Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chiết xuất đặc trưng tín hiệu phóng điện cục bộ dựa trên phân rã trung bình cục bộ và entropy phổ đơn giản đa thang
Tóm tắt
Việc chiết xuất đặc trưng từ tín hiệu phóng điện cục bộ là một bước quan trọng trong nhận diện mẫu và chẩn đoán sự cố của các khiếm khuyết cách điện trong thiết bị điện. Lý thuyết entropy phổ đơn giản (SSE) có thể nghiên cứu độ phức tạp và sự không đều của tín hiệu phóng điện cục bộ nhưng không thể phản ánh đầy đủ các đặc tính phi tuyến tính vốn có của tín hiệu. Dựa trên cơ sở đó, ma trận hiệp phương sai của SSE được thay thế bằng ma trận Hankel của tín hiệu phóng điện cục bộ, và lý thuyết phân rã trung bình cục bộ (LMD) được giới thiệu để thực hiện phương pháp đa thang. Sau đó, một phương pháp entropy phổ đơn giản đa thang (MULTI-HSSE) cho tín hiệu phóng điện cục bộ được đề xuất. Thông qua việc phân tích các tín hiệu phóng điện cục bộ mô phỏng, các vector đặc trưng entropy được chiết xuất bằng phương pháp này có thể cải thiện hiệu quả khả năng подавления tiếng ồn và tăng cường độ tin cậy của các tham số tái cấu trúc không gian pha. Cuối cùng, ba khiếm khuyết phóng điện cục bộ điển hình được thiết kế trong môi trường trạm biến áp ngoài trời. Các vector đặc trưng entropy tín hiệu UHF sử dụng phương pháp này được thu được và mạng nơron RBF được sử dụng để phân loại các khiếm khuyết. Thông qua các thí nghiệm, độ chính xác nhận diện cao được xác minh, cho thấy tính hợp lệ và khả năng áp dụng của phương pháp được đề xuất.
Từ khóa
#Tín hiệu phóng điện cục bộ #chiết xuất đặc trưng #phân rã trung bình cục bộ #entropy phổ đơn giản #ma trận Hankel #mạng nơron RBFTài liệu tham khảo
Y. Xu, W.D. Liu, W.J. Chen, J.G. Yang, K. Zhao, Y. Liu, Partial discharge characteristics of metal particles on spacer surface in GIS based on high sensitivity measurement. High Volt. Eng. 45(9), 2707–2714 (2019). https://doi.org/10.13336/j.1003-6520.hve.20190831003
H. Guo, F.F. Lü, K.F. Ren, Simulation and measurement of PD-induced electromagnetic wave leakage in GIS with metal. IEEE Trans. Dielectr. Electr. Insul. 21(4), 1942–1949 (2014). https://doi.org/10.1109/TDEI.2014.004390
D. Wang, A.J. Ma, Y. Gui, C. Zhang, B. Wang, Q.S. Zhang, Diagnosis of partial discharge insulation fault fusion based on P-CNN. High Volt. Eng. 46(8), 2897–2905 (2020). https://doi.org/10.13336/j.1003-6520.hve.20190118
L.W. Wang, Z.Q. Zhou, L. Lin, J.J. Han, Review on artificial intelligence in substation operation and maintenance management. High Volt. Eng. 46(1), 1–13 (2020). https://doi.org/10.13336/j.1003-6520.hve.20191227001
Y. Wang, J. Yan, Z. Yang, Y. Zhao, T. Liu, GIS partial discharge pattern recognition via lightweight convolutional neural network in the ubiquitous power internet of things context. IET Sci. Meas. Technol. 14(8), 864–871 (2020). https://doi.org/10.1049/iet-smt.2019.0542
H. Ji, X. Lei, Q. Xu, C. Huang, T. Ye, S. Yuan, Research on characteristics of acoustic signal of typical partial discharge models. Glob. Energy Interconnect. 5(1), 118–130 (2022). https://doi.org/10.1016/j.gloei.2022.04.010
W. Sun, Z. Li, S. Cheng, A real time on-line method for automatic signal feature recognition of fault discharge in generator and its application. Power Syst. Technol. 39(2), 543–549 (2015). https://doi.org/10.13335/j.1000-3673.pst.2015.02.038
V. Samaitis, L. Mažeika, A. Jankauskas, R. Rekuvienė, Detection and localization of partial discharge in connectors of air power lines by means of ultrasonic measurements and artificial intelligence models. Sensors 21(1), 20 (2020). https://doi.org/10.3390/s21010020
R. Rostaminia, M. Saniei, M. Vakilian, S.S. Mortazavi, V. Parvin Darabad, An efficient partial discharge pattern recognition method using texture analysis for transformer defect models. Int. Trans. Electr. Energy Syst. 28(7), e2558 (2018). https://doi.org/10.1002/etep.2558
K. Wang, R. Liao, L. Yang, J. Li, S. Grzybowski, J. Hao, Optimal features selected by NSGA-II for partial discharge pulses separation based on time frequency representation and matrix decomposition. IEEE Trans. Dielectr. Electr. Insul. 20(3), 825–836 (2013). https://doi.org/10.1109/TDEI.2013.6518952
R. Rostaminia, M. Saniei, M. Vakilian, S.S. Mortazavi, Evaluation of transformer core contribution to partial discharge electromagnetic waves propagation. Int. J. Electr. Power Energy Syst. 83, 40–48 (2016). https://doi.org/10.1016/j.ijepes.2016.03.054
H. Uehara, T. Okamoto, Modeling and analysis of partial discharge phenomena using integral equations. IEEE Trans. Dielectr. Electr. Insul. 27(6), 1915–1923 (2020). https://doi.org/10.1109/TDEI.2020.009075
