為快速準確地識別出局部放電信號類型,保障設備安全運行具有重大的意義,本文提出了一種基于S變換和概率神經網(wǎng)絡的局部放電特征提取及放電識別方法。首先,將局部放電信號使用S變換得到時頻圖和時頻矩陣A;然后聯(lián)合S變換時頻圖與譜峭度算法,從矩陣A中截取局部放電主要特征所在的時頻矩陣B,在降低矩陣維數(shù)的同時去除白噪聲的干擾;然后對時頻矩陣B進行奇異值分解,提取合適個數(shù)的奇異值作為特征向量;將特征向量作為概率神經網(wǎng)絡（probabilistic neural network,PNN）的輸入,利用遺傳算法（genetic algorithm,GA）優(yōu)化概率神經網(wǎng)絡,最終實現(xiàn)局部放電信號的識別。研究結果表明,所提方法能夠很好地識別電纜局部放電類型,且識別效果優(yōu)于GA-BP。 

【文章來源】：南方電網(wǎng)技術. 2020,14(07)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

PNN網(wǎng)絡結構

局部放電識別方法框圖

圖6是歸一化后奇異值大小隨奇異值數(shù)量變化趨勢圖,可以看出前10個奇異值下降速度不斷較小,后面的奇異值均有規(guī)律很緩慢變小,幾乎是一條平滑的線,可認為對提升放電類型識別正確率的影響不大,加之前10個奇異值占全部奇異值的比重均超過60%,包含了局部放電信號的大部分信息。通過反復驗證,可認為前10個奇異值已能夠很好地表示出電纜局部放電類型的差異,故文中利用前10個奇異值向量T=[λ1,λ2,…,λ10]作為特征向量應用于電纜局部放電信號處理。

【參考文獻】：
期刊論文
[1]電力電纜故障放電聲自動識別與起點標定算法[J]. 劉一銘,李峰,徐丙垠.  南方電網(wǎng)技術. 2020(03)
[2]奇異值分解在電纜局部放電信號模式識別中的應用[J]. 牛海清,吳炬卓,郭少鋒.  華南理工大學學報(自然科學版). 2018(01)
[3]基于時頻分布圖像紋理特征的局部放電特高頻信號的特征參數(shù)提取方法[J]. 田妍,劉宇舜,熊俊,李鵬飛,周文俊,鐘少泉.  高壓電器. 2017(07)
[4]電力電纜資產的狀態(tài)評估與運維決策綜述[J]. 周承科,李明貞,王航,周文俊,鮑玉川,唐澤洋.  高電壓技術. 2016(08)
[5]基于Hankel矩陣的復小波–奇異值分解法提取局部放電特征信息[J]. 唐炬,董玉林,樊雷,李莉蘋.  中國電機工程學報. 2015(07)
[6]結合滑動窗奇異值分解的EEMD暫態(tài)電能質量擾動檢測法[J]. 孫立,莊圣賢,楊貴營.  南方電網(wǎng)技術. 2014(06)
[7]粒子群優(yōu)化自適應小波神經網(wǎng)絡在帶電局放信號識別中的應用[J]. 羅新,牛海清,來立永,沈楊楊,吳倩.  電工技術學報. 2014(10)
[8]一種基于譜峭度的局部放電信號提取新方法[J]. 陳剛,劉志剛,張巧革.  電力自動化設備. 2013(08)
[9]S變換模矩陣和最小二乘SVM在雷電及操作過電壓識別中的應用[J]. 杜林,李欣,司馬文霞,戴斌.  電力自動化設備. 2012(08)
[10]基于S變換局部奇異值分解的過電壓特征提取[J]. 杜林,戴斌,陸國俊,孫才新,王有元.  電工技術學報. 2010(12)

碩士論文
[1]GIS局部放電小波去噪與模式識別的研究[D]. 李晨焱.北京交通大學 2007



本文編號：3620349