学位论文 > 优秀研究生学位论文题录展示

局部放电信号干扰抑制与识别方法研究

作　者: 祝丽业
导　师: 李金
学　校: 哈尔滨工程大学
专　业: 模式识别与智能系统
关键词: 局部放电小波变换阈值法空域相关法分形特征 BP神经网络
分类号: TM855
类　型: 硕士论文
年　份: 2013年
下　载: 35次
引　用: 0次
阅　读: 论文下载

内容摘要

绝缘劣化是引起电气设备故障的重要原因，如果能在电气设备绝缘裂化的早期就将其检测出来，并及时更换，将会有效地减少事故的发生，局部放电检测是反映电气绝缘设备劣化情况的有效有段。局部放电检测属于瞬态微弱信号的测量，而检测现场的电磁干扰通常比较严重，因此信号检测的干扰抑制是局部放电检测的一个技术难点。目前，局部放电的故障诊断还是以阈值分析为主，当放电量达到危险放电量的最小值时发出警告信号，但不同的绝缘缺陷对绝缘系统的破坏程度有明显的差异，对局部放电缺陷类型识别分类是目前局部放电检测另一个研究重点。局部放电信号检测中最主要的干扰是白噪声。白噪声从时域上看是杂乱无章的，属于宽频信号，当前较为常见的方法是利用小波变换技术对白噪声干扰进行抑制，其效果也较为显著。本文对小波变换的各种去噪算法进行了比较分析，发现去噪中最常用的阈值算法在估计信号的小波分解系数时，直接将分解系数幅值大小作为判断标准，没有利用小波系数的相关性，在干扰比较严重的情况下去噪效果并不稳定。针对这种情况，本文将小波阈值算法与空域相关算法有机结合，同时给出一种新的阈值选择方法，对信号进行联合去噪，取得了比较理想的效果。局部放电具有一定的随机性，因此一般会对多个工频周期的信号进行统计，得到局部放电信号的统计图谱，在识别过程中需要利用放电图谱的图像特征对局部放电的缺陷类型进行模式分类。分形特征是一种参数少，模式区分能力较强的特征参数，因此本文对局部放电图谱分形特征的提取方法进行了深入研究，并在提取散点图的分形特征时对传统的盒维数计算方法做了改进。分形特征仅仅描述了散点的集局部自相似性和复杂程度，不能对散点集从整体上进行描述，本文结合散点集的分布重心特征，与分形特征共同组成特征向量，作为识别输入向量，在试验中对几种特征向量识别效果进行对比，试验结果表明，本文所提取的特征向量模式区分能力更强。BP神经网络是局部放电识别中一种常用分类器，但是传统BP算法存在缺陷，制约了该分类器在实际中的应用，本文利用粒子群（PSO）算法对BP网络进行优化。如果用传统的PSO算法直接对BP神经网络进行优化，在识别中不能达到理想的效果，因此本文利用带惯性权重PSO算法优化网络，并应用于局部放电缺陷类型识别，试验结果表明，优化后的网络识别率明显提高。最后，论文总结了全文的研究内容和成果，并对下一步的研究工作进行了展望。

全文目录

摘要  5-6
ABSTRACT  6-10
第1章绪论  10-16
  1.1 课题研究的背景、目的和意义  10-11
  1.2 局部放电抗干扰技术的研究现状  11-13
    1.2.1 单一频率干扰的抑制  11-12
    1.2.2 白噪声干扰的抑制  12-13
  1.3 局部放电识别方法的研究现状  13-14
  1.4 本文主要研究内容  14-16
第2章局部放电的理论分析  16-23
  2.1 局部放电产生的原因及危害  16-18
  2.2 局部放电的测量方法  18-19
  2.3 局部放电信号的数学模型  19-21
  2.4 局部放电表征参数及放电图谱  21-22
  2.5 本章小结  22-23
第3章基于小波变换的局部放电信号去噪  23-43
  3.1 小波变换  23-26
    3.1.1 小波变换的概念  23-24
    3.1.2 小波变换的快速算法  24-26
  3.2 局部放电信号的小波分解特性分析  26-30
    3.2.1 局部放电信号的小波分解特性  27-29
    3.2.2 噪声的小波分解特性  29-30
  3.3 小波去噪技术  30-31
  3.4 改进的阈值去噪方法  31-35
    3.4.1 一种新的阈值选择方法  32-33
    3.4.2 阈值-空域相关联合去噪  33-35
  3.5 改进的阈值法去噪结果分析  35-42
    3.5.1 基小波的选择  35-36
    3.5.2 DEP 去噪效果分析  36-39
    3.5.3 DOP 去噪效果分析  39-42
  3.6 本章小结  42-43
第4章局部放电图谱的特征提取  43-57
  4.1 分形理论  43-45
    4.1.1 分形的自相似性  43-44
    4.1.2 分形维数  44-45
  4.2 局部放电散点图分形特征的提取  45-53
    4.2.1 局部放电散点图的构造  45-48
    4.2.2 散点图分形维数的计算方法  48-50
    4.2.3 计算局部放电散点图的分形维数  50-53
  4.3 散点集重心分布特征的提取  53-55
  4.4 本章小结  55-57
第5章基于 DPSO-BP 神经网络的局部放电缺陷类型识别  57-68
  5.1 BP 神经网络  57-61
    5.1.1 人工神经网络简介  57-59
    5.1.2 BP 神经网络  59
    5.1.3 BP 算法及性能分析  59-61
  5.2 PSO 算法  61-64
    5.2.1 PSO 算法  61
    5.2.2 PSO 算法数学描述  61-62
    5.2.3 DPSO 算法  62-63
    5.2.4 DPSO 算法优化 BP 神经网络  63-64
  5.3 局部放电缺陷类型识别及试验结果分析  64-67
    5.3.1 网络结构的设定  64
    5.3.2 算法参数取值  64-65
    5.3.3 训练数据的处理  65
    5.3.4 试验结果及分析  65-67
  5.4 本章小结  67-68
结论  68-69
参考文献  69-73
攻读硕士学位期间发表的论文和取得的科研成果  73-74
致谢  74

局部放电信号干扰抑制与识别方法研究

内容摘要

全文目录

相似论文