杨斌[1]2002年在《局部放电图像识别特征提取方法及应用研究》文中研究表明绝缘内部局部放电被广泛认为是导致电气设备绝缘劣化的重要因素，与高电压电气设备运行的安全性和可靠性具有密切联系。局部放电在线监测系统中的放电类型自动识别，能够及时发现绝缘内部局部缺陷及放电发展程度，防止事故发生。针对局部放电模式自动识别的需要，作者系统地研究了局部放电灰度图像自动识别中的基本理论和实现方法： (1)根据变压器局部放电在线监测的要求，设计了放电模型和实验方法，并通过模型实验获得了大量典型放电样本数据，为研究局部放电灰度图像和解码图像BPNN识别作好准备； (2)从局部放电分形特征出发，研究了采用改进差盒维数法(MDBC法)提取局部放电分形特征的方法，研究了局部放电灰度图像分维数、二阶广义维数和高值灰度图像分维数叁种分形特征及提取方法，通过对放电样本的分形特征参数计算，结果表明不同类型放电的分形特征具有一定的差异； (3)研究了局部放电灰度图像的统计特征。首先研究了局部放电灰度图像矩特征，利用矩特征描述局部放电灰度图像基本几何形状特征；其次研究了局部放电灰度图像的相关统计特征参数；通过对放电样本的统计特征参数计算，结果表明不同类型放电的统计特征具有一定的差异； (4)设计了反向传播算法前馈人工神经网络分类器(Back Propagation Neural Network，简称为BPNN)，研究了在采用上述识别特征和BPNN识别局部放电灰度图像的方法；识别结果表明，该方法能够有效地应用于局部放电模式自动识别，并获得了良好的识别效果。
李剑, 孙才新, 杜林, 崔雪梅, 李道武[2]2004年在《局部放电图像组合特征提取方法》文中提出研究了局部放电图像组合识别特征提取和反向传播算法神经网络分类器设计方法 ,根据变压器局部放电在线监测的要求 ,设计了 5种放电模型并进行了模拟实验。 5种放电模型数据识别结果说明 :与分别采用分形特征和统计特征的识别结果相比 ,采用两者组合的识别特征集具有更高的识别率
杨霁[3]2004年在《基于小波多尺度变换的局部放电去噪与识别方法研究》文中研究说明由于绝缘内部的局部放电是导致电气设备绝缘劣化的重要因素，而且放电模式与内部缺陷类型具有紧密的联系，因此，局部放电在线监测与模式识别技术是及时发现放电性故障并诊断出绝缘内部局部缺陷的重要手段，对于防止高压电气设备事故发生，提高高压电气设备运行的安全性和可靠性具有重要的意义。本文在分析国内外电力变压器局部放电在线监测与模式识别技术的基础上，系统地研究了抗干扰技术和图像分析中的小波多尺度变换的原理和方法，对局部放电监测中的小波去噪技术以及基于小波多尺度分析的局部放电图像识别技术进行了深入研究。本文主要研究内容如下： 1)系统地研究了小波多尺度分析的基本理论和具体算法，并对7种常用小波进行了对比分析；通过对Blocks和Doppler两种典型的仿真信号的小波多尺度分析，得到了信号的不同频率分量在小波分解各尺度上的分布规律；通过对Woman和Sinsin图像的小波多尺度分析，得到了各尺度上低频子图像和高频子图像的性质及特点，以及图像的位置信息和类别信息随尺度的变化规律。 2)在分析局部放电信号、白噪声的小波多尺度变换特性以及小波阈值去噪法原理，分析和总结Donoho提出的阈值估计及阈值处理方法的基础上，提出了一种应用于局部放电监测中去除白噪的自适应阈值选择方法：采用一种具有多阶导数的阈值函数，从而能够进行自适应迭代寻找到最优阈值。通过对Blocks、Bumps、Doppler、HeaviSin等四种典型仿真信号和仿真局部放电信号的去噪处理，证明该方法比软阈值法具有更有效的噪声抑制效果，同时具有较低的信号畸变率。 3)应用小波多尺度分析技术去除局部放电信号中白噪干扰的分析，发现了小波基的选取对去噪结果有很大的影响，并针对指数衰减型和衰减振荡型两种局部放电脉冲的特征，根据小波与局部放电脉冲波形相关性选取最佳小波基的原理，提出了一种新的最优小波基的自动选择算法；计算结果表明，在Daubechies小波系中，db2小波最适合于去除指数衰减型局部放电脉冲和衰减振荡型局部放电脉冲信号中白噪声。 