【摘 要】
：
针对变压器局部放电信号的非平稳性和非线性的问题、以及传统的机器学习提取信号的特征时,深度学习不足和主观性强的问题,本论文提出了一种基于点对称图像特征融合（Symmetrized Dot Pattern,SDP）—卷积神经网络（Convolutional Neural Network,CNN）的局部放电特征提取的方法。该方法在特征提取过程部分主要以神经网络作为识别工具,在状态识别过程中以信号的融合特
论文部分内容阅读
针对变压器局部放电信号的非平稳性和非线性的问题、以及传统的机器学习提取信号的特征时,深度学习不足和主观性强的问题,本论文提出了一种基于点对称图像特征融合（Symmetrized Dot Pattern,SDP）—卷积神经网络（Convolutional Neural Network,CNN）的局部放电特征提取的方法。该方法在特征提取过程部分主要以神经网络作为识别工具,在状态识别过程中以信号的融合特征作为网络的输入依据。最终建立了融合特征学习的变压器局部放电状态识别模型。该模型可以以自适应方式完全提取局部放电信号中的有效特征,较好地实现特征提取和状态识别的功能。首先,利用共振稀疏分解提取局部放电信号的高共振和低共振模态分量。该分解依据局部放电信号的性质,通过改变及优化共振因子的参数,改进了对于算法处理信号特征重叠的不足。该方法有效地消除了信号的非平稳特性、冲击特性以及随机震荡现象。更加有效地提取了信号的各方面特征,为深度学习打下了坚实的基础。其次,在共振稀疏分解的基础上,对高低共振分量进行SDP图像化处理。本论文又提出了一种基于逆拉东图像变换的局部放电特征提取的方法。SDP和逆拉东变换都是关于信号的图像化处理,将信号的特征表达的更加鲜明化。特征信息融合SDP图可以更清晰、直观,全面地显示出各信号的特征。SDP和逆拉东变换同样是特征图像的形式,从而大大提高了不同状态特征之间的可分辨性。最后本论文提出了基于卷积神经网络对融合特征进行SDP图像的识别方法,以及逆拉东图像识别的方法。利用CNN强大的计算和识别功能,从实际局部放电信号中学习不同的状态特征,减少了在学习过程中主观的判别和错误,最终实现特征的提取与状态识别。
其他文献
随着智能电网的发展,电力线通信（Power Line Communication,PLC）技术已经成为电力传输网络中用户与设备之间信息交换的重要技术。为实现高质量的电力线通信,需要对电力线信道有较为清晰的了解,因此,信道阻抗预测成为电力线通信领域重要内容,提出了信道负载阻抗估计方法。首先,为构建相对真实信道模型,研究分析了多种电力线信道结构模型,利用MATLAB仿真构建了大量不同负载阻抗的单分支负
针对特殊工况场景中现有监控技术抗干扰能力弱、受恶劣环境影响严重、探测距离短、通信效率低等缺陷,设计了一种基于毫米波雷达技术的设备工况监控系统。首先,分析了毫米波雷达的理论基础,通过对雷达工作过程的仿真,验证了其技术的可行性,在此基础上,提出了设备工况监控系统的整体设计方案。其次,重点研究了雷达恒虚警目标检测算法（Constant False Alarm Rate,CFAR）。对均值类与有序类CFA
光纤布里渊分布式传感技术通过提取布里渊散射谱中包含的特征参数,利用其与温度和应变的关系能够实现对光纤不同位置处温度和应变信息的测量,因此温度和应变的测量精度与布里渊散射谱特征参数提取的准确性有着密切的关系。目前关于布里渊散射谱特征参数的提取主要通过参数拟合、模式匹配和优化算法等方法来实现,利用这些方法得到的特征参数准确度与方法本身及其实现过程中不同参数的选择具有一定的关系。为了灵活利用不同的布里渊
随着电力系统改革的深化,我国新一代电力系统建设得到了高速发展,输电设备作为电力系统的重要组成部分之一,对其缺陷的智能识别与分析已经成为重要的研究方向。螺栓是输电线路上数量最为庞大且容易发生故障的紧固零件,实现自动高效地对其缺陷识别是电力系统长久以来的难点问题。利用计算机视觉和人工智能技术对螺栓缺陷进行准确识别,具有重要的实际意义。本文通过对螺栓的研究,提出了针对螺栓属性的视觉可分性思想,采用一种基