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。

局部放电灰度图象分维数的研究

局部放电模式识别被普遍认为是一种预测高电压设备绝缘状况的有效手段。本文提出一种适用于局部放电模式识别的局部放电分形特征提取方法。该方法在估计分维数的改进差盒计维数(MDBC)算法的基础上,提取局部放电灰度图象分维数和二阶广义分维数以及局部放电高值灰度图象分维数,共同构成局部放电模式识别特征。针对高电压设备内部局部放电和外部放电干扰,设计了五种放电模型,通过放电模型实验获得的大量放电样本数据,构造出相应的局部放电特征提取图象,计算出分形特征参数,输入人工神经网络进行识别的结果表明,采用该方法具有良好的识别效果。

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。

以盒维数和信息维数为识别特征量的GIS局部放电模式识别方法

研制了5种典型的GIS人工模拟缺陷模型及其局部放电检测系统,通过实验获取了大量局部放电样本数据,构造出GIS局部放电灰度图象;提出有效估计图象盒维数的最少盒计数法;提取了GIS局部放电灰度图象的分形特征——盒维数和信息维数;利用以局部放电灰度图象的盒维数和信息维数作为识别特征量,径向基函数人工神经网络为识别分类器的GIS局部放电模式识别方法,取得了良好的识别效果。

分形学在局部放电特征提取中应用初探

基于分形理论 ,建立了描述局部放电脉冲波形的随机模型 ,提出用分维尺度变化量为特征识别局部放电信号。

用于局部放电图象识别的统计特征研究

结合图象识别技术,提出一种采用局部放电灰度图象的统计特征区分局部放电类型的方法。局部放电灰度图象统计特征由图象的矩特征和相关统计特征构成:其中矩特征描述局部放电灰度图象基本灰度分布状况,相关统计特征描述局部放电正、负工频半波图象之间的相关程度。设计出模拟变压器内部放电与外部放电的五种放电模型,并通过试验获得大量放电样本数据,采用局部放电灰度图象统计特征和人工神经网络分类器,对于五种放电样本获得了较高的识别率,表明该方法具有良好的应用效果。

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。

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。

局部放电识别中分维数分布的研究

本文将分形理论应用于局部放电模式识别 ,从统计图谱中提取分形特征。在局部放电模式试验基础上 ,采用计盒数的分形维数算法 ,从大量的局部放电样本中提取分形网格维数特征参数 ,提高了局部放电模式的准确性。

基于散点集分形特征的局部放电模式识别研究

该文应用数字化测量装置采集发电机定子线棒工业仿真模型的局部放电信号,获得放电脉冲序列;在放电相位-放电量平面上,将脉冲序列表示为散点集;改变观察区域尺度,用逐段拟合法确定分形无标度区;用最小二乘拟合法计算分形维(Hausdorff维数和信息维数);以分形维和散点集重心坐标构成特征向量,并应用人工神经网络进行放电模式识别。研究表明分形特征在局部放电类型区分和程度判别方面均具有良好的性能。

交联聚乙烯电缆局部放电灰度图像的模式识别

局部放电模式识别是判断电气设备绝缘状况的重要方法之一。分形理论在局部放电特征的提取上是一种行之有效的方法,通过构造交联聚乙烯(XLPE)电缆局部放电信号的灰度图像,采用逐段搜索确定无标度区域,并采用盒维数与信息维数为特征量作为人工神经网络的输入,对局部放电缺陷进行模式识别。研究表明分形特征在局部放电模式识别上具有良好的效果。

电力设备局部放电模式识别中分形理论的应用

本文论述了分形理论在局部放电特征提取中的应用 ,建议将分形理论和小波变换、人工神经网络相结合 ,可以提高局部放电模式识别的有效性和准确率。研究表明 ,分形理论在局部放电模式识别中的应用极具发展前景 。

基于离散隐式马尔科夫模型的局部放电模式识别

利用绝缘试品在升、降压过程中的视在放电量-施加电压序列作为局部放电特征量,并将离散隐式马尔科夫模型分类器引入局部放电模式识别的研究中。该算法首先利用矢量量化方法通过对码本生成样本集进行LBG编码构造码本,并分别对各类放电的训练和测试样本分配码本索引序列。在分类器的训练阶段,输入训练样本序列训练得到每类放电的离散隐式马尔科夫模型。在测试阶段,计算每类离散隐式马尔科夫模型输出测试样本序列的概率,取最大概率对应的模型序号作为识别结果。对5类放电的150个样本的识别结果表明,离散隐式马尔科夫模型具有识别率高、易扩展的优点。

