收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机和多信息融合的局部放电故障诊断研究

王瑜  
【摘要】:局部放电(Partial Discharge, PD)一直以来都是电力变压器绝缘劣化的重要原因,近年来由于电力设备的电压等级和装机容量的提升,对局放的监测就显得尤为重要。变压器绝缘问题引起的设备故障占总体故障的80%左右,对局放数据的检测以及故障识别和状态检测都成为变压器状况监测的主要方法之一。由于变压器结构复杂,可能出现多种放电类型,每种类型的破坏作用和危害程度也不尽相同,所以对放电类型的辨识,可以更好的维护变压器健康的运行。本文基于变压器局部放电的原理及特性,主要完成了以下研究工作:建立变压器内部局部放电IEC60270标准的检测系统,采用脉冲电流法综合检测系统,比较分析不同检测方法的检测性能,建立变压器内部悬浮放电、针板放电、沿面放电以及气隙放电等四种绝缘缺陷的放电信息数据库。通过基于相位分析的统计特征参数和基于时间分析的分形特征参数两种主要分析模式,研究不同分析模式下,数据信息之间的相关性与差异,并在此基础上提取灰度分形特征和交叉小波谱特征进行识别。提出了二叉树结构多分类支持向量机(SVM)的最优学习方法,利用PRPD、TRPD、灰度分形和交叉小波谱4种特征向量,对SVM进行训练和验证,分析了不同的模型参数对支持向量机性能的影响;并采用骨干粒子群优化算法对核参数进行优化,比较并建立了支持向量机性能评价指标,初步建立了PD故障识别系统。提出了最优半径超球面支持向量机结构(Optimal Radius Hypersphere SVM, ORH-SVM)。超球面支持向量机(H-SVM)解决了传统超平面SVM对边界样本漏分的问题。在该算法的基础上,本文提出了最优半径优化方法,并建立了基于ORH-SVM算法的放电模式识别系统,提高了分类精度。研究并建立基于多分类组合核支持向量机(CKM-SVM)的局部放电模式识别模型。实现了对4类特征空间完整的多分类映射并实现直接多分类的识别系统。该模型融合了局部放电多组特征进行分析,对4个核函数进行寻优配置,并通过骨干粒子群优化算法对核参数进行优化,在提高识别精度的同时,大大缩短了学习和分类所需要的时间。建立了基于DS证据理论(Dempster-Shafer theory)的综合多信息融合辨识系统,解决了在某些样本中存在的,基于同一缺陷的不同放电特征得出冲突结论的问题,依据数据源的可靠性及数据特性,多信息融合辨识系统有效提高了辨识结论的稳定性和可靠性。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期
2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期
3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期
4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期
5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期
6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期
7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期
8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期
9 郭鹍;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期
10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期
11 胡金莲;;支持向量机的光滑与逼近关系研究[J];东莞理工学院学报;2008年01期
12 金潇明;文益民;;基于支持向量机的并行学习方法研究[J];湖南大学学报(自然科学版);2008年07期
13 贾亮;王礼力;;支持向量机在上市公司财务预警模型中的应用[J];淮阴工学院学报;2010年02期
14 田英;杨洁明;申永强;;基于球结构支持向量机的故障劣化趋势诊断[J];机械工程师;2010年04期
15 王勇;;基于支持向量机的汽车胎号识别算法研究[J];计算机仿真;2012年09期
16 陈沅涛;徐蔚鸿;吴佳英;;一种增量向量支持向量机学习算法[J];南京理工大学学报;2012年05期
17 向大芳;;支持向量机云检测方法的稳定性分析研究[J];计算机应用与软件;2013年01期
18 王智锐;唐汝宁;;基于支持向量机算法的空调负荷预测及实验研究[J];制冷技术;2013年04期
19 杨强,吴中福,余平,钟将;基于正反馈的支持向量机[J];重庆大学学报(自然科学版);2004年05期
20 杨强,吴中福,余萍,钟将;一种新型支持向量机[J];重庆大学学报(自然科学版);2005年02期
中国重要会议论文全文数据库 前10条
1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集(一)[C];2005年
3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用(CACIS)学术会议论文集(下册)[C];2008年
4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年
6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年
7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年
8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年
9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年
10 侯澍旻;李友荣;刘光临;;基于支持向量机的设备振动信号趋势预测[A];12省区市机械工程学会2006年学术年会湖北省论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年
2 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年
3 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年
4 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年
5 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年
6 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年
7 鞠鲁峰;基于支持向量机建模的永磁球形电机的优化设计研究[D];合肥工业大学;2015年
8 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年
9 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年
10 陈桂军;基于支持向量机的异常检测关键问题研究及应用[D];太原理工大学;2016年
中国硕士学位论文全文数据库 前10条
1 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年
2 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年
3 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年
4 董慧康;基于人群搜索—支持向量机的心脏病多生理参数诊断方法研究[D];河北工业大学;2014年
5 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年
6 甘乐;基于支持向量机的高光谱图像降维与分类研究[D];长江大学;2015年
7 苏超;基于支持向量机的太原市土壤重金属污染评价研究[D];山西大学;2014年
8 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年
9 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年
10 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978