论文部分内容阅读
局部放电与电气设备的绝缘材料状态紧密相连。每种局部放电产生的原因和产生的位置都各有不同,对设备的损害水平也各不一样。因此,高效地识别局部放电类型对电气设备检修人员确定放电位置,规划检修任务有着重要的意义。本文在分析局部放电波形信号的特征上主要研究了局部放电信号的特征提取及分类识别方法,并采用分布式技术,实现并行算法对数据进行处理,主要工作内容如下:提出了一种基于聚合经验模态分解和多尺度样本熵的特征提取方法。利用聚合经验模态分解算法对四种局部放电信号进行处理,分解出不同频段下的固有模态分量,并通过优选得到降维后的5个固有模态分量。然后对这几个固有模态分量求取相应的多尺度样本熵,从而得到原有样本数据的特征向量。最后做为支持向量机的输入实现局部放电信号的分类。通过实验可知该方法提取出的特征能够有效的表征局部放电信号,并且具有较高的识别率,稳定性强。对支持向量机算法进行深入研究,针对电网大数据样本,提出基于Spark并行框架进行分类识别。首先提出基于层叠式的向量机模型,通过对数据集的划分,采用分而治之的思想,分别训练子支持向量机模型,然后拼凑为最终的分类机器模型,完成整个分类识别的并行化,提高大数据下的处理速率。由于传统的支持向量机是基于二分类的,而局部放电信号是多种类别的样本。所以针对支持向量机多分类扩展问题进行研究,详细讨论了基于决策树的多分类模型。并在Spark上设计实现一对一和一对多方式下的多分类支持向量机模型,并用标准数据集进行单机与多机的对比,实现多分类的并行处理,提高处理速率。最后将模型应用于局部放电分类识别。