成小瑛[1]2003年在《局部放电模式识别特征量提取方法研究与特征量相关性分析》文中研究表明电气绝缘在高压电力设备中起着极其重要的作用，绝缘系统的状况直接决定着电力主设备运行的可靠性。局部放电是导致绝缘劣化的重要因素，在线监测局部放电信号并识别放电类型，能够及时发现绝缘内部缺陷及放电发展程度，防止事故发生。因此，对局部放电模式识别的研究具有非常重要的工程应用价值和学术意义。为此，本文作者在国内外现有工作的基础上，通过大量的实验室局部放电实验，研究了局部放电模式识别特征量的提取方法及特征量间的相关性。对特征量的提取方法及特征量间的相关性进行综合分析比较的结果，为局部放电模式识别特征量的提取提供了一定的依据。本文的主要工作和结论如下：制作了电晕放电模型、气隙放电模型、沿面放电模型和相应电极，在实验室中模拟空气中电晕放电、油中电晕放电、固体绝缘内气隙放电、空气中沿面放电和油中沿面放电这五种绝缘缺陷。在双层屏蔽室中对五种绝缘缺陷模型进行了大量的实验室实验，获取了大量有价值的放电样本数据。本文采用四种方法对实验获取的局部放电样本提取了局部放电的特征量，主要提取了局部放电的叁维谱图表列数据、统计特征、分形特征和局部放电灰度图象的矩特征这四种特征量。选用BP人工神经网络作为模式识别分类器，对提取的四种特征量分别进行识别。识别结果表明矩特征和叁维谱图表列数据有较好的识别效果；统计算子和分形特征提取的特征维数较少，但识别率较前者低。本文对提取的统计特征、分形特征、矩特征之间的相关性进行了分析。对于统计特征和分形特征的相关性分析表明：特征量之间的相关性很弱，可以继续增加一些有效的特征量，以提高分类识别率；对矩特征量的相关性分析表明：五个四阶矩,中的之间的相关性很强，可以去掉这四个特征，仅保留一个四阶矩，BP人工神经网络识别结果表明分类识别能力并没有下降,但由于特征的数目减少了，分类识别时间缩短，同时，识别系统的复杂度也降低了。
尚海昆[2]2014年在《电力变压器局部放电信号的特征提取与模式识别方法研究》文中认为电力变压器是电力系统中的关键设备,维护其安全稳定的运行至关重要。局部放电是变压器绝缘劣化的重要征兆及表现形式,有效检测局部放电对于正确评估变压器的绝缘状况具有重要的现实意义。本文基于变压器局部放电的原理及特性,深入研究了局部放电信号的干扰抑制、特征提取以及模式识别方法。主要研究工作如下：提出了基于平移不变小波迹的变压器局部放电信号消噪方法。深入分析了小波迹方法的消噪原理,将其应用于局部放电信号去噪,并利用循环平移方法消除小波基的平移依赖性,抑制小波变换产生的振荡现象,强化消噪效果。仿真及现场信号分析验证了该方法的有效性。针对传统局部放电特征提取方法对噪声信号的高敏感性,提出了基于交叉小波变换的局部放电特征提取方法。研究了交叉小波变换对信号在时频域内的分析特性,采用该方法对局部放电信号进行处理,得到描述交叉谱图特性的放电特征参数,并利用相关系数矩阵对特征参数进行相关性分析。实例分析表明,该特征提取方法可以有效避免噪声信号的影响。提出了基于主动学习SVM的局部放电模式识别方法。将主动学习的思想引用到“一对一”多分类SVM分类器,选用基于后验概率的采样函数对放电样本进行选择,挑选出对分类器最有价值的样本进行训练。实例分析表明,在保证局部放电识别精度的前提下,该方法可以减少训练样本个数,提高样本学习效率。深入分析了主成分分析(PCA)方法的原理,利用PCA对局部放电的高维统计特征参数进行处理,提取出较少的主成分因子来表征原始信号特征,并通过相关向量机(RVM)对降维前后的特征参数进行模式识别。实例分析验证了该降维方法的有效性。提出了基于多核多分类相关向量机(MMRVM)的局部放电模式识别方法。该方法采用不同的核函数融合多个不同的放电数据源信息,并利用粒子群优化算法对组合核参数进行寻优配置,选取出最优的核参数。局部放电实验数据分析表明,设计出的MMRVM分类模型融合了多种放电特征信息,能够较为全面的描述局部放电特性,具有较高的诊断准确率。