4)通过周期性窄带干扰的小波多尺度分析以及对用小波阂值去噪法去除周期性窄带干扰效果的分析，发现小波阈值去噪法对去除周期性窄带干扰并不理想，提出采用自适应小波阈值法和二阶级联IIR格型陷波器的组合去噪方法，通过对仿真信号和变压器局部放电在线监测系统实测信号的分析表明，该方法对去除包含白噪声和窄带周期干扰的混合噪声具有良好的效果。 5)对设计的5种放电模型进行了大量实验，并根据测得的放电数据，设计了重庆大学博士学位论文局部放电灰度图像的构造方法和统一的数据文件格式;在对图像的小波多尺度分析方法基础上，提出了一种基于图像小波多尺度变换的局部放电图像识别方法。通过样本数据的识别计算和分析表明，分别采用局部放电图像的低频子图像、高频子图像、高低频子图像组合图像作相似度计算而得到识别结果不同，而且识别结果与图像的小波分解尺度有关;相比较而言，采用局部放电图像的低频子图像进行模式识别能够获得较高的识别正确率，而且对于本文中的5类放电样本，采用dbZ小波作4尺度小波分解的低频子图像进行识别时的识别正确率相对最高，其最低识别正确率高于90%。 以上研究表明，小波多尺度分析技术特有的时频特性与其他信号处理技术结合起来能有效、稳定地去除在线监测系统中混杂在局部放电信号中的各种干扰;同时小波多尺度分析在图像识别中的应用，提高了局部放电图像识别的能力，这些应用证明小波多尺度分析在局部放电监测中具有广阔的应用前景。关键词:局部放电，小波多尺度分析，最优小波，自适应阐值法，图像识别
魏钢[4]2013年在《高压交联聚乙烯电力电缆接头绝缘缺陷检测及识别研究》文中认为电力电缆线路是城市电网中重要的组成部分，其安全可靠稳定运行对于城市电网具有重要意义。据统计，全国已投入运行的110kV及以上的高压电缆线路已经超过8000公里，最高电压等级已达500kV。高压电缆断面是电缆线路的薄弱环节，电缆接头和终端中绝缘屏蔽断口处电应力相对集中容易发生故障。电缆接头采用封闭式绝缘结构且一般在现场完成组装密封，相比本体和户外终端，绝缘安全裕度偏小，另外，电缆接头现场施工质量要求高，如施工工艺不良或密封措施不到位，那么在地下潮湿恶劣运行环境中极易造成绝缘性能劣化，因此电缆接头成为电缆线路最易发生绝缘故障的薄弱点。运行经验和研究均表明：电缆局部放电量与其绝缘状况密切相关，局部放电量的变化预示着绝缘一定存在着可能危及电缆安全运行寿命的缺陷，局部放电测量能很好的反映高压电力电缆及其接头的运行状况，及时发现故障隐患，保障电力电缆线路安全可靠运行，具有重大的经济和社会效益。国内、外专家学者、IEC、IEEE以及CIGRE等国际电力权威机构一致推荐局部放电试验是作为交联聚乙烯电力电缆绝缘状况评价的最佳方法。本文在对国内外交联聚乙烯电力电缆及其接头中局部放电信号检测研究的基础上，详细分析了各种检测和模式识别技术，将局部放电在交联聚乙烯电力电缆及接头中的传播衰变特性、局部放电检测技术和特征提取及识别技术作为本论文研究的重点，取得的主要成果有：①通过对介电弛豫理论的研究，深入分析交联聚乙烯电力电缆半导电层的介电特性，获得了可用于工程实际计算的半导电层复介电常数的修正公式。根据Davidson-Cole方程拟合出半导电层的复介电常数，将该常数代入阻抗分布参数加权比的传输线简化模型中进行理论计算，采用FDTD法对电缆及接头局部放电的传播特性开展仿真研究，为交联聚乙烯高压电力电缆接头局部放电检测试验及故障诊断提供理论和技术支持。同时，根据电缆接头常见绝缘故障形成原因构建了四种典型缺陷模型。②设计了符合高压电缆及接头结构特征的局部放电检测传感器。通过建立电路及天线模型，采用传递函数推导、阻抗特性计算、方波响应等方法系统全面的分析了传感器的频响特性和输出特性，对传感器各项电气和物理参数进行了优化。