基于S变换和概率神经网络的局部放电特征提取及放电识别方法

发布时间：2022-02-11 13:16

　　为快速准确地识别出局部放电信号类型,保障设备安全运行具有重大的意义,本文提出了一种基于S变换和概率神经网络的局部放电特征提取及放电识别方法。首先,将局部放电信号使用S变换得到时频图和时频矩阵A;然后联合S变换时频图与谱峭度算法,从矩阵A中截取局部放电主要特征所在的时频矩阵B,在降低矩阵维数的同时去除白噪声的干扰;然后对时频矩阵B进行奇异值分解,提取合适个数的奇异值作为特征向量;将特征向量作为概率神经网络（probabilistic neural network,PNN）的输入,利用遗传算法（genetic algorithm,GA）优化概率神经网络,最终实现局部放电信号的识别。研究结果表明,所提方法能够很好地识别电缆局部放电类型,且识别效果优于GA-BP。 

【文章来源】：南方电网技术. 2020,14(07)北大核心CSCD

【文章页数】：7 页

【部分图文】：

PNN网络结构

局部放电识别方法框图

图6是归一化后奇异值大小随奇异值数量变化趋势图,可以看出前10个奇异值下降速度不断较小,后面的奇异值均有规律很缓慢变小,几乎是一条平滑的线,可认为对提升放电类型识别正确率的影响不大,加之前10个奇异值占全部奇异值的比重均超过60%,包含了局部放电信号的大部分信息。通过反复验证,可认为前10个奇异值已能够很好地表示出电缆局部放电类型的差异,故文中利用前10个奇异值向量T=[λ1,λ2,…,λ10]作为特征向量应用于电缆局部放电信号处理。

【参考文献】：
期刊论文
[1]电力电缆故障放电声自动识别与起点标定算法[J]. 刘一铭,李峰,徐丙垠.  南方电网技术. 2020(03)
[2]奇异值分解在电缆局部放电信号模式识别中的应用[J]. 牛海清,吴炬卓,郭少锋.  华南理工大学学报(自然科学版). 2018(01)
[3]基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法[J]. 田妍,刘宇舜,熊俊,李鹏飞,周文俊,钟少泉.  高压电器. 2017(07)
[4]电力电缆资产的状态评估与运维决策综述[J]. 周承科,李明贞,王航,周文俊,鲍玉川,唐泽洋.  高电压技术. 2016(08)
[5]基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息[J]. 唐炬,董玉林,樊雷,李莉苹.  中国电机工程学报. 2015(07)
[6]结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法[J]. 孙立,庄圣贤,杨贵营.  南方电网技术. 2014(06)
[7]粒子群优化自适应小波神经网络在带电局放信号识别中的应用[J]. 罗新,牛海清,来立永,沈杨杨,吴倩.  电工技术学报. 2014(10)
[8]一种基于谱峭度的局部放电信号提取新方法[J]. 陈刚,刘志刚,张巧革.  电力自动化设备. 2013(08)
[9]S变换模矩阵和最小二乘SVM在雷电及操作过电压识别中的应用[J]. 杜林,李欣,司马文霞,戴斌.  电力自动化设备. 2012(08)
[10]基于S变换局部奇异值分解的过电压特征提取[J]. 杜林,戴斌,陆国俊,孙才新,王有元.  电工技术学报. 2010(12)

硕士论文
[1]GIS局部放电小波去噪与模式识别的研究[D]. 李晨焱.北京交通大学 2007



本文编号：3620349