徐伟庭[3]2018年在《配电设备局部放电在线检测技术研究与实现》文中研究指明随着电网规模日益扩大,配电设备传统的定期离线检修模式已经无法满足日渐提高的用电可靠性需求。局部放电作为一种电气设备长期运行后绝缘损坏的早期现象,是用于判断设备绝缘状态的重要依据。本文在对配电设备局部放电在线检测方法深入研究的基础上,设计了一款多功能便携式局部放电在线检测仪器,其多通道信号采集功能能够满足不同配电设备在线检测需求;多样化数据分析为用户提供更全面、更具体的参考信息;其搭载的BP神经网络识别放电类型功能则对降低专家识别成本、提高识别准确率有着重要意义。首先,对局部放电在线检测和模式识别的研究背景和现状进行了阐述,说明了当前大部分局部放电检测仪器在实现模式识别方面的空缺和不足,并指出了现有的局部放电模式识别研究成果应用于在线检测领域的局限性,提出结合模式识别技术的便携式多功能局部放电在线检测仪器的设计需求。接着,对配电设备主流的局部放电在线检测方法进行分析和对比,在此基础上确定了所设计仪器的局部放电信号采集手段,明确了仪器的TEV、超声、高频电流检测方法“叁合一”的目标功能。再次,对各局部放电信号的传感器原理和选型进行研究,并设计相应的信号调理电路。基于目前主流的便携式局放在线检测仪器的功能和结构,完成了包括电源管理、存储器元件、通信接口和各种外设的硬件电路设计和调试。在Xilinx公司推出的ZYNQ嵌入式系统平台上完成了FPGA逻辑电路和处理器系统的设计开发,实现了信号强度、脉冲数量、脉冲波形、PRPD谱图的实时显示和保存、声音回放等功能。最后,对局部放电信号的特征量提取和模式识别技术进行了研究,以简单化、实时性为设计目标,将简化的低维数混合特征量作为输入的BP神经网络移植到检测仪器上,实现了对局部放电类型快速、实时的智能分类,识别准确率相对较高,验证了该算法运用到局部放电在线检测中的有效性和合理性。
汪德才[4]2011年在《小样本PD信号支持向量机模式识别方法》文中研究说明高压电器的故障缺陷与局部放电相互之间联系紧密,可以通过局部放电的研究实现对高压电器的状态监测和故障诊断,因此小样本的局部放电模式识别技术研究具有实际意义。在阅读了大量高压电器故障诊断文献的基础上,根据高压电器在制造、运输、安装和运行过程中出现的各类缺陷制作了七类局部放电缺陷模型,采集局部放电信号,并用小波消噪;用特征量提取方法提取了局部放电信号的统计特征参数、分形维数、威布尔参数和脉冲波形的时间参数共十个特征量作为分类器的输入特征量。设计模式识别分类器时,针对小样本局部放电模式识别,分析了核函数对识别性能的影响,选择径向基函数为核函数。采用网格参数寻优方法寻找核函数的参数和支持向量机的惩罚参数;在分类训练时,对提取的特征量进行四种组合,识别结果表明统计参数要优于其它特征量组合;局部放电信号归一化后的识别率低于非归一化的情况,因此小样本局部放电分类时信号不宜归一化处理;对特征量选择分析后,剔除了相关性较强和类间距离较小的特征量,识别结果表明特征选择分析后的识别结果没有明显的提高,但减少了特征个数,节省了计算时间,所以对特征量进行特征选择分析合理;将支持向量机和BP神经网络分类器的识别结果进行比较,在信号未归一化的四种特征组合和特征量进行特征选择分析后叁种特征组合两种情况下,识别结果表明支持向量机的识别率都高于BP神经网络的识别结果。
律方成, 金虎, 王子建, 张波[5]2015年在《基于主成分分析和多分类相关向量机的GIS局部放电模式识别》文中研究表明GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM叁种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。
鲁大勇, 李鹏飞, 荐波涛[6]2016年在《绝缘局部放电特征量提取与模式识别研究》文中指出针对高压设备出现的绝缘缺陷及局部放电特点,为提高电缆模拟缺陷的识别率,设计了叁种典型的绝缘缺陷物理模型,并采用统计和经验模态分解与奇异值分解相结合两种不同的特征量提取方法进行缺陷类型辨识,最后采用支持向量机进行模式识别。实验结果表明两种特征量的识别效果均良好,且奇异值分解特征量相对统计特征量识别效率高、识别时间短,表现出了更为良好的识别特性。
尚海昆, 苑津莎, 王瑜, 靳松[7]2014年在《基于交叉小波变换和相关系数矩阵的局部放电特征提取》文中提出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。
