公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于VFTO特性的变压器绕组变形在线检测方法被引量：1: 2016年; 目前,变压器绕组变形的检测大多采用离线方式,需要变压器退出运行,降低了变压器的运行效率,存在一定的局限性。为能在线及时检测到绕组变形,结合频率响应分析原理,提出了基于特快速暂态过电压(Very Fast Transient Overvoltage,VFTO)特性的变压器绕组变形在线检测方法。利用变压器绕组在VFTO信号中高频成分冲击下体现的频率响应特性,测量绕组进线端的VFTO信号和绕组末端的响应信号,计算得到频率响应曲线,通过分析比较曲线中波峰、波谷的变化实现绕组变形的在线检测。仿真结果表明,该方法对绕组不同变形类型、程度和位置均体现出差异性和规律性,具有潜在的实用价值。; 张宁朱永利张蒙张媛媛郑艳艳; 关键词：电力变压器绕组变形在线检测 VFTO 频率响应分析

基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别被引量：24: 2019年; 针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。; 高佳程朱永利郑艳艳贾亚飞; 关键词：局部放电模式识别 WIGNER-VILLE分布

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法被引量：9: 2019年; 提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。; 高佳程朱永利郑艳艳张科刘帅; 关键词：局部放电模式识别

基于并行变量预测模型的变压器故障诊断及优化研究被引量：17: 2019年; 针对传统变压器故障诊断方法存在小样本问题下分类效果差、海量监测数据的识别效率低下等问题,提出基于Spark计算框架的并行化变量预测模型。首先采用HDFS作为内存式存储系统,面向行存储的Row Matrix作为分布式矩阵存储结构,利用广播变量、调整分区数进行并行度优化。其次训练4种数学模型获取故障类型的最佳模型及相关参数完成故障诊断。实验结果表明,并行变量预测模型识别精度高于支持向量机,计算效率优于单机环境,对高维特征向量有较好的适应性。; 马利洁朱永利郑艳艳; 关键词：故障诊断小样本

基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类被引量：81: 2017年; 针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。; 朱永利贾亚飞王刘旺李莉郑艳艳; 关键词：局部放电 HILBERT变换特征提取

基于支持向量回归的VPMCD方法及其在局部放电模式识别中的应用被引量：3: 2019年; 针对传统VPMCD方法在回归预测过程中存在的缺陷,采用支持向量回归代替原方法中的多项式回归模型,解决了原回归方法对高维小样本数据预测精度差的问题。在基于支持向量回归的VPMCD方法中,首先采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,通过支持向量回归对训练样本进行训练,建立各放电类型的变量预测模型;然后,利用这些模型对测试样本进行回归预测,得到各样本相应的预测平方和误差;最后,以预测误差平方和最小为依据,识别各放电样本的放电类型。相较于BP神经网络、SVM、传统VPMCD方法,SVR-VPMCD方法具有更好的分类效果。; 郑艳艳朱永利高佳程; 关键词：局部放电模式识别支持向量回归

基于SSA与ICA的变压器局部放电混合信号分离被引量：7: 2020年; 当变压器局部放电信号为多个不同放电类型的信号混合时,要想正确诊断放电类型,需要将混合信号进行分离。当混合信号具有较高的信噪比时,直接采用独立成分分析(ICA)能够有效地分离出独立源信号。但当信噪比较低时,ICA的性能会显著受到影响。变压器局部放电信号存在严重的噪声,其中连续性周期窄带干扰尤为严重。针对混合信号中窄带干扰严重的情况,提出了一种基于奇异谱分析(SSA)与ICA的变压器局部放电混合信号分离方法。该方法首先对含噪混合信号进行奇异谱分析,抑制混合信号中的窄带干扰成分;然后对降噪后的混合信号采用ICA算法分离出独立源信号。仿真结果表明,采用文中的方法能够从信噪比较低的混合信号中有效地分离出独立源信号。; 郑艳艳朱永利高佳程; 关键词：局部放电 SSA ICA

全选清除导出

共1页<1>

郑艳艳