论文部分内容阅读
局部放电水平是评估高压电器绝缘状态的重要技术指标之一,它不仅反映绝缘状态,而且可以估算出电器设备绝缘的使用寿命。但是局部放电的随机性影响了局部放电信号的采集,降低了局部放电模式识别的效果。论文构造了基于BP 网络的新型分类器,探讨了该分类器用于局部放电信号的特征提取及模式识别的可行性。同时也进行了信号去噪方法的实验探索。其意义在于避免网络拓扑构成的盲目性,提高局部放电模式识别的效果。本论文对比研究了基于BP 网络的局部放电灰度矩特征提取及其模式识别、基于正交小波神经网络局部放电统计特征量的模式识别和基于自适应特征提取小波神经网络局部放电模式识别方法。文中将局部放电脉冲信号波形看作是一幅具有某种灰度分布的图像,利用灰度矩的概念,借助图像识别技术对局部放电脉冲信号灰度分布图像进行特征提取,给出了特征量提取算法,对针-板和球-板电极产生的局部放电信号进行灰度矩特征量提取后,作为BP 神经网络的输入向量矩阵,经过学习训练,使识别率达到75%。本文利用局部放电信号的统计特征量作为正交小波神经网络的输入向量,经过学习训练,得到该网络的识别率为82%。在分析BP 网络和正交小波神经网络用于局部放电模式识别时存在不足的基础上,本文提出并构建了自适应特征提取小波神经网络。按照前馈型网络的构成方式将最优局部放电信号时频特征提取和模式分类功能集于一体,通过小波神经网络隐层元的激励函数(小波函数)与局部放电信号的变换来完成特征量的提取。实现了模式的可分性,也保证了分类器结构的最佳化,避免了网络拓扑构成的盲目性,提高了模式识别效果。利用自适应特征提取小波神经网络对三种典型电极(针-板、针-针和球-板电极系统)的局部放电信号进行模式识别试验,经过特征量提取和网络学习训练后,网络的识别率达到90%。此外,为了满足局部放电模式识别的需要,论文对局部放电脉冲信号、