胡伟宣[8]2007年在《可编程器件在局部放电在线监测系统中的应用研究》文中研究说明局部放电(Partial Discharge,PD)在线监测可有效地对电力设备运行状态进行监控,为故障预诊断、定位提供可靠的参考数据,是目前电力设备状态维修领域的研究热点。然而传统的局部放电在线监测方案中仍然存在两大缺点:1、传统方案均由数据采集、预处理、远程传输、后期处理环节构成,设备复杂,实时性不高;2、局部放电信号的采集速率高,带来海量数据,给传统的现场嵌入式设备的处理、存储、传输带来极大压力。针对传统方案的缺点,本文提出了基于FPGA的局部放电在线监测系统新方案,该方案集去噪压缩、模式识别功能于一身,减少了数据远程传输、后期处理环节,因而减少了设备的复杂程度,同时增加了系统的实时性。本文对基于FPGA的局部放电在线监测新方案的研究过程中,主要工作包括了以下几方面:1、研究小波包软阈值算法对PD信号进行去噪与压缩的实现:提出采用相关性分析确定最佳的小波包分解深度;仿真表明,该算法能较好实现PD信号的去噪、数据压缩。2、研究小波包变换在FPGA上的实现:提出基于DSP Builder平台的FPGA系统级设计方案;提出了一种基于文本读写的仿真方法用于系统的测试;仿真表明该FPGA系统极大提高了小波包变换的实时性,且精度较高。3、研究遗传算法(Gene Algorithm, GA)实现局部放电信号特征量最优组合的提取:综合考虑识别率和现场设备的限制,提出新的特征选取准则,为GA的优化工作开辟道路,仿真表明GA所选的组合识别率最高、误差量最小。4、研究RBF神经网络在PD信号模式识别上的应用以及RBF网络在FPGA上实现的设计:优化RBF网络算法与参数,提高识别率;研究了以前馈环节、后馈环节、修正环节为循环的RBF网络硬件结构,研究了叁大环节中的各个算子的设计,仿真表明整合前馈环节后实现的RBF离线学习网络能正确识别局部放电的类型。本文提出的基于FPGA的局部放电在线监测方案,可很好克服传统方案中的缺陷,具有工程应用价值。而本文研究涉及的基于FPGA小波包变换系统、局部放电特征量最优的最优组合的研究以及基于FPGA的RBF网络的实现在高速数据处理领域、模式识别领域也有一定实际学术意义和工程应用价值。
林俊亦[9]2013年在《组合电器局部放电统计特征优化与类型识别研究》文中指出气体绝缘组合电器(Gas Insulated Switchgear,简称GIS)由于其安全运行可靠性高、积木式设计占地面积小、电磁污染低等优点，已在城市供电的封闭式变电站中得到广泛应用。然而，由于结构、安装、运输等原因，GIS中不可避免地存在各类绝缘缺陷，致使实际运行时产生局部放电(Partial Discharge，简称PD)，并随长期运行而不断加剧，进而对设备绝缘产生破坏，危害电网的运行安全。因此，对GIS内部PD进行在线监测与故障类型识别一直是本领域研究的热点。本论文在分析国内外PD类型识别研究状况的基础上，深入研究了不同绝缘缺陷下PD信号统计特征，并提出了一种适用于GIS设备PD类型识别的支持向量数据描述方法（Support Vector Data Description，简称SVDD）。主要研究工作和成果有：①利用实验室已研制的超高频检测系统，获取各级放电强度下的PD数据，构建不同绝缘缺陷模型下PD信号的φ-u-n叁维谱图及其对应的φ-u、φ-n二维谱图。结果表明：不同类型PD的谱图形状差异较明显，同类型PD的谱图特征在不同电压等级下基本保持不变。对二维谱图获取13个统计特征，为PD类型识别研究奠定基础。②提出采用核主成分分析(Kernel Principle ComponetAnalysis，简称KPCA)算法提取表征4种绝缘缺陷放电综合特点的特征子集TKPAC，借鉴最大相关最小冗余(Maximal Relevance Minimal Redundancy，简称mRMR)算法，从放电类型自身特点与相互差异的角度出发对原始统计特征进行择优降维，获取对应的不同特征参数，并结合两种算法构造了识别4种缺陷的最优特征子集TBEST，有效的保留每类PD信号的特征并降低了统计特征的冗余度。