专业建设模式,对于优化专业结构、促进人才培养模式创新以及保证专业特色具有深远的意义。

改进的k-means聚类算法在供电企业CRM中的应用

针对k-means算法存在的不足,提出了一种改进算法。针对目前供电企业CRM系统的特点提出了用聚类分析方法进行客户群细分模型设计,通过实验验证了本文提出的k-means改进算法的高效性。实验结果证明聚类分析算法在CRM中实施类分析方法的客户群细分过程模型是行之有效的。

基于长短期记忆网络的电网同调机群快速辨识

基于长短期记忆网络(Long short-term memory,LSTM)提出了一种电网同调机群的快速辨识方法。首先针对两机振荡模型,挖掘相量平面内电压相量轨迹的分类特性,为机组的同调性辨识提供了依据;其次,基于短时响应数据,利用LSTM分别对机端电压实、虚部时序轨迹进行预测,并依据复合而成的相量轨迹判断机组的分群情况;最后,利用扩展等面积法则(Extended equal area criterion,EEAC)对上述分群情况进行验证,进而给出同调机群的最终辨识结果。IEEE-39节点系统算例验证了方法的有效性,具有较好的工程应用价值。

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)和多尺度量子熵(Multiscale Quantum Entropy,MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function,IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement,LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering,HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。

CEEMDAN在变压器振动信号提取中的应用

有效提取变压器振动信息对于识别变压器运行状态具有重要的现实意义.本文提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)的变压器振动信号分析方法.论文首先采用CEEMDAN将原始变压器振动信号分解成有限的固有模态分量(IMF),之后利用相关系数(CC)提取有效的IMF分量.最后,将提取出的有效IMF分量进行信号重构得到消噪结果.仿真及实测信号分析表明,该方法能够较准确实现信号消噪,成功提取出变压器振动信号的有效信息,验证了该方法的有效性和实用性.

Measurement of He2* density with an auxiliary measuring electrode in atmospheric pressure plasma jet

In this study, the density of metastable He2* in an atmospheric-pressure plasma jet operating in helium with 0.001% nitrogen has been measured using an auxiliary measuring electrode technique.In the glow discharge mode, waveforms from two grounding electrodes, including one main discharge electrode and one auxiliary electrode, are captured.The isolated current peak formed by Penning ionization in waveforms from the auxiliary measuring electrode is identified to calculate the density of metastable He2*.In our discharge environment, the helium metastable densities along the jet axis direction are between 2.26×1013 and 1.74×1013 cm-3,which is in good agreement with the results measured by other techniques.This measurement technique can be conveniently applied to the diagnosis of metastable He2* in an atmospheric-pressure plasma jet array.