基于FrFT和RVM的变压器局部放电模式识别

快速准确识别局部放电类型对于保证变压器安全稳定运行具有重要意义。针对局部放电信号模式识别中面临的最优特征参数提取和分类器设计难题,提出一种基于分数阶傅里叶变换(fractional Fourier transform,FrFT)和相关向量机(relevance vector machine,RVM)的局部放电模式识别方法。首先将FrFT引入局部放电信号分析领域,利用FrFT将局部放电信号转换至分数域并对其进行多尺度分析,在扩充信息提取维度的同时,提取可反映不同局部放电信号波形差异的14维特征构成特征向量;然后将特征向量作为输入,建立RVM模型进行最优特征选择和分类判决函数的联合优化,从而实现对不同局部放电信号的分类识别。建立电晕放电、沿面放电和气隙放电试验模型并采集局部放电超声信号开展试验,结果表明所提方法对于每种局部放电信号均能获得较高的识别精度,平均正确识别率相对于常规支持向量机(support vector machine,SVM)分类方法提升超过2.7%。

基于时序拓扑数据分析的电力电缆局部放电模式识别

在电力电缆局部放电(PD)模式识别时,相位图谱以及统计特征往往因区分度不足而影响识别精度。为此,提出了一种基于时序拓扑数据分析(TDA)的局放特征提取和识别方法。首先,提出一种符号熵和粒子群优化(PSO)相结合的重构参数选择方法,将预处理后的局放时域信号进行相空间重构,并生成三维局放数据点云;然后,基于TDA方法提取持续同调特征,据此生成持续散点图及持续条形码,计算并可视化表达为贝蒂曲线;最后,将贝蒂曲线输入1D-CNN模型,对4种典型局放缺陷模式进行识别并开展对比实验。实验结果表明,该方法对相空间重构时延参数的选取更加准确,且TDA特征具备良好的区分度,相比其他以相位图谱及统计特征为输入的模型,该方法整体识别准确率最高可提升15.34%,达到98.55%。

基于EEMD奇异值熵的局部放电模式识别

针对气体绝缘组合电器(GIS)局部放电故障信号非平稳性和放电类型识别准确率低的问题,提出了一种基于集合经验模态分解(EEMD)奇异值熵的局部放电模式识别算法。首先对局部放电原始信号进行EEMD分解,得到多个固有模态分量(IMF),根据均方差、峭度和欧氏距离评价指标选取隐含放电信息居多的最优模态分量进行信号重构;然后对重构信号进行奇异值分解,结合信息熵算法计算出奇异值熵;最后,根据奇异值熵大小区分出GIS局部放电的类型。实验结果表明,通过与传统的EMD奇异值熵和VMD奇异值熵算法对比,该方法可以有效地通过各自不同区间的奇异熵值进行识别放电类型。

基于粒子群优化深度置信网络的气体绝缘金属封闭开关设备局部放电模式识别

气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)局部放电模式识别是其绝缘缺陷诊断和状态评估的重要部分,为实现放电类型的准确识别,提出了一种基于粒子群优化(particle swarm optimization,PSO)深度置信网络(deep belief network,DBN)的局部放电模式识别方法。该方法通过PSO算法对DBN网络的权值参数进行优化,提高网络对局部放电特征的学习能力。首先,选取现场多平台的4种GIS局部放电类型监测数据组成样本集,用于对所提方法进行分析;其次,用改进的PSO算法结合样本数据确定DBN网络的初始最优权值参数,建立初始DBN网络;然后,利用训练样本对初始DBN网络进行训练,得到局部放电识别模型。最后,基于渤海油田岸电海上动力平台GIS的局部放电数据,采用多种不同局部放电识别模型对数据样本进行算例分析,结果表明:所提的PSO-DBN模型可有效识别GIS设备局部放电类型,相较于传统的DBN网络、多层前馈神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)和卷积神经网络(convolutional neural networks,CNN)具有更高的准确识别率。

