GIS超高频局部放电在线监测技术应用研究

超高频(UHF)局部放电检测技术是目前国际上对气体绝缘全封闭组合电器(GIS)类设备普遍采用的状态监测技术,具有灵敏度高、抗干扰性好等特点。本文介绍了一个基于超高频局放检测技术的GIS设备在线监测系统,其中运用UHF传感器捕捉GIS内部局部放电信号,经过在线监测系统对捕捉信号进行信号采集、检测、运算和分类,结合人工智能专家判别系统,来分析GIS设备状态与故障特征。实际现场应用结果表明了该系统的有效性。     

基于多信息融合的GIS局部放电类型识别方法研究

为了实现气体绝缘开关(gas insulated switchgear, GIS)局部放电故障类型的识别,利用GIS局部放电试验采集的特高频(ultra-high frequency, UHF)和超声波信号得到了局部放电相位解析(phase resolved partial discharge, PRPD)图和格拉姆角场(Gramian angular field, GAF)图,提出了基于自适应卷积神经网络的GIS局部放电类型识别算法,优化了卷积神经网络(convolutional neural network, CNN)超参数,建立了基于决策级多信息融合的GIS局部放电类型识别模型框架,研究了不同GIS局部放电类型识别方法的准确性及内在影响因素。结果表明：基于超高频和超声波信号的决策级多信息融合方法能够进一步提高GIS局部放电类型的识别准确性,识别准确率在98%以上,提出的决策级多信息融合方法的识别准确率高于特征级多信息融合方法,研究成果可为GIS局部放电类型识别提供技术支撑。     

甲状腺结节超声图像多特征融合及识别

为更加精确地判别甲状腺结节的良恶性, 提出基于改进的 CLBP(Completed Local Binary Pattern)模型和 GLCM(Gray Level Co-occurrence Matrix)模型相结合的纹理特征提取算法。 首先在传统的 CLBP 模型中引入局部 方差信息, 使 CLBP 算子对局部纹理特征的描述更加精细; 然后与 GLCM 模型描述的全局纹理特征相融合; 最 后结合纵横比、 圆形度、 紧致度等形状特征并将其输入 SVM(Support Vector Machine)分类器。 为进一步提高识 别率, 同时给出基于粒子群算法与网格搜索算法相结合的 SVM 参数优化算法, 以提高识别率。 对比实验结果 表明, 该算法提取的特征用于分类识别时具有更高的识别率, 且提出的参数寻优算法相对于传统寻优算法效率 更高。     

基于PRPD图谱多特征融合的局部放电类型识别研究

局部放电(partial discharge, PD)信号的检测能够为电力系统提供绝缘缺陷诊断和运行状态评估。现有的局部放电类型识别算法难以有效识别相似度较高的绝缘缺陷,限制了其应用范围。为此,提出一种基于PRPD(phase resolved partial discharge)图谱多特征融合的局部放电类型识别算法。该算法利用卷积神经网络(convolutional neural network, CNN)提取局部放电PRPD图谱图像特征,将图像特征与PD信号统计特征进行有效融合,利用融合特征识别局部放电类型。在实验室环境下建立了4种局部放电模型,并进行了模拟对比实验。实验结果表明,相比传统的支持向量机(support vector machine, SVM)和反向传播神经网络(back propagation neural network, BPNN)算法,所提出方法的正确识别率分别提高了12.82%和19.70%,对相似度较高的缺陷类型也能进行有效识别,算法具有较好的鲁棒性。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于稀疏表示算法的气体绝缘组合电器(GIS)局部放电识别

为提高GIS绝缘缺陷的识别正确率,针对GIS出现的绝缘缺陷以及产生的局部放电特点,设计了4种典型绝缘缺陷物理模型,对获得的局部放电灰度图谱,用稀疏表示分类算法进行缺陷类型识别。该算法首先用最小——范数方法计算稀疏表示系数,运用压缩感知将低维观测信号恢复到高维原始信号。通过计算各类缺陷局部放电灰度图的最小残差来进行图像匹配,避开了一般模式识别分类算法中较为复杂的特征提取。测试结果表明该方法对GIS各类模拟缺陷的正确识别率较高。     

基于稀疏表示算法的GIS局部放电识别

为提高GIS绝缘缺陷的识别正确率,针对GIS出现的绝缘缺陷以及产生的局部放电特点,设计了4种典型绝缘缺陷物理模型,对获得的局部放电灰度图谱,用稀疏表示分类算法进行缺陷类型识别。该算法首先用最小--范数方法计算稀疏表示系数,运用压缩感知将低维观测信号恢复到高维原始信号,通过计算各类缺陷局部放电灰度图的最小残差来进行图像匹配,避开了一般模式识别分类算法中较为复杂的特征提取。测试结果表明该方法对GIS各类模拟缺陷的正确识别率较高。     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于遗传优化的模糊神经网络在管道泄漏检测中的应用研究

提出了一种基于遗传优化的模糊神经网络的管道泄漏检测方法.针对BP算法易受初始权值影响陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优特点,将二者结合起来训练模糊神经网络,进而获得更接近全局最优的网络参数以提高泄漏的估计精度.最后通过对管道泄漏检测的实际数据进行仿真测试,表明该算法可以有效、可靠地运用于管道泄漏检测中.     

