基于小波技术的局部放电图像模式识别的研究

论文摘要

局部放电在线监测与模式识别技术是及时发现变压器内部局部缺陷和故障隐患的重要手段。目前,局部放电模式识别的研究内容主要有放电特征量和模式分类器等。本文在国内外现有工作的基础上,通过实验室局部放电实验数据,系统地研究了局部放电图像的小波多尺度变换和基于遗传算法优化的小波神经网络,在提取小波多尺度变换后的各子图特征基础上,通过本文建立的模式识别分类器进行了识别。本文的主要内容有:①用五种变压器放电模型,实验获得了局部放电的样本数据,构造出局部放电三维谱图和灰度图像。在小波多尺度变换的基本理论和具体算法基础上,对Sinsin信号和局部放电谱图进行了小波多尺度分析,得到了各尺度子图像的能量分布特点。②对局部放电原始图像和三尺度变换后的各子图像提取了分形特征参数和矩特征参数构成的特征集,并选用BP神经网络作为模式识别分类器,对各图像特征集进行模式识别。识别结果表明,在这种特征集提取下,垂直方向高频子图像LH3的识别效果好于原始图像和其他子图像。③构造小波神经网络对原始图像和所有子图像进行识别,小波神经网络在收敛速度和识别结果上都好于BP神经网络。再结合遗传算法的思想,提出了先对小波神经网络的各项参数和网络隐含层节点数优化,再进入神经网络进行训练的方法。识别结果表明,优化后的神经网络收敛速度更快,且部分子图像的识别效果可达90%以上。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 变压器局部放电测量中模式自动识别的意义
• 1.2 局部放电模式自动识别研究的发展状况
• 1.2.1 局部放电模式识别方法概述
• 1.2.2 局部放电模式构造
• 1.2.3 局部放电模式特征参数
• 1.2.4 局部放电模式识别分类器
• 1.3 论文的研究目标和主要内容
• 2 局部放电三维谱图的小波多尺度变换
• 2.1 引言
• 2.2 三维φ- q-n 谱图的构造
• 2.2.1 局部放电模拟实验及方法
• 2.2.2 构造局部放电灰度图像
• 2.3 小波多尺度变换的原理
• 2.3.1 小波变换简介
• 2.3.2 数字图像小波的分解与重构
• 2.3.3 Daubechies 小波性质分析
• 2.4 三维谱图的小波多尺度变换及分析
• 2.4.1 Sinsin 信号的分析
• 2.4.2 局部放电信号灰度图和三维谱图的小波分解
• 2.4.3 子图的分析
• 2.5 本章小结
• 3 局部放电三维谱图分形特征和矩特征的提取及识别
• 3.1 引言
• 3.2 局部放电三维谱图分形特征
• 3.2.1 分形的定义
• 3.2.2 分维数的计算
• 3.2.3 多重分形的计算
• 3.2.4 空缺率的计算
• 3.2.5 提取局部放电分形特征
• 3.3 局部放电三维谱图矩特征
• 3.3.1 矩的基本理论
• 3.3.2 中心矩
• 3.3.3 提取局部放电矩特征
• 3.4 基于BP 神经网络的局部放电模式识别
• 3.4.1 BP 神经网络结构模型
• 3.4.2 BP 神经网络训练的算法实现
• 3.4.3 基于BP 神经网络的局部放电模式识别实验结果及数据分析
• 3.5 本章小结
• 4 基于小波神经网络的局部放电三维谱图的模式识别
• 4.1 引言
• 4.2 基于小波神经网络的局部放电模式识别
• 4.2.1 小波神经网络的模型
• 4.2.2 小波神经网络训练算法实现
• 4.2.3 基于小波神经网络的局部放电模式识别实验结果及数据分析
• 4.3 基于遗传算法的优化小波神经网络模型
• 4.3.1 遗传算法及其应用
• 4.3.2 遗传算法优化小波神经网络
• 4.3.3 基于遗传优化小波神经网络的局部放电模式识别实验结果及数据分析
• 4.4 本章小结
• 5 总结
• 5.1 主要工作和结论
• 5.2 还需进一步研究的问题
• 致谢
• 参考文献
• 附录
• 作者在攻读硕士学位期间发表的论文