基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类
发布时间：2018-07-23 14:46
【摘要】：为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。
[Abstract]:In order to extract the feature of PD signal effectively, a method of feature vector extraction based on variational mode decomposition (VMD) and multi-scale entropy (MSE) is proposed, and BP neural network classifier is used to identify the discharge type. The extraction process of eigenvector is firstly decomposing partial discharge signal by VMD decomposition algorithm to obtain several inherent modal components of finite bandwidth, then calculating the MSE of the modal component obtained by decomposition and combining it to get the initial eigenvector. Finally, the principal component analysis (PCA) is used to reduce the dimension of the initial eigenvector. This method is used to extract and identify the characteristics of four discharge signals and corona discharge with different discharge degrees in laboratory. The results show that this method can effectively extract the characteristics of discharge signals, and it can correctly identify different discharge types and different discharge levels under the same discharge type.
【作者单位】： 新能源电力系统国家重点实验室(华北电力大学);
【基金】：国家电网公司科技项目资助
【分类号】：TM855
本文编号：2139734
[Abstract]:In order to extract the feature of PD signal effectively, a method of feature vector extraction based on variational mode decomposition (VMD) and multi-scale entropy (MSE) is proposed, and BP neural network classifier is used to identify the discharge type. The extraction process of eigenvector is firstly decomposing partial discharge signal by VMD decomposition algorithm to obtain several inherent modal components of finite bandwidth, then calculating the MSE of the modal component obtained by decomposition and combining it to get the initial eigenvector. Finally, the principal component analysis (PCA) is used to reduce the dimension of the initial eigenvector. This method is used to extract and identify the characteristics of four discharge signals and corona discharge with different discharge degrees in laboratory. The results show that this method can effectively extract the characteristics of discharge signals, and it can correctly identify different discharge types and different discharge levels under the same discharge type.
【作者单位】： 新能源电力系统国家重点实验室(华北电力大学);
【基金】：国家电网公司科技项目资助
【分类号】：TM855
【相似文献】
相关期刊论文 前2条
1 郑近德;程军圣;胡思宇;;多尺度熵在转子故障诊断中的应用[J];振动.测试与诊断;2013年02期
2 ;[J];;年期
相关会议论文 前2条
1 李婵;张阳;张义军;;地闪“不规则”先导的多尺度熵特征研究[A];创新驱动发展 提高气象灾害防御能力——S11第十一届防雷减灾论坛[C];2013年
2 张涛;李雅堂;阎睿;杨卓;;基于多尺度的非线性动力学分析及其在神经系统中的应用[A];第八届全国动力学与控制学术会议论文集[C];2008年
相关硕士学位论文 前8条
1 龙玉涛;基于熵测度的移动条件下十二通道心电信号质量评估[D];山东大学;2015年
2 高中华;基于经验模态分解和多尺度熵的滚动轴承故障诊断研究[D];长春工业大学;2016年
3 刘晓婷;基于加速度的人体步态信息多尺度熵研究[D];天津大学;2008年
4 刘东海;基于多元多尺度熵的人体平衡系统研究[D];武汉理工大学;2013年
5 崔洁;基于改进多元多尺度熵的癫痫脑电信号自动分类[D];燕山大学;2014年
6 陈建萍;多尺度熵方法用于电子器件噪声分析[D];西安电子科技大学;2007年
7 裴建航;基于小波多尺度熵的导航传感器故障诊断技术研究[D];哈尔滨工程大学;2013年
8 范文会;多尺度熵法用于人体红外图像的腰椎病症研究[D];河北科技大学;2014年
，本文编号：2139734
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2139734.html
