基于同步挤压傅立叶变换和多尺度散布熵的局部放电特征提取

作     者：晋云雨 

作者单位：武汉科技大学 

学位级别：硕士

导师姓名：王文波

授予年度：2019年

学科分类：0808[工学-电气工程] 080803[工学-高电压与绝缘技术] 08[工学] 

主      题：局部放电 Kaiser自卷积窗 同步挤压窗口傅里叶变换 多尺度散布熵 

摘      要：局部放电作为电气设备发生绝缘故障的伴随现象,包含了绝缘故障发生类型的各类信息。电气设备发生不同的绝缘故障时伴随着不同的局部放电信号,所以快速准确的对局部放电类型识别对判断电气设备绝缘故障类型及采取合适的维修方式有着重要意义。而在局部放电分类识别中关键步骤就是对放电信号进行特征提取。针对目前在放电信号特征提取中存在的特征识别稳定性差,分类识别率低的问题,本文研究了同步挤压傅立叶变换和多尺度散布熵的局部放电特征提取方法,主要的内容如下:文中提出提一种基于同步挤压窗口傅里叶变换(WFSST)和多尺度散布熵(MDE)的特征提取方法(WFSST-MDE)。首先使用同步挤压窗口傅里叶变换算法对实验室条件下采集的4种典型绝缘故障的局部放电信号进行分解,变换分解获得放电信号的内蕴模态类函数分量(IMTFs);然后,对于每一类局部放电信号,利用中心频率法选择适用于类型识别的模态分量的个数K,在分别计算模态分量的多尺度散布熵,并组合作为原始特征集。再对原始特征量使用最大相关最小冗余准则进行优选降维,将优化的特征集使用支持向量机(SVM)进行分类。实验结果表明:无论是否有噪声干扰,WFSST-MDE方法都能较好地提取局部放电信号的特征,所提取的特征能准确的刻画不同类型放电信号的波动提醒和复杂度差异,与MDE方法以及基于经验模态分解(EMD)的MDE方法(EMD-MDE)相比,WFSST-MDE方法具有更高的识别率和更好的噪声鲁棒性。为了进一步提高同步挤压窗口傅里叶变换对局部放电信号的频谱分析能力,减少模态分量抽取时的频谱混叠和频谱泄漏,提出了一种基于Kaiser自卷积窗的WFSST和多尺度散布熵的特征提取方法(KCWFSST-MDE)。Kaiser自卷积窗具有优良的旁瓣性能,能够抑制频谱泄漏和模态混叠对抽取分量的影响,使获得的MDE更好地反映局放信号的波动特性和时频复杂度。实验结果表明,基于Kaiser自卷积窗的KCWFSST-MDE算法的识别正确率要高于WFSST-MDE算法。