③主要采用电容传感器构成的电力电缆局部放电检测系统在110kV电缆接头试验平台上对研制的四种典型接头缺陷进行检测，获得大量试验数据并构建出电缆接头局部放电q n谱图及其灰度图像。④提出基于提升小波变换的局部放电一维特征量的提取方法。该方法基于Birge-Massart策略对提升小波变换系数矩阵进行降维，通过奇异值分解运算获取故障识别的特征向量，在保留有效特征的情况下，减少识别维数，降低噪声，缩短识别时间。⑤提出基于(2D)2MMC+LDA框架算法的电缆接头局部放电特征提取方法。该方法既基于图像行或列去判别向量，从而实现挖掘图像的局部特征；又基于整幅图像去找判别向量，考虑了全局特征。不仅可以解决维数危机，消除类内散度矩阵的奇异性，而且能最大限度的保持原有样本模式的结构分布，有效减少样本训练时间，提高了模式识别的精度，并且可以实现参数的自动选择。
曾敏[5]2008年在《基于小波技术的局部放电图像模式识别的研究》文中研究说明局部放电在线监测与模式识别技术是及时发现变压器内部局部缺陷和故障隐患的重要手段。目前,局部放电模式识别的研究内容主要有放电特征量和模式分类器等。本文在国内外现有工作的基础上,通过实验室局部放电实验数据,系统地研究了局部放电图像的小波多尺度变换和基于遗传算法优化的小波神经网络,在提取小波多尺度变换后的各子图特征基础上,通过本文建立的模式识别分类器进行了识别。本文的主要内容有:①用五种变压器放电模型,实验获得了局部放电的样本数据,构造出局部放电叁维谱图和灰度图像。在小波多尺度变换的基本理论和具体算法基础上,对Sinsin信号和局部放电谱图进行了小波多尺度分析,得到了各尺度子图像的能量分布特点。②对局部放电原始图像和叁尺度变换后的各子图像提取了分形特征参数和矩特征参数构成的特征集,并选用BP神经网络作为模式识别分类器,对各图像特征集进行模式识别。识别结果表明,在这种特征集提取下,垂直方向高频子图像LH3的识别效果好于原始图像和其他子图像。③构造小波神经网络对原始图像和所有子图像进行识别,小波神经网络在收敛速度和识别结果上都好于BP神经网络。再结合遗传算法的思想,提出了先对小波神经网络的各项参数和网络隐含层节点数优化,再进入神经网络进行训练的方法。识别结果表明,优化后的神经网络收敛速度更快,且部分子图像的识别效果可达90%以上。
杨舟[6]2017年在《基于ARM的断路器局部放电在线监测系统研究》文中研究表明高压断路器是电网中不可或缺的线路开断控制设备,随着我国电力系统的电网规模的不断扩大、电力负荷的不断提高,高压断路器运行的可靠性直接关系到电网的安全稳定运行。高压断路器在大气环境下工作,在长期的电、热、机械应力和外界环境因素的作用下,其绝缘介质绝缘性能会逐步的区域性劣化下降,最终发展导致断路器的击穿损坏。区域性绝缘性能劣化导致局部空气分子被电离,就会导致局部放电的发生,通过检测局部放电量对及时发现绝缘缺陷和预防事故发生具有重要的理论意义和工程价值。目前对局部放电的检测依赖于断路器出厂检测和电网定期巡检,这两种检测都是在离线周期性检测,对局部放电的发展无法做到实时掌握,在未来智能电网的发展需要对局部放电进行在线监测,传统的局部放电检测方法由于自身的限制无法满足在线监测需求,研究能够适用于在线监测的方法及开发局部放电的定位识别系统对智能电网的发展重要意义。本文通过相关的理论分析、试验研究及仿真,在如下几个方面完成了研究工作:1.分析了紫外成像原理和特性,相比局部放电传统检测方法的优势,研究其用于在线监测的可能性2.研究紫外图像光斑参数和局部放电信号的量化关系,分析通过图像处理技术用于图像光斑参数提取3.分析了利用BP神经网络用于紫外图像识别进而对局部放电的识别4.开发了一套基于ARM嵌入式系统的紫外图像在线监测系统,该系统是一套包含图像采集、图像传输、图像处理、图像识别、信息管理的完整在线监测系统
