李剑[1]2001年在《局部放电灰度图象识别特征提取与分形压缩方法的研究》文中研究指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象自动识别中的基本理论和实现方法：(1)从局部放电分形特征出发，研究了基本分形理论和具体分维数估计方法，首次提出了一种估计分维数的改进盒差维数法，并采用该方法估计出分形布朗运动图象和大量纹理图象的分维数，证明该方法具有较高的估计精确度，估计结果较好地反映出图象实际灰度分布情况，为研究提取局部放电分形特征方法打下了基础；(2)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；在对局部放电灰度图象识别进行了比较系统的研究基础上，首次提出了局部放电二阶广义维数和高值灰度图象分维数两种分形特征及提取方法，并研究了矩特征与相关统计特征计算方法，首次提出并研究了由叁种特征构成的识别特征集用于局部放电模式自动识别的方法；(3)研究了局部放电灰度图象的四叉树分形图象压缩方法，通过仿真实验证明采用本文算法能够获得一定的图象压缩比，在局部放电灰度图象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象的识别特征参数计算结果与原始图象之结果的差异程度，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)首次提出了基于上述局部放电灰度图象识别特征和分形压缩方法的局部放电模式远程自动识别方案，设计了反向传播算法前馈人工神经网络分类器，并研究了识别局部放电原始图象的效果，获得了较高的识别率，通过进一步分析对解码图象的识别效果，验证了所设计系统的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象压缩方法和人工神经网络分类器结合，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。
程丹[2]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》文中进行了进一步梳理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。
廖华[3]2008年在《GIS局部放电在线监测系统及核主分量模式识别研究》文中指出气体绝缘组合电器(Gas Insulated Switchgear,简称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。本文建立T型GIS实验模型,并利用时域有限差分(FDTD)法对模型内外进行仿真,研究了距离、角度、脉冲宽度、脉冲幅值对局部放电波形的影响,并研究了GIS内外电磁场分布及其对在线检测的影响。研制了工频触发电路和GIS局部放电超高频在线监测软件,构建了GIS局部放电超高频在线检测系统。系统包括信号采集与处理、频谱与复小波分析、缺陷类型模式识别、放电定位、监测数据查询和绝缘状况初步评估等功能。研制了基于文件系统管理和数据库管理的融合数据管理系统,实现了数据实时、快速存储及综合查询、管理功能,解决了对大量局部放电数据进行有效管理的问题。该系统在实验室和现场的实际应用中取得了良好的效果。采用双谱分析实现两路PD信号时间差定位算法,并采用LabVIEW开发了局部放电定位系统。系统快速同步采集两组局部放电波形,采集完之后进行自动时间差定位,实验室验证取得良好效果。利用微带天线传感器和高速局部放电采集系统获取了4种模拟GIS内部缺陷产生的局部放电样本,构建了GIS局部放电图谱及其灰度图像。提出了一种基于核主分量分析(KPCA)的PD模式识别方法,利用KPCA算法提取PD灰度图象特征,在保持原有样本模式的结构分布的同时提取了非线性的主分量特征,然后利用最小距离分类器进行分类识别。实验室研究表明,其识别率在80%左右,效果良好。
尚海昆[4]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》文中进行了进一步梳理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。
杜必强[5]2009年在《振动故障远程诊断中的分形压缩及分形诊断技术研究》文中认为振动故障诊断是目前机械设备维护管理的基本措施之一,而振动故障远程诊断可以充分利用异地专家的知识与经验来解决现场无法解决的复杂故障问题,从而大大提高诊断的专业化水平。研究先进的信息压缩技术以及故障诊断方法,对于提高远程故障诊断的信息传输效率和故障诊断准确性有着非常重要的现实意义。分形理论作为数学思想的新发展,可以用于刻画对象的自相似性和不规则性,在处理非线性系统时具有独特的优点,因而已经成为研究非线性现象的重要工具。本文在分析了信息压缩与故障诊断方法研究现状的基础上,阐述了分形理论基本原理,并将分型理论应用于数据压缩与故障诊断中。针对振动故障信号的特点,提出了相应的分形压缩及分形故障诊断算法,通过转子试验台模拟试验以及实际故障振动数据进行了算法的验证,分析了几种典型故障的维数谱特征,为振动故障远程诊断的实现奠定了基础。论文的主要工作包括:1.在对分形压缩的理论基础进行分析研究的基础上,提出了适用于振动信号压缩的分段自仿射模型及算法,分析了模型中相关参数的取值规律,仿真算例及实测信号分析结果表明:该算法具有较高的数据压缩比和很好的信号重构精度,验证了模型的有效性;2.在分析形态滤波器基本原理的基础上,针对振动信号中可能会夹杂的各类干扰,通过数值仿真和实例分析,详细分析研究了结构元素的形状、高度和宽度以及信号的采样频率对形态学滤波器滤波性能的影响,并根据实验数据得出了应用于振动信号处理的形态滤波器结构元素的设计策略;3.在分析关联维数算法的基础上,对重构相空间的参数选择以及无标度区的确定两个问题进行了探讨。在对振动信号相关积分双对数点列的分布规律进行分析的基础上,提出了分形无标度区的曲线-直线-曲线拟合自动识别方法以及一种能客观计算振动信号时间序列关联维数的改进算法,并就噪声对信号关联维数计算结果的影响进行了分析,将该算法应用于转子试验台振动信号中,计算及分析结果验证了算法的有效性,表明关联维数可以作为设备状态的量化指标和故障特征量以完成故障诊断;4.在分析多重分形的常见定义和一般算法的基础上,提出基于广义相关积分来计算多重分形谱的相关算法,该算法是单分形G-P关联维数算法在广义维数谱计算中的一种推广,并将该算法应用于实测振动信号中。计算及分析结果表明:与单一的关联维数相比,振动信号的多重分形谱对振动信号的特征表述更加全面和准确,可以敏感地反映设备运行状态的变化,从而为振动故障诊断提供了一种更有效的方法。
周沙[6]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》文中研究指明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。
参考文献：
[1]. 局部放电灰度图象识别特征提取与分形压缩方法的研究[D]. 李剑. 重庆大学. 2001
[2]. 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
[3]. GIS局部放电在线监测系统及核主分量模式识别研究[D]. 廖华. 重庆大学. 2008
[4]. 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
[5]. 振动故障远程诊断中的分形压缩及分形诊断技术研究[D]. 杜必强. 华北电力大学（河北）. 2009
[6]. 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