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。     

一种检测电力变压器局放信号的离散小波算法

大型电力变压器经常发生局部放电现象,必将导致绝缘层破坏,停电事故发生甚至变压器解体,因此,必须在线检测局部放电信号.作者分析了可能存在的各种干扰源及其特征(包括干扰源频率的分布范围),讨论了各种干扰源进入检测系统的3种途径并提出了相应的抑制措施,设计了用于计算机模拟的局放检测信号.针对高频的局放信号,提出了一种改进型快速小波变换分解及重构算法,对仿真的局部放电信号进行了分解与重构.该算法对低频信号具有较低的频率分辨率,而对高频信号具有较高的频率分辨率.仿真结果表明,改进的快速小波变换分解与重构方法能有效地滤除强载波干扰,不失真地提取出局部放电信号幅值及其放电时间.     

基于S变换和双向二维主成分分析的局部放电模式识别

为对不同类型局部放电信号进行识别,笔者提出一种新的特征提取方法.首先,制作了4种典型的局部放电人工缺陷模型,并通过S变换对采集的局部放电UHF信号进行时频分析;然后,采用双向二维主成分分析(2DPCA)对S变换幅值矩阵进行压缩以提取特征;最后,引入基于粒子群算法优化参数的支持向量机对样本特征集进行模式识别.识别结果表明:4种特征维数组合中,(10,5)组合的平均识别率最高,(5,5)组合最低;粒子群优化算法的引入大幅提高了支持向量机的分类性能,平均识别率均在94.43％以上,最高可达到97.67％.由此可见,经过S变换和双向2DPCA提取的特征集在维数显著约减的同时,保留了原始数据大部分信息量,能够获得较为理想的分类识别率.     

采用小波包树能量矩阵奇异值分解的局部放电模式识别

为了从局部放电信号电磁波大量冗余的频率信息中提取有效的局部放电特征参量,提出了采用小波包和奇异值分解相结合的能量特征提取方法。该方法从大量小波包树节点的能量信息中提取了一组能量特征参量用于局部放电类型识别,首先对4种放电类型的电磁波信号进行小波包分解,计算每个小波包节点系数的能量,接着采用奇异值分解法从小波包树所有节点的能量信息中提取奇异值较大的一组参量,利用这组参量建立识别模型,最后使用支持向量机对4种变压器典型放电类型进行识别。结果表明,小波包树能量矩阵奇异值分解可以从包含有大量无效和冗余频率信息的电磁波信号中提取能量特征参量,从而进行局部放电识别。研究内容可为局部放电类型识别提供一种有效的特征提取方法。     

GIS局部放电超高频信号复小波的模式识别

为了对模拟气体绝缘组合电器(gas insulated switchgear,GIS)的4种绝缘缺陷产生超高频(ultra high frequency,UHF)局部放电(partial discharge,PD)数据和波形进行识别,用复小波变换对UHF PD信号进行分解,利用均值、方差、偏斜度、陡峭度、能量共5个统计参量对复小波变换的各尺度系数进行量化,构造出能够描述UHF PD信号特征的候选特征子集,引入衡量特征分类能力的分离度指标J作为特征量降维的评判指标,从60个特征量中选取了5个具有较高分类能力的最佳特征量,作为径向基神经网络识别放电类型的输入有效向量,识别结果表明:db系列复小波系数的实部和虚部信息共同描述了PD信号的特征,从中提取的最佳特征量具有较高的分类能力,其中db4复小波的分类效果最好。     

变压器典型局部放电信号辨识研究

为深入研究变压器典型局部放电的类型，提出了一种相关系数矩阵(correlation coefficient matrix dimension reduction, CCMDA)和深度学习相结合的特征识别方法。首先，对原始数据进行降维，保留关键特征；然后，引入深度学习框架，搭建ResNet34的残差结构，开展局部放电特征的识别。结果表明：相对于核主元分析(kernel principal component analysis, KPCA),相关系数矩阵降维效果更为显著；图片尺寸为64×64时，识别性能最好；学习率为0.001时，损失函数值最小。本文方法识别准确率高，明显优于卷积神经网络(convolutional neural networks, CNN)和支持向量机(support vector machine, SVM)。引入小波变换，可增强本文方法的鲁棒性。     