张晓星[7]2006年在《组合电器局部放电非线性鉴别特征提取与模式识别方法研究》文中提出气体绝缘组合电器(Gas Insulated Substation,简称GIS)具有占地面积小、运行安全可靠、维护工作量少、检修周期长等突出优点,在城市电网建设和改造中得到广泛应用。运行经验表明,与敞开式变电站相比,尽管GIS的运行可靠性高,但其内部不可避免的缺陷仍可能引起事故,而且在GIS各类故障中,绝缘故障占有较大比例。GIS电气故障最通常的故障特征是在绝缘完全击穿前发生局部放电(PD),通过对GIS局部放电的在线监测,可以及时发现GIS内存在的缺陷,避免重大事故的发生。因此,深入研究GIS局部放电检测及其模式识别的方法,对于保证GIS的安全可靠运行、诊断GIS的绝缘状况和缺陷类型特征以及指导GIS的检修工作有着十分重要的意义。本文在分析国内外GIS局部放电检测及其模式识别研究成果基础上,对适用于GIS局部放电现场检测的外置传感方法进行了深入研究,在PD模式识别中引入了Fisher鉴别分析及其推广算法,丰富了局部放电模式识别中有关特征提取的理论及方法。取得的主要成果有:(1)对GIS局部放电信号的外置传感检测技术进行了深入研究,研制成功了适用于GIS现场监测微带贴片天线传感器,其中:采用选择天线基板材料、厚度和形状、附加阻抗匹配网络等方法使微带天线频带展宽,达到了宽频带天线范围:工作频带340～440MHz、中心频率390 MHz,相对带宽25.6%,实测增益达到了5.38dB;在结构上,对MPA天线背面和部分侧面采用金属材料屏蔽封装设计,提高了MPA天线的抗干扰能力。(2)根据GIS中PD信号特征研制出了模拟内部缺陷的4种单一缺陷和3种混合缺陷物理模型,在实验室里采用微带天线传感器和高速局部放电采集系统获得了这7种绝缘缺陷产生局部放电的大量样本,构建出GIS局部放电? ? q ? n谱图及其灰度图像。(3)通过对Foley-Sammon最佳鉴别变换算法和统计不相关鉴别矢量集算法的深入研究,提出了一种局部放电叁维谱图的主分量分析-Fisher线性鉴别(PCA- SUODV)方法:其PCA算法将数据从超高维空间降至低维空间,在解决维数危机的同时,消除类内散度矩阵的奇异性,并且最大限度的保持了原有样本模式的结构分布;SUODV提取统计不相关的特征量集,消除了特征分量之间的相关性,从而有效地提高了PD模式识别的精度。(4)提出了一种基于核的统计不相关鉴别矢量集(KSUODV)的PD模式识别方
尚海昆[8]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》文中提出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。
周沙[9]2016年在《基于概率神经网络的变压器局部放电模式识别研究》文中认为电力是现代社会经济发展的命脉,近几年在世界各地连续发生了灾难性的停电事故,这些事故大多是由于电力系统出现故障导致的。变压器是电力系统的枢纽,它的运行状态直接关系到整个电力系统能否稳定可靠运行。国际大电网会议(CIGRE)报告指出,高压电器故障中绝缘故障占了51%,长时间的局部放电是造成绝缘故障的主要原因。为了避免绝缘故障产生,需要对变压器进行局部放电检测,及时评估绝缘劣化程度,保证变压器安全可靠运行。变压器局部放电模式识别是局部放电检测的核心环节,能够帮助工程技术人员快速识别局部放电类型,确定检修方案。因此,将变压器局部放电模式识别作为研究对象,具有较大的理论价值和实际意义。本文研究内容如下。(1)本文基于局部放电脉冲电流法搭建实验平台,使用PCI-9814高速数据采集卡以及LabVIEW软件设计信号采集系统,然后采集变压器内部四种典型局部放电模型的放电信号。将多次实验采集到的数据按照局部放电相位分布模式绘制成叁维谱图,然后映射到二维平面生成灰度图。