基于LDA和RBF神经网络的开关柜局部放电模式识别方法研究

针对传统信号特征提取方法存在高维数和无效信息过多的问题,提出了一种基于线性判别算法和径向基神经网络的开关柜局部放电模式识别方法。该方法将两种算法结合,达到识别速率和识别准确率双优的目的。首先,建立开关柜的3种超声波局部放电(PD)模型。然后,利用时频分析和小波分解,提取信号的时频特征和小波系数特征,通过线性判别算法(LDA)对提取的特征向量进行降维处理,最后利用径向基(RBF)神经网络对局部放电缺陷类型进行分类,其识别准确率均在90%以上,并且训练时间缩减50%以上,证明该识别方法具有实用性。

开关柜局部放电模式识别

针对高压开关柜局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于改进果蝇算法(FOA)优化的概率神经网络模型(PNN)的局部放电模式识别方法。作为一种新型的群体搜索随机优化算法,FOA算法具有原理简单、参数少,收敛快等优点。实验采集的局部放电信号进行处理并归一化,作为FOA-PNN神经网络的输入样本进行识别,并与传统算法进行比较。仿真实验证明:该算法可以有效地运用到局部放电模式识别中,为开关柜局部放电诊断供了一条新途径,具有良好的研究价值和发展前景。

基于统计特征的变压器超高频局部放电信号识别与分析

变压器中局部放电由于随机性强且易受外界干扰所以难以检测。基于120 MVA变压器进行长期超高频局部放电信号监测,通过放电信号绝对数量和相对分数两个特征量,从统计行为的角度分析了不同局部放电信号的统计行为特征。结果表明变压器中存在3种主要局部放电信号源,其中一种相对分数达48%的信号具有放电绝对数量多、幅值高、放电数量随时间变化稳定的特点,由此得出其主导了变压器中的局部放电活动。该分析方法能有效识别局部放电模式和放电行为特征。