【摘要】：為了有效提取局部放電信號(hào)的特征,提出了一種基于變分模態(tài)分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)放電類型進(jìn)行識(shí)別。特征向量的提取過程是首先利用VMD分解算法對(duì)局部放電信號(hào)進(jìn)行分解,得到數(shù)個(gè)有限帶寬的固有模態(tài)分量;然后分別計(jì)算分解得到的模態(tài)分量的MSE,將其組合得到初始特征向量;最后利用主成分分析法對(duì)初始特征向量進(jìn)行降維處理。用該方法對(duì)實(shí)驗(yàn)室條件下4種放電信號(hào)和不同放電程度的電暈放電進(jìn)行特征提取及識(shí)別。結(jié)果表明,該方法能有效提取放電信號(hào)的特征,以其作為特征向量可以正確識(shí)別不同的放電類型和同種放電類型下的不同放電程度。
[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.
【作者單位】： 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué));
【基金】：國(guó)家電網(wǎng)公司科技項(xiàng)目資助
【分類號(hào)】：TM855

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 鄭近德;程軍圣;胡思宇;;多尺度熵在轉(zhuǎn)子故障診斷中的應(yīng)用[J];振動(dòng).測(cè)試與診斷;2013年02期

2 ;[J];;年期

相關(guān)會(huì)議論文 前2條

1 李嬋;張陽(yáng);張義軍;;地閃“不規(guī)則”先導(dǎo)的多尺度熵特征研究[A];創(chuàng)新驅(qū)動(dòng)發(fā)展 提高氣象災(zāi)害防御能力——S11第十一屆防雷減災(zāi)論壇[C];2013年

2 張濤;李雅堂;閻睿;楊卓;;基于多尺度的非線性動(dòng)力學(xué)分析及其在神經(jīng)系統(tǒng)中的應(yīng)用[A];第八屆全國(guó)動(dòng)力學(xué)與控制學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)碩士學(xué)位論文 前8條

1 龍玉濤;基于熵測(cè)度的移動(dòng)條件下十二通道心電信號(hào)質(zhì)量評(píng)估[D];山東大學(xué);2015年

2 高中華;基于經(jīng)驗(yàn)?zāi)B(tài)分解和多尺度熵的滾動(dòng)軸承故障診斷研究[D];長(zhǎng)春工業(yè)大學(xué);2016年

3 劉曉婷;基于加速度的人體步態(tài)信息多尺度熵研究[D];天津大學(xué);2008年

4 劉東海;基于多元多尺度熵的人體平衡系統(tǒng)研究[D];武漢理工大學(xué);2013年

5 崔潔;基于改進(jìn)多元多尺度熵的癲癇腦電信號(hào)自動(dòng)分類[D];燕山大學(xué);2014年

6 陳建萍;多尺度熵方法用于電子器件噪聲分析[D];西安電子科技大學(xué);2007年

7 裴建航;基于小波多尺度熵的導(dǎo)航傳感器故障診斷技術(shù)研究[D];哈爾濱工程大學(xué);2013年

8 范文會(huì);多尺度熵法用于人體紅外圖像的腰椎病癥研究[D];河北科技大學(xué);2014年

，

本文編號(hào)：2139734