因为矩特征能够反映像素点的分布情况,所以提取灰度图矩特征作为模式识别器输入特征量。(2)局部放电检测过程对实时性要求高,且检测信号易受随机噪声干扰,导致错误样本较多。针对以上缺陷,本文提出一种基于概率神经网络的变压器局部放电模式识别器,概率神经网络样本追加能力强、容错性较高、训练速度快。为了验证所提识别器识别性能,将所提识别器与常用的反向传播神经网络,极限学习机、朴素贝叶斯识别器进行对比。仿真结果表明,与其他叁种识别器相比,所提识别器准确率更高。(3)概率神经网络平滑因子对识别效果影响较大,目前此因子多采用经验值,需要繁杂的计算及实验才能获得。针对这一问题,本文通过使用具有全局搜索能力的遗传算法优化平滑因子,仿真结果表明,通过优化平滑因子,概率神经网络识别效果有较大提升。
程丹[10]2002年在《局部放电灰度图像模式识别与分形压缩方法应用研究》文中研究说明绝缘内部局部放电被广泛认为是导致电气设备绝缘劣化的重要因素，与高电压电气设备运行的安全性和可靠性具有密切联系。局部放电在线监测系统中的放电类型自动识别，能够及时发现绝缘内部局部缺陷及放电发展程度，防止事故发生。针对局部放电模式自动识别的需要，作者系统地研究了局部放电灰度图像自动识别中的基本理论和实现方法： (1)根据变压器局部放电在线监测的要求，设计了放电模型和实验方法，并通过模型实验获得了大量放电样本数据，为构造局部放电灰度图像和采用BPNN进行识别作好准备； (2)研究了局部放电灰度图像的构造方法以及降维构造32×32灰度和矩阵的方法；在用人工神经网络对局部放电进行模式识别时，分析了BP网络的优缺点，对典型BP网络的结构和学习训练算法提出了改进，采用带有偏差单元的递归神经网络作为模式分类器；采用32×32灰度和矩阵进行BPNN识别结果表明这种方法是有效的。 (3)研究了局部放电灰度图像的四叉树分形图像压缩方法，通过仿真实验证明采用本文算法能够获得一定的图像压缩比，在局部放电灰度图像压缩应用中显示了良好的压缩效果，进一步研究了局部放电解码图像的识别结果与原始图像之结果的差异程度，研究结果初步表明该方法应用于局部放电模式自动识别系统中是有效的； (4)研究了基于局部放电解码图像的BPNN识别方法及，通过分析对解码图像的识别效果，验证了设计的系统模式识别方案的有效性，同时表明该方案能够满足实地局部放电模式自动识别和远程数据通讯及自动识别的需要。 以上研究表明，提出的局部放电识别特征集与分形图像压缩方法，能够有效地应用于局部放电模式自动识别，并获得了良好的识别效果。
参考文献：
[1]. 局部放电图像识别特征提取方法及应用研究[D]. 杨斌. 重庆大学. 2002
[2]. 局部放电图像组合特征提取方法[J]. 李剑, 孙才新, 杜林, 崔雪梅, 李道武. 高电压技术. 2004
[3]. 基于小波多尺度变换的局部放电去噪与识别方法研究[D]. 杨霁. 重庆大学. 2004
[4]. 高压交联聚乙烯电力电缆接头绝缘缺陷检测及识别研究[D]. 魏钢. 重庆大学. 2013
[5]. 基于小波技术的局部放电图像模式识别的研究[D]. 曾敏. 重庆大学. 2008
[6]. 基于ARM的断路器局部放电在线监测系统研究[D]. 杨舟. 东南大学. 2017
[7]. 组合电器局部放电非线性鉴别特征提取与模式识别方法研究[D]. 张晓星. 重庆大学. 2006
[8]. 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
[9]. 基于概率神经网络的变压器局部放电模式识别研究[D]. 周沙. 江苏大学. 2016
[10]. 局部放电灰度图像模式识别与分形压缩方法应用研究[D]. 程丹. 重庆大学. 2002
标签：电力工业论文; 变压器论文; 特征提取论文; 图像识别论文; 灰度图像论文; 局部放电论文; 神经网络模型论文; 图像融合论文; 小波去噪论文; 绝缘接头论文; 人工智能论文;