不同气隙尺寸的油纸绝缘气隙放电特征及发展阶段识别

油纸绝缘作为电力变压器的主要绝缘方式,气隙放电特别是大气隙时的放电对其危害极大。为全面评估气隙放电的危害程度,制作了五种气隙尺寸的放电模型,研究气隙大小对局部放电特性的影响,并通过试验研究了其放电发展过程中不同放电阶段的局部放电信号,基于聚类-随机森林算法实现了不同气隙尺寸的气隙放电发展阶段识别。研究结果表明:相对于小气隙缺陷的放电,大气隙放电起始放电场强低,起始放电量大,起始放电相位滞后,当放电发展到后期,大气隙中正放电脉冲的相位不会发展到工频负半周;大气隙缺陷内较小的气隙表面电子脱陷概率和较小的反向电场是使其起始放电相位滞后的主要原因;聚类分析将大小气隙模型的放电分为三个阶段:初始放电阶段、微弱放电阶段和放电爆发阶段;对于发展阶段的识别,相比于径向基函数(RBF)神经网络和核函数支持向量机,随机森林的识别准确率更高,达到93.15%。试验结果为更准确地评估气隙放电的发展阶段提供了依据。

局部放电脉冲形波的自回归模型参数识别法

介绍了基于自回归 (Antoregression,简称 AR)模型理论对局部放电脉冲波形进行特征提取的方法。以 AR模型参数作为波形特征量 ,利用前馈神经网络对放电模式进行了识别比较 ,并分析了影响识别效果的各种因素。研究结果表明 ,以 AR模型系数作为特征向量进行局部放电模式识别是有成效的。在 AR模型的基础上结合波形的其它特征能进一步提高放电的识别率。

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。

基于随机森林的变压器多源局部放电诊断

目前变压器多源局部放电诊断的方法主要是先对采集的放电脉冲进行分离,再对分离的脉冲群进行局部放电诊断。然而,应用于脉冲分离的聚类算法的聚类个数确定问题制约着该方法的实用性,且该方法对信号采集器的采样率有很高的要求。针对上述缺陷,在实验室条件下模拟匝间模型、油楔模型和针板模型3种放电模型,将多个单源放电数据与噪声融合,生成多源放电数据,用于研究多源放电诊断方法。局部放电模式识别领域中常用的分类器算法包括神经网络、支持向量机（support vector machine,SVM）和K邻近（K-nearest neighbor,KNN）等。随机森林（random forest,RF）算法具有无需特征选择、不易过度拟合的优点,但在局部放电模式识别领域中应用较少。利用神经网络、SVM、KNN以及RF算法对多源放电中有、无某种放电模式的数据进行学习,从而跳过脉冲分离环节。结果表明：在一定幅值范围的白噪声干扰下,RF算法在各模式的识别准确率均优于其它算法。利用实际噪声干扰下的多源局部放电数据对各算法进行验证,结果表明RF算法仍可对有、无匝间以及有、无油楔进行有效识别,但各分类器对有、无针板放电的识别效果均不理想。利用RF算法得到的3个识别模型可实现多源局部放电模式识别。

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。

基于IFS的局部放电超声信号的数据压缩和模式识别

变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。

采用动态模式分解分形特征的局部放电模式识别

为了解决传统局部放电模式识别方法计算量大、识别速度低的问题,本文采用构造二维谱图的方法进行局部放电模式识别。首先,利用动态模式分解算法构造局部放电的二维谱图,以少于构造传统三维谱图的计算量获取局部放电缺陷信号的二维表征。然后,针对不同缺陷信号的二维谱图提取两种分形特征(分形维数和间隙度),且构造了不同缺陷信号下二维谱图的分形特征数据集。最后,对该数据集进行X均值聚类。结果表明,X均值聚类结果优于传统K均值聚类和模糊C均值聚类算法,并且相比于反向传播神经网络和支持向量机算法,本文所提模式识别方法对3种局部放电缺陷信号综合识别率高,算法运算时间短。