基于GAPSO-SVM的航空发动机典型故障诊断

针对遗传算法（GA）和粒子群优化（PSO）算法优化支持向量机（SVM）存在容易陷入局部最优解、诊断精度相对较低、鲁棒性较差的问题,提出了一种结合GA、PSO、模拟退火算法的GAPSO优化算法,利用这种算法对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡.通过对航空发动机典型故障的诊断研究表明,该方法不仅能够取得良好的分类效果,诊断精度高于BP神经网络、自组织神经网络、标准SVM、GA-SVM,而且有较好的鲁棒性,更适合在故障诊断中应用.     

GIS局放超高频在线监测系统研制

利用超高频微带贴片天线传感器和超高频滤波放大器,实现了局部放电信号的采集、提取、调理和传输.采用LabVIEW图形化语言的虚拟仪器技术实现了对气体绝缘组合电器(GIS)设备局部放电信号的定时循环检测、信号处理、数据分析、缺陷类型模式识别、监测数据查询和绝缘状况初步评估等功能.该系统已在重庆市某220 kV级GIS变电站成功运行,试验运行结果表明,采用虚拟仪器技术的GIS局部放电超高频在线检测系统能实现GIS局部放电超高频检测.     

采用高阶累积量的环网柜局部放电在线检测

根据环网柜的绝缘缺陷,设计3种典型的局部放电模型,搭建局部放电试验平台.借助射频电流传感器获取局部放电混合信号,经过放大和高速A/D采样后,将信号送入微型计算机进行处理.采用四阶累积量作为局部放电特征量,抑制随机噪声干扰,提高信噪比.通过Otsu算法确定检测判据,实现局部放电的在线检测.将检测算法移植到现场可编程门阵列(FPGA)上,研发环网柜局部放电在线检测装置.试验结果表明:该装置能够适应较强的噪声环境,且具有良好的实时检测效果.     

模拟气体绝缘组合电器产生不同局部放电的试验装置研制

针对现有直线型气体绝缘组合电器(GIS)局部放电模拟实验装置的不足,研制了一种可变结构的GIS模拟实验装置,可方便地实现对T型、L型和直线型GIS结构的模拟。通过超高频电磁波传播特性和材料应力分析,给出了装置的结构尺寸和材料选择参数,从进行的单一和多缺陷产生的局部放电试验表明,该装置能够激发出不同绝缘缺陷产生不同频段的超高频TE波和TM波局部放电信号,且具有各自特点和差异,这为深入研究GIS不同绝缘下产生的局部放电电磁传播特性、产生条件、超高频检测方法以及缺陷辨识等提供了可靠地实验研究手段。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

基于支持向量机的股市时间序列预测算法

针对股市时间序列预测的特点,提出了基于SVM的股市时间序列预测算法.设计了SVM的在线训练算法,并设计了遗传算法自动调整sVM的核参数,实现了基于sVM的股市时间序列预测算法在线调整的完全智能化.通过实证分析,以及同BP神经网络方法的比较,结果证明该算法具有预测精度高、参数调整智能化等优点.     

基于量子演化理论的行人检测改进算法

对视频中移动摄像头下的行人检测问题进行了研究,在AdaBoost行人分类算法、支持向量机(SVM)理论和多目标优化原理的基础之上,并结合三者的特点,提出了一种基于量子演化算法的行人检测优化算法。首先,使用传统的AdaBoost算法对行人进行粗粒度的分类,然后使用支持向量机(SVM)设计精度更高的行人检测器。针对SVM的分类器参数多、关系复杂,而且无好的调节准则,根据核函数的构建条件,将实值量子演化算法引入到SVM参数的寻优问题中,对于分类性能采用多目标优化的方法,取得了较好的效果;同时从理论上分析了算法的复杂度。经过实例测试,算法与经典多目标优化算法NSGA-II的相比,改进效果明显。最后的实验说明了算法检测的准确性。     

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。     

基于改进鸡群算法和相关向量机的燃气轮机气路故障诊断技术研究

在管道输送过程中,燃气轮机的健康状态与管道的安全平稳运行密切相关。为提高燃驱压缩机组燃气轮机气路故障诊断的准确率,以双轴燃气轮机为对象,通过建模获得不同气路故障类型的数据集,引入相关向量机(RVM)模型对典型气路故障进行分类诊断,并采用改进鸡群算法(ECSO)对RVM模型的超参数进行寻优。结果表明,ECSO-RVM模型的分类精度为95.55%,明显优于支持向量机(SVM)、径向基核函数(RBF)神经网络、反向传播(BP)神经网络、改进蜂群算法-自适应模糊推理系统(IABC-ANFIS)和深度置信网络(DBN)等模型;在添加不同程度高斯白噪声的条件下,ECSO-RVM模型的分类精度始终保持在80%以上,说明该模型的分类精度、抗噪声能力和泛化能力较好,可用于燃气轮机气路故障的快速识别和诊断。     

基于PSO-SVM的光伏阵列故障检测与分类

光伏阵列故障的精确检测是提高光伏电站运行可靠性和安全性的重要因素之一。本文提出了粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine, PSO-SVM)的光伏阵列故障检测与分类的方法。分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式。选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度。结合实验平台,获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型。实验表明应用本文模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP (Back Propagation)神经网络以及决策树的检测和分类结果。