F. Yang, G. Sheng, Y. Xu, Y. Qian, X. Jiang, Application of EEMD and high-order singular spectral entropy to feature extraction of partial discharge signals. IEEJ Trans. Electr. Electron. Eng. 13(7), 1002–1010 (2018). https://doi.org/10.1002/tee.22657
X. Luo, H.Q. Niu, T.H. Song, X.L. Zhuang, S transform and probabilistic neural network based partial discharge feature extraction and discharge recognition method. South. Power Syst. Technol. 14(7), 17–23 (2020). https://doi.org/10.13648/j.cnki.issn1674-0629.2020.07.003
F.C. Lv, H. Jin, Z.J. Wang, B. Zhang, GIS partial discharge pattern recognition based on principal component analysis and multiclass relevance vector machine. Trans. China Electrotech. Soc. 30(6), 225–231 (2015). https://doi.org/10.19595/j.cnki.1000-6753.tces.2015.06.028
Q.Q. Zhang, H. Song, Y. Jiang, Y.F. Chen, G.H. Sheng, X.C. Jiang, Partial discharge pattern recognition of transformer based on OS-ELM. High Volt. Eng. 44(4), 1122–1130 (2018). https://doi.org/10.13336/j.1003-6520.hve.20180329011
M.H. Wang, S.D. Lu, M.L. Huang, H.W. Sian, C.C. Hsieh, S.E. Wei, Hybrid methodology based on extension theory for partial discharge fault diagnosis of power capacitors. IEICE Electron. Express 17(18), 20200250 (2020). https://doi.org/10.1587/elex.17.20200250
J.Y. Koo, S.Y. Jung, C.H. Ryu, S.W. Lee, B.W. Lee, Identification of insulation defects in gas-insulated switchgear by chaotic analysis of partial discharge. IET Sci. Meas. Technol. 4(3), 115–124 (2010). https://doi.org/10.1049/iet-smt.2009.0028
J. Dai, Y. Teng, Z. Zhang, Z. Yu, G. Sheng, X. Jiang, Partial discharge data matching method for GIS case-based reasoning. Energies 12(19), 3677 (2019). https://doi.org/10.3390/en12193677
C. Barile, C. Casavola, G. Pappalettera, V. Paramsamy Kannan, Acoustic emission waveforms for damage monitoring in composite materials: shifting in spectral density, entropy and wavelet packet transform. Struct. Health Monit. 21(4), 1768–1789 (2022). https://doi.org/10.1177/14759217211044692
Y. Li, X. Wang, Z. Liu, X. Liang, S. Si, The entropy algorithm and its variants in the fault diagnosis of rotating machinery: a review. IEEE Access 6, 66723–66741 (2018). https://doi.org/10.1109/ACCESS.2018.2873782
C.P. Gandhi, A. Kumar, G. Vashist, H. Tang, A. Rai, J. Xiang, Maximal overlap discrete wavelet packet transforms and variants of neutrosophic cubic cross-entropy-based identification of rotor defects. Meas. Sci. Technol. 33(8), 085107 (2022). https://doi.org/10.1088/1361-6501/ac6001
H.B. Xie, Y.P. Zheng, J.Y. Guo, Classification of the mechanomyogram signal using a wavelet packet transform and singular value decomposition for multifunction prosthesis control. Physiol. Meas. 30(5), 441 (2009)
J. Tang, Y.L. Dong, L. Fan, L.P. Li, Feature information extraction of partial discharge signal with complex wavelet transform and singular value decomposition based on Hankel matrix. Proc. CSEE 35(7), 1808–1817 (2015). https://doi.org/10.13334/j.0258-8013.pcsee.2015.07.031
P. Gupta, B. Singh, Ensembled local mean decomposition and genetic algorithm approach to investigate tool chatter features at higher metal removal rate. J. Vib. Control 28(1–2), 30–44 (2022). https://doi.org/10.1177/1077546320971157
Y. Li, S. Si, Z. Liu, X. Liang, Review of local mean decomposition and its application in fault diagnosis of rotating machinery. J. Syst. Eng. Electron. 30(4), 799–814 (2019). https://doi.org/10.21629/JSEE.2019.04.17
W.T. Silva, F.D. Borges, Genetic algorithms to determine the optimal parameters of an ensemble local mean decomposition. Acta Polytechnica 61(3) (2021). http://hdl.handle.net/10467/98353
P.P. Pagano, E.J. Ciaccio, H. Garan, Separation of cardiogenic oscillations from airflow waveforms using singular spectrum analysis. Comput. Methods Programs Biomed. 220, 106803 (2022). https://doi.org/10.1016/j.cmpb.2022.106803
Y. Yang, C. Li, Discharge current filtering of high voltage pulse power supply based on singular value decomposition of Toeplitz Matrix, in 2021 40th Chinese Control Conference (CCC), Shanghai, China, IEEE, pp. 2935–2939 (2021). https://doi.org/10.23919/CCC52363.2021.9549578
S. Sun, Y. Sun, G. Xu, L. Zhang, Y. Hu, P. Liu, Partial discharge pattern recognition of transformers based on the gray-level co-occurrence matrix of optimal parameters. IEEE Access 9, 102422–102432 (2021). https://doi.org/10.1109/ACCESS.2021.3096287
J. Zheng, Z. Chen, Q. Wang, H. Qiang, W. Xu, GIS partial discharge pattern recognition based on time-frequency features and improved convolutional neural network. Energies 15(19), 7372–7372 (2022). https://doi.org/10.3390/EN15197372
F. Dai, X. Chen, L.X. Wang, H.Z. Ma, Partial discharge recognition of GIL based on Teager energy spectrum ELM. Electric Drive 52(22), 73–80 (2022). https://doi.org/10.19457/j.1001-2095.dqcd23165