基于相位分解法的局部放电模式识别

介绍了一种对局部放电脉冲进行相位分解而得到的指纹图.和用它对局部放电识别的方法及仪器。

电力变压器局部放电模式识别原理及建模

电力变压器为电网的重要设备,对其进行局部放电的健康状态检测有利于保障电力系统的安全与稳定。准确识别出不同局部放电模式,有利于电力工作人员更好地把握绝缘性能状态,更好地判断出变压器运行状况。提出了局部放电模式识别的总体思路和架构,对气隙放电、电晕放电、沿面放电等3种常见模型进行了理论分析与推导,得到3种局部放电模型的PRPD谱图的相位、放电量等参数,以期为局部放电模式识别提供理论依据。

基于VMD-IKHA-DBN的高压输电电缆局部放电模式识别方法

针对当前高压输电电缆局部放电模式识别准确性不高的问题,本文提出了一种基于VMD-IKHA-DBN的高压输电电缆局部放电模式识别方法。首先分析了高压输电电缆局部放电产生原因及类型,并搭建了高压输电电缆局部放电实验平台用于采集原始信号。然后采用变分模态分解算法完成局部放电的信号分解,并引入多尺度排列熵理论构建特征向量样本集合。最后提出一种基于Logistic混沌映射、动态反向学习和高斯变异的组合策略改进的磷虾群算法用于优化深度信念网络超参数,从而得到基于IKHA-DBN的高压输电电缆局部放电模式识别模型。实验结果证明本文所提出的方法识别准确率达到了98.3333%且识别效率较高,实现了高压输电电缆局部放电模式的高效准确识别,在电缆运检工作中可以充分发挥工程效能。

基于EFPI传感器的GIS局部放电模式识别研究

为了在复杂电磁环境中精准捕捉局部放电产生的微弱信号,设计了基于非本征法布里—帕罗干涉(EFPI)传感器的GIS局部放电模式识别方法。通过差分双波长光强强度比解调算法,粗解调EFPI传感器的腔长;利用复域相关算法,结合粗解调结果,精解调腔长,确定最终的EFPI传感器腔长,用于检测GIS设备的超声波信号;通过希尔伯特(Hilbert)变换GIS设备的超声波信号,得到Hilbert边际谱;利用2维—1维深度残差网络,提取Hilbert边际谱的特征,输出GIS局部放电模式识别结果。实验分析结果表明:该方法可有效确定EFPI传感器的腔长,采集GIS设备的超声波信号;得到GIS设备超声波信号的Hilbert边际谱;在复杂噪声环境下,该方法可精准识别GIS局部放电模式。

基于CEEMD-MPE与SDAE的局部放电模式识别

针对变压器局部放电故障信息提取困难以及局部放电类型识别准确率低等问题,提出一种基于CEEMD-MPE与SDAE相结合的局部放电模式识别算法。对局部放电原始信号进行CEEMD分解,得到多个固有模态分量(IMF),根据相关系数筛选出系数最大的IMF作为最优分量,计算其不同尺度下的排列熵值;将有效排列熵值作为特征数据集输入到SDAE中进行无监督学习训练;利用Softmax分类器输出放电类型。实验结果表明,该算法识别精准率为98%,召回率为96.67%,F1得分为97.17%,能够快速、准确地识别局部放电类型。

基于模式识别和噪声分离的局部放电监测应用

发电机局部放电在线监测技术是掌握运行时定子绝缘状况的重要手段。在线监测的难点在于如何有效地获取真正的定子绝缘产生的局部放电,最大限度地降低和抑制定子外部设备在机组运行时产生的干扰和噪声,特介绍鲁地拉公司在升级发电机局部放电在线监测技术过程中的应用经验。实施中,依据国家能源局2023年25项反措技术指导意见,遵循模式分析和噪声分离两大设计要求,详细调研和了解了市场上众多产品和技术,最终选择了GuardII Prime系统,优化和改进了安装方案。通过对改造后实际应用数据进行分析,表明GuardII Prime系统符合模式分析和噪声分离技术要求,可真实反映定子绝缘放电状况,可为生产运行和检修提供技术支撑和指导,也可为其他水电厂改造提供借鉴经验。