③将SVDD引入到PD类型识别中，基于支持向量机(Support Vector Machine，简SVM)最大化“间隔”思想，提出一种用于GIS内部PD类型识别的优化半径支持向量数据描述算法(Optimal Radius SVDD，简称OR-SVDD)，通过该算法所描述的优化边界对4类绝缘缺陷模型下的放电数据进行判别，解决了SVM漏分或错分问题，克服了SVDD分类裕度不足的缺点，同时采用“一对多”的原理，解决了难以实现多类缺陷分类的问题，提高了识别能力和应用价值。④分析不同特征获取方法对4种PD类型识别效果的影响，结果表明：TBEST在KPCA算法对原始统计特征降维的基础上考虑了每类缺陷放电的特点，识别效果最佳。分析不同分类器对4种PD类型识别效果的影响，证明了OR-SVDD算法识别效果优于SVM和SVDD，平均识别率可达到87.9%。结合对4类放电模型产生PD谱图的分析：验证了OR-SVDD算法的正确性和有效性。
颜梁钦[10]2012年在《电平扫描式超高频局部放电在线监测方法研究》文中进行了进一步梳理局部放电是电气设备绝缘故障的先兆，对电气设备的局部放电进行在线监测是状态检修的重要内容。本文在研究国内外局部放电在线监测技术、抗干扰技术和模式识别的基础上，设计出电平扫描式超高频在线监测系统，及配合该系统的抗干扰方法和模式识别方法。本文主要工作如下：针对工频电压作用下局部放电具有工频周期重复性的特征，研究出一种通过脉冲电平扫描比较和数据统计分析来获取放电信号特征的方法。该方法构造的超高频检测系统不依赖高速A/D采集卡实现局部放电φ-V、φ-n、φ-V-n谱图的获取。本文具体阐述电平扫描式超高频在线监测系统的基本原理和工作流程，并介绍适合该系统的抗干扰的方法。系统的扫描采集单元主要由高频放大滤波器、复杂可编程逻辑器件和高频比较器构成，它将信号就地数字化，并通过以太网将数据传至后台工控机进行数据处理。电平扫描式超高频系统具有数据量小，信号就地数字化，系统扩展性好，部件体积小等特征。根据上述特征，本文设计出分布式在线监测系统和便携式带电监测装置，并分析系统在工程运用上的优势。文中描述了系统的硬件构成，并重点介绍了微带天线和分形天线，其中微带天线为外置天线，分形天线为内置天线，并说明天线驻波比、方向图、增益等参数的含义。同时针对现场需要配置了多套多路选择开关及滤波放大电路。具体阐述电平扫描式超高频在线监测系统在实验室和现场的运行状况，研究表明系统能够长时间连续地采集超高频放电信号，实现对电力设备局部放电的在线监测。系统能提取超高频局部放电信号的特征参量，并绘制局部放电φ-V-n谱图。通过电平扫描式系统与传统系统提取的实验数据的比较，证实电平扫描式系统提取的特征量和绘制的放电谱图能放映局部放电信号的基本特征。评估系统运用于现场的状况，并总结系统实现的基本功能，给出系统安装于现场的示意图，并强调了安装位置的选择问题。本文采用GIS中的典型放电缺陷作为模式识别的对象，对采集数据的脉冲幅值进行归一化处理后绘制放电谱图，分析比较相位和幅值特征。计算每个模型的统计特征量，选取差异度大的特征量构造支持向量机的特征向量。最后在支持向量机算法和二叉树决策方案的配合下，成功将放电缺陷分类。
参考文献：
[1]. 局部放电模式识别特征量提取方法研究与特征量相关性分析[D]. 成小瑛. 重庆大学. 2003
[2]. 电力变压器局部放电信号的特征提取与模式识别方法研究[D]. 尚海昆. 华北电力大学. 2014
[3]. 配电设备局部放电在线检测技术研究与实现[D]. 徐伟庭. 东南大学. 2018
[4]. 小样本PD信号支持向量机模式识别方法[D]. 汪德才. 哈尔滨理工大学. 2011
[5]. 基于主成分分析和多分类相关向量机的GIS局部放电模式识别[J]. 律方成, 金虎, 王子建, 张波. 电工技术学报. 2015
[6]. 绝缘局部放电特征量提取与模式识别研究[J]. 鲁大勇, 李鹏飞, 荐波涛. 电气应用. 2016
[7]. 基于交叉小波变换和相关系数矩阵的局部放电特征提取[J]. 尚海昆, 苑津莎, 王瑜, 靳松. 电工技术学报. 2014
[8]. 可编程器件在局部放电在线监测系统中的应用研究[D]. 胡伟宣. 重庆大学. 2007
[9]. 组合电器局部放电统计特征优化与类型识别研究[D]. 林俊亦. 重庆大学. 2013
[10]. 电平扫描式超高频局部放电在线监测方法研究[D]. 颜梁钦. 重庆大学. 2012