贾亚飞
- 作品数：14 被引量：254H指数：10
- 供职机构：华北电力大学更多>>
- 发文基金：中央高校基本科研业务费专项资金国家自然科学基金国家电网公司科技项目更多>>
- 相关领域：电气工程自动化与计算机技术更多>>
- 基于样本加权FCM聚类的未知类别局部放电信号识别被引量：15
- 2018年
- 针对电力变压器待识别局部放电信号中可能存在不属于已知类别的未知样本的问题,提出了一种基于样本加权模糊C均值(FCM)聚类的未知类别局部放电信号识别方法。对已知类别的局部放电信号进行FCM聚类,确定各已知类的聚类中心;分别计算已知类别和待识别局部放电信号的样本权值,并根据Otsu准则确定样本权值的自适应阈值;将各待识别局部放电信号的权值与确定的阈值进行比较,判断其是否属于已知类别;采用支持向量机(SVM)对得到的属于已知类别的待识别局部放电信号进行分类,对未知类别样本进行人为分析判断。采用所提方法对实验室条件下的放电信号进行分析,实验结果表明,所提方法可以有效地区分待识别局部放电信号中的未知类别样本。
- 贾亚飞朱永利朱永利袁博
- 关键词：电力变压器局部放电样本加权FCM聚类OTSU准则
- 一种多源海量局部放电信号脉冲的并行提取方法被引量：1
- 2017年
- 针对多源、海量局部放电(Partial Discharge,PD)信号的放电脉冲提取问题,提出了一种基于消息传递接口(Message Passing Interface,MPI)的并行化方法。该方法采用管理者-工人-写者模式,由管理者动态分配任务,工人负责业务计算并由写者回收计算结果,将数据管理和任务执行分离。此外,由管理者辨别信号来源并发送给工人作为数据文件解析和算法参数设置的依据,能够解决多源异构信号处理问题。实验结果表明所提方法高效可行,且具有良好的加速比,脉冲提取准确率达90%以上,满足工程应用需求。
- 王刘旺朱永利贾亚飞
- 关键词：局部放电消息传递接口并行计算大数据数据处理
- 基于二维变分模态分解和Hilbert变换的局放信号特征提取方法被引量：14
- 2019年
- 通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。利用局部放电样本生成相应放电灰度图;以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于文中方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,文中所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。
- 高佳程朱永利贾亚飞张科
- 关键词：局部放电灰度图特征提取
- 基于S变换和深度置信网络的变压器局部放电模式识别被引量：10
- 2017年
- 针对目前常用的浅层模式识别方法无法有效处理高维特征量的问题,提出一种基于深度置信网络(deep belief network,DBN)的局部放电模式识别方法,并提出在DBN学习过程中采用自适应学习率来控制其在全局和局部的寻优能力。该方法首先对局部放电信号进行S变换得到二维时频矩阵;其次考虑时频矩阵中特征量之间的相关性和计算复杂度,对二维时频矩阵采用双向二维主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)进行降维处理。最后,将降维得到的特征量输入DBN,从低层到高层逐层训练,并将训练好的DBN用于测试样本的模式识别。用上述方法对实验室条件下的四种不同放电模型产生的放电信号进行特征提取和模式识别,并与反向传播网络得到的识别结果进行比较,结果表明该方法对于高维特征量具有更高的正确识别率和更快的运行速度,更适用于高维度特征量的模式识别。
- 贾亚飞朱永利兰志堃王刘旺
- 关键词：电力变压器局部放电模式识别S变换
- 基于混沌粒子群的第2代小波的局部放电信号去噪被引量：4
- 2017年
- 输变电设备局部放电信号在线监测过程会受到多种噪声污染,使得局部放电信号难以提取。该文提出了一种基于混沌粒子群优化算法的第2代小波的去噪方法,在第2代小波及插值细分方法基本原理的基础上,将混沌粒子群优化算法引入预测器和更新器设计中,并改进了重构过程中奇偶序列合并中存在的不匹配问题。通过分别对含有噪声的仿真和实测局部放电信号进行去噪处理,并与传统小波去噪进行对比分析,结果表明基于混沌粒子群优化算法的第2代小波具有快速、高效、实现灵活方便的特点,对局部放电信号具有更好的去噪效果。该方法在局部放电信号处理中有广泛的应用前景。
- 贾亚飞李鸿禄李春耕朱永利
- 关键词：局部放电混沌粒子群去噪
- 基于KELM-VPMCD方法的未知局部放电类型的模式识别被引量：11
- 2018年
- 为了解决局部放电类型未知的样本无法被正确识别的问题,提出了一种基于核极限学习机变量预测模型(KELM-VPMCD)的未知局部放电类型的识别方法。通过KELM对已知局部放电类型的训练样本进行训练,然后对各局部放电类型已知的样本建立相应的变量预测模型。利用这些模型对测试样本进行回归预测。根据各样本的预测误差平方和,利用Otsu算法设置误差阈值,通过阈值识别各样本的局部放电类型。识别结果表明,所提方法对于未知的局部放电类型具有较高的正确识别率。
- 高佳程曹雁庆朱永利贾亚飞
- 关键词：局部放电模式识别
- 基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别被引量：22
- 2019年
- 针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。
- 高佳程朱永利郑艳艳贾亚飞
- 关键词：局部放电模式识别WIGNER-VILLE分布
- 基于GLCM和LBP的局部放电灰度图像特征提取被引量：19
- 2017年
- 针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。
- 赵磊朱永利贾亚飞张宁郭小红袁亮
- 关键词：变压器局部放电特征提取灰度共生矩阵局部二值模式
- 局部放电大数据的并行PRPD分析与模式识别被引量：25
- 2016年
- 随着在线监测的推广应用,输变电设备监测中心已在国内许多电网相继建立,在极端条件下很多电力设备的局部放电(partial discharge,PD)越限数据会蜂拥而至,其快速处理最具挑战性。针对传统局部放电相位分析(phase resolved partial discharge,PRPD)方法处理大数据时的效率低下问题,该文提出了基于Map Reduce编程模型的并行化PRPD分析算法(P-PRPD),实现了海量PD信号的并行基本参数提取、统计特征计算与放电类型识别。在实验室中构造了4种放电模型并采集了大量PD信号,对所提算法在拥有6台计算节点的Hadoop平台上进行了详细的性能评估和实验分析。实验和分析结果表明,该算法在处理海量PD信号时较传统方法具有显著的效率提升,模式识别总准确率达到90%,满足工程应用需求。
- 王刘旺朱永利贾亚飞李莉
- 关键词：大数据局部放电云计算MAPREDUCE
- 基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类被引量：59
- 2016年
- 为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。
- 贾亚飞朱永利王刘旺李莉
- 关键词：局部放电特征提取模式识别