基于图像形态学特征的GIS局部放电模式识别算法与监测系统

针对气体绝缘金属封闭开关设备(GIS)局部放电识别诊断中,传统方法受样本来源与现场工况制约,适应性差、准确率低的问题,设计一套基于图像形态学特征的特高频信号模式识别算法及监测系统。首先,根据脉冲序列与时域累加相位分布图谱的开闭运算变化率、不变矩、边缘角点等特征,构建粒子群神经网络;其次,基于实验室模型与真型试验平台预埋缺陷,采集不同类型局部放电与噪声信号,与第三方规格化图像资料共同构成样本集;最后,进行分类训练及同源、交叉、合并泛化。实验结果表明,图像形态学算法能够更好地兼容不同来源样本,不依赖相位同步信号,体现出更优的识别准确度与鲁棒性。

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。

电气设备局部放电模式识别研究综述

电气设备局部放电模式识别是指对电气设备的放电故障类型进行识别。作为局部放电故障诊断技术的基础,它为局部放电风险程度评估提供重要的参考信息。对国内外在电气设备局部放电模式识别技术方面的研究现状进行梳理,分别从局部放电模式构造、特征量提取以及分类器选择3方面进行归纳总结。讨论了目前局部放电模式识别各环节研究及实践中存在的问题,最后从融合多种放电模式的特征量信息、优化改进分类器以及寻优分类决策等方面对局部放电模式识别技术的发展进行展望。

基于多特征信息融合技术的局部放电模式识别研究

针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别"误诊"的问题,以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息,利用放电时间、放电相位分布及UHF能量与放电量相关性等3类特征信息的共性和差异性进行融合互补,提出一种基于多特征信息融合的PD模式识别方法。通过在一套三相分箱式真实GIS(ZF-10-126)试验平台上实测所得的PD试验信息进行分析其结果表明:3类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性,但有着各自优势。而采用D-S证据理论进行3类特征信息融合PD模式识别技术,可对3类特征信息独立识别法各自存在的不足进行互补,具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。

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。

局部放电大数据的并行PRPD分析与模式识别

随着在线监测的推广应用,输变电设备监测中心已在国内许多电网相继建立,在极端条件下很多电力设备的局部放电(partial discharge,PD)越限数据会蜂拥而至,其快速处理最具挑战性。针对传统局部放电相位分析(phase resolved partial discharge,PRPD)方法处理大数据时的效率低下问题,该文提出了基于Map Reduce编程模型的并行化PRPD分析算法(P-PRPD),实现了海量PD信号的并行基本参数提取、统计特征计算与放电类型识别。在实验室中构造了4种放电模型并采集了大量PD信号,对所提算法在拥有6台计算节点的Hadoop平台上进行了详细的性能评估和实验分析。实验和分析结果表明,该算法在处理海量PD信号时较传统方法具有显著的效率提升,模式识别总准确率达到90%,满足工程应用需求。

超声波法进行变压器局部放电模式识别的研究

在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性,提出利用分形理论对局部放电超声波信号的时域脉冲波形进行分析。对分形理论及其参数计算方法进行了简单的介绍,在自制的几种典型变压器局部放电模型上进行实验,计算了所得到的局部放电超声波信号的分形参数(分维数和空缺率),得到不同放电形 式的分形特征,利用人工神经网络对所得到的分形特征进行模式识别。结果表明利用超声波信号可以有效地判断变压器局部放电模式,为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法 ,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度 ,研究了小波与分形理论的互补性 ;并从局部放电信号小波分解后的能量谱图提取放电特征 ,用于局部放电模式识别。研究结果表明 :选用适当的小波函数和尺度函数 ,将局部放电信号的逼近信号能量谱和精细结构能量谱的分形维数作为局部放电模式特征 ,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。

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。

基于多重分形维数的GIS局部放电模式识别

根据气体绝缘组合电器(GIS)设备内部绝缘缺陷产生局部放电的特点,设计了4种典型的GIS缺陷模型,采用甚高频高速采集大量局部放电样本,构造了局部放电图谱;以差盒维数和多重分形理论为基础,给出了基于差盒维数的多重分形计算方法;提出了一种基于多重分形特征的GIS局部放电图谱特征提取方法,对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征,最后将提取的特征量通过RBF神经网络进行分类,识别结果显示本文方法有效地提高了GIS局部放电4种缺陷的识别率。