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。     

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。     

高压交联聚乙烯电缆附件局部放电特性分析

构建了110 kV电缆中间接头内部4种典型绝缘缺陷物理模型,通过建立电缆附件局部放电(partial discharge,PD)试验研究平台,获取不同绝缘缺陷模型下的放电数据,并构造了三维放电图谱,分析了单次脉冲的时频域特征及放电统计特性.试验结果显示,在起始放电阶段各缺陷下的放电脉冲波形比较稳定,时频特性有明显差异,其随机性主要表现为脉冲峰值的波动,而放电区间、放电重复率等统计特征也有很大不同,这些特征可用作放电类型识别的依据.     

气体绝缘组合电器内绝缘缺陷超高频局部放电信号特性

为了分析各种不同缺陷在不同条件下的放电特点,根据气体绝缘组合电器(gas insulated switchgear,GIS)设备绝缘缺陷放电形式和特点,采用超高频法对模拟装置内所设计的4种GIS局部放电物理模型进行了大量的局部放电(partial discharge,PD)实验,获得了真实可靠的超高频(ultra-high-frequency,UHF)局部放电(partial discharge,PD)波形样本;深入研究了4种典型GIS缺陷的物理模型分别在不同尺寸规格下、置于不同位置处、在不同电压等级下的UHF PD波形特征,实验的结果表明,不管是那种缺陷类型引起的PD激发的超高频电磁波,在不太高的实验电压下,放电脉冲波形发生突变之前,放电脉冲的形状变化不大且比较稳定,放电脉冲的持续时间通常是ns级.     

油纸绝缘中局部放电时间序列的混沌特性及其模式识别

为了对局部放电进行识别,建立并使用电脉冲法测量了油纸绝缘中的5种典型缺陷模型,利用混沌方法研究了局部放电的时间序列信号.结果表明,局部放电具有明显的混沌特征,是一个混沌过程.根据局部放电的混沌时间序列和由其得到的混沌吸引子能定性地分析和识别局部放电类型.选取相空间重构参数和重构后的混沌特征量对局部放电的混沌特性进行了定量表征.利用径向基(RBF)神经网络对相间局部放电(PRPD)和局部放电的混沌分析(CAPD)方法分别作了模式识别的效果验证和比较,表明两者的识别结果良好且各有优势.综合选取PRPD模式的统计算子与CAPD模式的混沌特征量作为神经网络的输入向量,平均正判率达到95%以上,明显提高了局部放电类型的识别效果.     

基于Δu模式和RBF网络的局部放电模式识别

局部放电(PD)模式识别是诊断高压电气设备内绝缘缺陷的重要方法之一.采用了一种Δu模式参量作为局部放电的图谱特征,并采用不变矩作为放电特征;同时,采用了径向基函数神经网络(RBFNN)对局部放电Δu模式参量构成的图谱特征进行识别.结果表明采用正交最小二乘法(OLS)训练的RBFNN对Δu模式中的不变矩特征参量进行识别,RBFNN收敛速度快且稳定性强,识别率达到85.7%以上,能够很好地识别由5种人工绝缘缺陷模型产生的局部放电信号,在实际应用中具有良好的应用前景.     

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。     

基于△u模式和RBF网络的局部放电模式识别

局部放电（PD）模式识别是诊断高压电气设备内绝缘缺陷的重要方法之一．采用了一种△u模式参量作为局部放电的图谱特征，并采用不变矩作为放电特征；同时，采用了径向基函数神经网络（RBFNN）对局部放电△u模式参量构成的图谱特征进行识别．结果表明采用正交最小二乘法（OLS）训练的RBFNN对△u模式中的不变矩特征参量进行识别，RBFNN收敛速度快且稳定性强，识别率达到85．7％以上，能够很好地识别由5种人工绝缘缺陷模型产生的局部放电信号，在实际应用中具有良好的应用前景．     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

