局部放電與電氣設備的絕緣材料狀態(tài)緊密相連。每種局部放電產(chǎn)生的原因和產(chǎn)生的位置都各有不同,對設備的損害水平也各不一樣。因此,高效地識別局部放電類型對電氣設備檢修人員確定放電位置,規(guī)劃檢修任務有著重要的意義。本文在分析局部放電波形信號的特征上主要研究了局部放電信號的特征提取及分類識別方法,并采用分布式技術(shù),實現(xiàn)并行算法對數(shù)據(jù)進行處理,主要工作內(nèi)容如下:提出了一種基于聚合經(jīng)驗模態(tài)分解和多尺度樣本熵的特征提取方法。利用聚合經(jīng)驗模態(tài)分解算法對四種局部放電信號進行處理,分解出不同頻段下的固有模態(tài)分量,并通過優(yōu)選得到降維后的5個固有模態(tài)分量。然后對這幾個固有模態(tài)分量求取相應的多尺度樣本熵,從而得到原有樣本數(shù)據(jù)的特征向量。最后做為支持向量機的輸入實現(xiàn)局部放電信號的分類。通過實驗可知該方法提取出的特征能夠有效的表征局部放電信號,并且具有較高的識別率,穩(wěn)定性強。對支持向量機算法進行深入研究,針對電網(wǎng)大數(shù)據(jù)樣本,提出基于Spark并行框架進行分類識別。首先提出基于層疊式的向量機模型,通過對數(shù)據(jù)集的劃分,采用分而治之的思想,分別訓練子支持向量機模型,然后拼湊為最終的分類機器模型,完成整個分類識別的并行化,提高... 

【文章來源】：華北電力大學河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 論文的研究背景及意義
    1.2 局部放電研究現(xiàn)狀
        1.2.1 局部放電特征提取研究
        1.2.2 局部放電模式識別方法
    1.3 大數(shù)據(jù)處理技術(shù)在電力行業(yè)研究現(xiàn)狀
    1.4 論文研究內(nèi)容
第2章 相關技術(shù)
    2.1 大數(shù)據(jù)處理技術(shù)
        2.1.1 Spark概述
        2.1.2 其他并行計算技術(shù)
    2.2 彈性分布式數(shù)據(jù)集
        2.2.1 RDD創(chuàng)建
        2.2.2 RDD操作
        2.2.3 容錯機制
        2.2.4 RDD依賴關系
    2.3 SPARK應用執(zhí)行過程
    2.4 性能優(yōu)化
    2.5 本章小結(jié)
第3章 特征提取設計與實現(xiàn)
    3.1 引言
    3.2 PD信號EEMD分解
        3.2.1 EMD原理
        3.2.2 信號EEMD分解
    3.3 多尺度樣本熵
        3.3.1 樣本熵
        3.3.2 多尺度樣本熵
    3.4 特征提取方法
    3.5 實驗結(jié)果分析
        3.5.1 信號EEMD分解
        3.5.2 多尺度樣本熵特征提取
        3.5.3 分類結(jié)果
    3.6 本章小結(jié)
第4章 基于SPARK的 SVM多分類設計
    4.1 支持向量機
    4.2 基于SPARK的 SVM算法并行研究
        4.2.1 層疊式支持向量機
        4.2.2 基于Spark的層疊支持向量機并行化
    4.3 SVM多分類
        4.3.1 構(gòu)造多分類支持向量機方法
        4.3.2 基于決策樹多分類支持向量機
    4.4 基于SPARK的并行SVM多分類器構(gòu)造
        4.4.1 基于Spark一對多分類器構(gòu)造
        4.4.2 基于Spark一對一分類器構(gòu)造
    4.5 本章小結(jié)
第5章 實例測試及分析
    5.1 實驗環(huán)境搭建
    5.2 數(shù)據(jù)樣本的并行特征提取
        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的支持向量機算法
        5.3.1 SVM并行實驗
        5.3.2 基于Spark的 SVM局部放電故障診斷
    5.4 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻
攻讀碩士學位期間發(fā)表的論文及參加科研情況
致謝


【參考文獻】：
期刊論文
[1]基于互聯(lián)網(wǎng)+、大數(shù)據(jù)、人工智能方面的風力發(fā)電技術(shù)探討[J]. 薛瑩.  南方農(nóng)機. 2018(13)
[2]泄漏電流數(shù)據(jù)的Spark-KNN并行模式識別方法[J]. 李莉,朱永利,宋亞奇.  系統(tǒng)仿真學報. 2018(04)
[3]小波包系數(shù)能量百分比在局部放電模式識別中的應用研究[J]. 吳炬卓,牛海清,許佳.  電器與能效管理技術(shù). 2017(08)
[4]基于Spark平臺和多變量L2-Boosting回歸模型的分布式能源系統(tǒng)短期負荷預測[J]. 馬天男,牛東曉,黃雅莉,杜振東.  電網(wǎng)技術(shù). 2016(06)
[5]基于大數(shù)據(jù)技術(shù)的電網(wǎng)故障智能診斷方法[J]. 于磊,王雙,韓宇龍,王守琴,馬富.  中國科技信息. 2016(02)
[6]基于Spark和IPPSOLSSVM的短期分布式電力負荷預測算法[J]. 王保義,王冬陽,張少敏.  電力自動化設備. 2016(01)
[7]統(tǒng)計特征參數(shù)及多分類SVM的局部放電類型識別[J]. 褚鑫,張建文,韓剛.  電測與儀表. 2015(07)
[8]電力用戶側(cè)大數(shù)據(jù)分析與并行負荷預測[J]. 王德文,孫志偉.  中國電機工程學報. 2015(03)
[9]海量數(shù)據(jù)下的電力負荷短期預測[J]. 張素香,趙丙鎮(zhèn),王風雨,張東.  中國電機工程學報. 2015(01)
[10]基于LSSVM概率輸出與證據(jù)理論融合的變壓器故障診斷[J]. 朱克東,鄭建勇,梅軍,梅飛.  河海大學學報(自然科學版). 2014(05)

碩士論文
[1]基于云計算的負荷建模精確數(shù)據(jù)獲取[D]. 吳大鵬.山東大學 2017
[2]基于組態(tài)組件的鐵道電力監(jiān)控信息HBase云存儲研究[D]. 李立帆.華東交通大學 2016
[3]基于改進人工魚群-RBF神經(jīng)網(wǎng)絡的電力變壓器故障診斷研究[D]. 要航.廣西大學 2016
[4]基于模糊ART神經(jīng)網(wǎng)絡的變壓器局部放電模式識別研究[D]. 王家煒.西華大學 2013
[5]基于小波與分形理論的局部放電類型識別[D]. 魏國忠.天津大學 2006



本文編號：3156016