基于灰度矩特征的局部放电模式识别.pdfVIP

学兔兔 第 5O卷 总第574期 电测与仪表 VO1．50No．574 2013年 第 l0期 ElectricalM easurement＆ Instrumentation 0ct．20l3 基于灰度矩特征的局部放电模式识别 王瑜，苑津莎，靳松 (华北电力大学 电气与电子．37-程学院，河北 保定 071003) 摘要：局部放 电特征向量的辨识能力是决定模式识别需要的数据量和正确与否的关键。本文提出一种新的特征 参数提取方法，先将三维 —q—n谱图进行分割、移位、合并，形成宽度为180。的两个部分；然后将每一部分投影到 一 q平面上，转化为二维数字图像；最后计算两部分数字图像的矩和中心矩。采用三层BP神经网络作为分类器， 将灰度矩连同放电量在内的6个参数作为输入。针对三种常见的放电类型，气隙放电、沿面放电和电晕放电进行 了试验测试，对试验数据的测试结果显示，识别率均达到100％。 关键词：局部放电；模式识别；BP神经网络；灰度矩 中图分类号：TM51 文献标识码 ：A 文章编号：1001—1390(2013)10—0006—04 PartialDischargePatternRecognitionBasedonGrayM oment WANGYu，YUANJin—sha，JINSong (CollegeofElectricalandElectronicEngineering，NorthChinaElectricPowerUniversity，Baoding071003， Hebei，China) Abstract：A novelfeatureextractionmethodisputforwardinthispaperbecausehenumber0±featuresneededfor successfulclassificationdependsonthediscriminatoryqualityofthechosenpartialdischarge (PD)features．First the 一g—npatternisfragmented，shiftedandremergedtoform twoparts，eachwitha 180。phaseangle．Thenboth partsareprojectedontothe 一gplatetotransformtoa2Ddigitalimage．Finallythemomentsandcentralmoments arecalculated．BPNeuralNetwork (BPNN)isinvokedastheclassifierwith6inputvectors (5graymomentsand q)．Testsarecarriedouton threetypicalPD types，thatis，bubbledischarge，surfacedischargeandcorona discharge．Therecognitionratesare100％． Keywords：partialdischarge，patternrecognition，BPNeuralNetwork，graymoment 0 引 言 神经网络等方法在局部放电模式识别中得到广泛应用 。 电气设备局部放 电的测试是评估其绝缘质量的 1 特征参数 有效手段。近年来，随着传感器、计算机、光纤等技术 特征参数的提取，是模式识别的关键。近年来，局 的发展与应用 ，局部放 电的测量实现了数字化，测量