用小波反变换提取高压局部放电信号

介绍了小波变换用于突变信号的检测原理，给出了实现小波变换的算法，对局部放电信号和干扰信号的小波分解特性进行了详细研究。理论和实验表明，利用小波变换检测局部放电与傅立叶变换相比具有独到之处。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

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。     

独立分量分析联合小波变换的多分量信号调制识别研究

对复杂电磁环境下多分量信号进行调制识别,可通过准确估计接收信号的瞬时频率来分析其脉内细微特征。本文联合独立分量分析和小波变换技术,对多分量辐射源信号进行了盲源分离和调制识别的研究。在无先验信息条件下,采用Fast ICA对混叠信号分离,将时频混叠信号分解成一系列独立分量。对分离后的单分量信号分别做小波变换处理,由小波系数的局部模极大值提取其小波脊线。针对不同调制类型雷达信号,用最小二乘法对时频小波脊线进行直线拟合,获取特征参数,通过计算特征值判决出信号的调制类型。通过仿真实验表明,该方法可以分离混叠信号并有效提取信号小波脊和瞬时频率,进而识别出信号的调制类型,并在低信噪比情况下仍有较高的识别概率。     

用小波变换谱均衡法提高地震资料的分辨率

谱均衡方法是提高地震资料分辨率的一种有效方法.通常,谱均衡方法是通过傅立叶正变换在频率域实现的,但是,傅立叶变换存在着先天不足的缺陷,即时-频局域性差,它不能分析信号的局部频率特性.小波变换方法的时-频局部性要优于傅立叶变换,它克服了傅立叶变换的不足,既能保证变换是可逆的,又可以分析信号的局部频率特性.文中充分利用小波变换与谱均衡的优点,利用小波变换与谱均衡相结合的方法,对不同尺度的分解结果进行谱均衡处理,以达到提高分辨率的目的.     

以复小波变换系数为特征量的局放模式识别

复小波变换在时域和频域都具有表征信号局部特征的能力,且复小波变换提供了独有的相位信息.文中对4种典型绝缘缺陷产生的局部放电脉冲波形进行复小波变换,用模糊聚类的方法分别对各尺度复小波系数的实部R、虚部I以及复合信息系数R|I|聚类分析,将聚类的能量作为模式识别的特征量.通过大量的实验获得放电样本,用构建的BP神经网络作为分类器,对4种典型绝缘缺陷产生的局部放电进行了有效识别,结果表明:从复小波的复合信息系数R|I|中提取的特征量优于从实部R、虚部I以及实小波系数中提取的特征量.     

水下沉底目标回波的小波谱重排时频分析及其匹配检测

在浅海沉底目标主动声探测中,强混响背景下回波有效特征表征是目标分类的基础。根据工程需要讨论了Wigner-Ville,短时傅立叶变换(STFT)和小波重排谱下回波时频特征的提取过程,分析了混响与目标回波的耦合特性。提出构造基于小波尺度谱重排的时频检测器,在时频面实现目标信号和混响分离,以小波重排谱来表征回波,可取得较好的效果,在此基础上设计时频匹配检测器,以达到较好的目标检测性能。湖试数据分析表明小波尺度谱重排联合二维匹配检测器能压抑混响,提高信混比约2dB.     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术。建立了一套较完善的小波包时频分析技术框架体系。给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法。对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究。应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小波包时频分析仪,能实现任意信号的小波包分解和显示。最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质。     

强电磁环境下电子变压器局放信号抗干扰研究

强电磁环境下,当前电子变压器局放信号抗干扰方法大都采用数字陷波器法,适应性和稳定性较差。为此,提出一种新的电子变压器局放信号抗干扰方法。首先构造电子变压器局放脉冲,分析压缩感知理论,由此提出电子变压器局放信号存在的问题,然后以能量输出最小化为原则设计滤波器,求解压缩域投影加权向量,利用自适应方法抵抗非期望信号(电磁信号与高斯白噪声信号的投影干扰),使投影滤波器输出的干扰最小,接近期望输出,实现抗干扰处理强电磁环境下电子变压器局放信号。实验结果表明,所提方法具有很高的抗干扰性能。