基于改进的Wasserstein生成对抗网络和深度残差网络的电缆中间接头局部放电缺陷识别

随着“碳达峰、碳中和”目标的明确,我国已有较多风光电场使用铝电缆作为直埋输电电缆,来实现成本的降低和清洁能源的利用。由于铝电缆接头PRPD谱图样本数量有限,导致了训练模式识别的网络识别准确率低、泛化能力差等问题,本文通过设计三种电缆接头典型缺陷,搭建局部放电实验平台,运用改进的Wasserstein生成对抗网络训练样本数据,借以生成更多新的图像数据,进而将生成样本和原始样本同时投入深度残差网络训练,该方法识别准确率达97.82%。与数据扩充前后不同层数深度残差网络和普通卷积神经网络训练的准确率进行比较,证明了该方法能够有效提升基于小样本条件下的识别准确率,对实际工程具有一定指导意义。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

基于图像色彩特征融合的绝缘子污秽等级检测

针对绝缘子污秽状态非接触检测问题,提出基于可见光图像RGB(red green blue)和HSI(hue saturation intensity)空间信息特征级融合的污秽等级检测方法.利用最佳熵阈值分割法(OET)提取绝缘子盘面区域,分别在RGB和HSI色彩空间进行特征计算,根据Fisher准则进行特征选择,得到可以有效表征污秽状态的特征量,利用核主元分析(KPCA)对两个色彩空间特征的组合进行降维融合,得到三维融合特征向量,结合概率神经网络(PNN)实现污秽等级识别.实验分析表明,基于核主元分析的图像信息特征级融合能够全面地反映绝缘子污秽状态,与单独利用RGB或HSI特征进行识别相比,其准确率有显著提高,可以实现绝缘子污秽等级的有效识别,为绝缘子污闪防治提供了新的方法.     

基于HOG-CSLBP与深度学习的跨年龄人脸识别算法

针对人脸识别中识别精度低的问题,提出一种基于深度学习的跨年龄人脸识别算法.该方法创新性地将方向梯度直方图(Histogram of Oriented Gradient,HOG)和中心对称局部二值模式(Center Symmetric Local Binary Pattern,CSLBPS)组合方法用于人脸图像特征提取,获得包含结构和强度信息的图像融合特征,然后使用二叉树对特征信息进行降维,降维特征作为深度信念网络的可视层输入量,弥补深度新信念网络无法达到图像局部特征要求的缺陷.通过训练好的深度网络模型对测试样本进行学习,在深度信念网络的最顶层对特征进行分类识别.实验结果表明,该方法能高精度实现人脸识别,且与其他方法比较,该方法性能优于其他方法,说明该方法具有可行性和有效性.     

一种基于Swin Transformer神经网络的低截获概率雷达信号调制类型的识别方法

本文针对低截获概率（Low Probability of Intercept, LPI）雷达信号调制类型的识别问题提出了一种基于Swin Transformer神经网络的识别方法. 该方法首先用平滑伪Wigner-Ville分布对信号进行时频变换,将一维时域信号变换为二维时频图像,然后使用Swin Transformer神经网络对图像进行特征提取及调制类型识别. 仿真结果显示,该方法具有较强的抗噪声能力,在低信噪比条件下识别准确率高,且具有较强的小样本适应能力.     

基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

基于图片特征与人脸姿态的人脸识别方法研究

针对人脸识别中在非限定条件下（如背景、光照等因素发生变化时）人脸多角度多姿态识别精度低的问题与现有基于识别模型的方法无法快速更新人脸类别,提出了基于图片特征与人脸姿态的识别方法,通过对人脸姿态的识别,最大程度的匹配人脸数据库中的人脸信息,使用VGG16卷积神经网络训练模型提取图片特征,生成特征向量,再使用支持向量机分别训练提取出的特征,与人脸数据库中信息进行比对,从而精确识别人脸。通过在Pubfig与FERET人脸库上实验结果表明,所采用的算法精度较高。