基于Spark框架的电气设备局部放电模式识别的并行化实现

发布时间：2021-04-23 20:48

　　局部放电与电气设备的绝缘材料状态紧密相连。每种局部放电产生的原因和产生的位置都各有不同,对设备的损害水平也各不一样。因此,高效地识别局部放电类型对电气设备检修人员确定放电位置,规划检修任务有着重要的意义。本文在分析局部放电波形信号的特征上主要研究了局部放电信号的特征提取及分类识别方法,并采用分布式技术,实现并行算法对数据进行处理,主要工作内容如下:提出了一种基于聚合经验模态分解和多尺度样本熵的特征提取方法。利用聚合经验模态分解算法对四种局部放电信号进行处理,分解出不同频段下的固有模态分量,并通过优选得到降维后的5个固有模态分量。然后对这几个固有模态分量求取相应的多尺度样本熵,从而得到原有样本数据的特征向量。最后做为支持向量机的输入实现局部放电信号的分类。通过实验可知该方法提取出的特征能够有效的表征局部放电信号,并且具有较高的识别率,稳定性强。对支持向量机算法进行深入研究,针对电网大数据样本,提出基于Spark并行框架进行分类识别。首先提出基于层叠式的向量机模型,通过对数据集的划分,采用分而治之的思想,分别训练子支持向量机模型,然后拼凑为最终的分类机器模型,完成整个分类识别的并行化,提高... 

【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 论文的研究背景及意义
    1.2 局部放电研究现状
        1.2.1 局部放电特征提取研究
        1.2.2 局部放电模式识别方法
    1.3 大数据处理技术在电力行业研究现状
    1.4 论文研究内容
第2章 相关技术
    2.1 大数据处理技术
        2.1.1 Spark概述
        2.1.2 其他并行计算技术
    2.2 弹性分布式数据集
        2.2.1 RDD创建
        2.2.2 RDD操作
        2.2.3 容错机制
        2.2.4 RDD依赖关系
    2.3 SPARK应用执行过程
    2.4 性能优化
    2.5 本章小结
第3章 特征提取设计与实现
    3.1 引言
    3.2 PD信号EEMD分解
        3.2.1 EMD原理
        3.2.2 信号EEMD分解
    3.3 多尺度样本熵
        3.3.1 样本熵
        3.3.2 多尺度样本熵
    3.4 特征提取方法
    3.5 实验结果分析
        3.5.1 信号EEMD分解
        3.5.2 多尺度样本熵特征提取
        3.5.3 分类结果
    3.6 本章小结
第4章 基于SPARK的 SVM多分类设计
    4.1 支持向量机
    4.2 基于SPARK的 SVM算法并行研究
        4.2.1 层叠式支持向量机
        4.2.2 基于Spark的层叠支持向量机并行化
    4.3 SVM多分类
        4.3.1 构造多分类支持向量机方法
        4.3.2 基于决策树多分类支持向量机
    4.4 基于SPARK的并行SVM多分类器构造
        4.4.1 基于Spark一对多分类器构造
        4.4.2 基于Spark一对一分类器构造
    4.5 本章小结
第5章 实例测试及分析
    5.1 实验环境搭建
    5.2 数据样本的并行特征提取
        5.2.1 EEMD算法的并行性分析
        5.2.2 并行EEMD算法
    5.3 基于SPARK的支持向量机算法
        5.3.1 SVM并行实验
        5.3.2 基于Spark的 SVM局部放电故障诊断
    5.4 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
参考文献
攻读硕士学位期间发表的论文及参加科研情况
致谢


【参考文献】：
期刊论文
[1]基于互联网+、大数据、人工智能方面的风力发电技术探讨[J]. 薛莹.  南方农机. 2018(13)
[2]泄漏电流数据的Spark-KNN并行模式识别方法[J]. 李莉,朱永利,宋亚奇.  系统仿真学报. 2018(04)
[3]小波包系数能量百分比在局部放电模式识别中的应用研究[J]. 吴炬卓,牛海清,许佳.  电器与能效管理技术. 2017(08)
[4]基于Spark平台和多变量L2-Boosting回归模型的分布式能源系统短期负荷预测[J]. 马天男,牛东晓,黄雅莉,杜振东.  电网技术. 2016(06)
[5]基于大数据技术的电网故障智能诊断方法[J]. 于磊,王双,韩宇龙,王守琴,马富.  中国科技信息. 2016(02)
[6]基于Spark和IPPSOLSSVM的短期分布式电力负荷预测算法[J]. 王保义,王冬阳,张少敏.  电力自动化设备. 2016(01)
[7]统计特征参数及多分类SVM的局部放电类型识别[J]. 褚鑫,张建文,韩刚.  电测与仪表. 2015(07)
[8]电力用户侧大数据分析与并行负荷预测[J]. 王德文,孙志伟.  中国电机工程学报. 2015(03)
[9]海量数据下的电力负荷短期预测[J]. 张素香,赵丙镇,王风雨,张东.  中国电机工程学报. 2015(01)
[10]基于LSSVM概率输出与证据理论融合的变压器故障诊断[J]. 朱克东,郑建勇,梅军,梅飞.  河海大学学报(自然科学版). 2014(05)

硕士论文
[1]基于云计算的负荷建模精确数据获取[D]. 吴大鹏.山东大学 2017
[2]基于组态组件的铁道电力监控信息HBase云存储研究[D]. 李立帆.华东交通大学 2016
[3]基于改进人工鱼群-RBF神经网络的电力变压器故障诊断研究[D]. 要航.广西大学 2016
[4]基于模糊ART神经网络的变压器局部放电模式识别研究[D]. 王家炜.西华大学 2013
[5]基于小波与分形理论的局部放电类型识别[D]. 魏国忠.天津大学 2006



本文编号：3156016