基于AORGK时频与2DNMF的局部放电类型识别提升

本文主要探讨了基于时频分析和二维非负矩阵分解的局部放电模式识别技术在电力设备维护中的应用。首先，局部放电（Partial Discharge, PD）是电力设备运行过程中常见的问题，特别是尖端和气隙等绝缘缺陷可能导致绝缘局部击穿，对设备的性能和安全构成威胁。为了更准确地评估设备状态和运行风险，模式识别技术在检测不同类型PD信号中的重要作用被强调。 文章采用了一种混合特征提取策略，即结合自适应最优径向高斯核（Adaptive Optimal Radially Gaussian Kernel, AORGK）时频分析和二维非负矩阵分解（2D Nonnegative Matrix Factorization, 2DNMF）。传统的傅里叶变换在处理非平稳的PDUHF信号时存在局限性，而时频分析则能够揭示信号随时间和频率的变化，成为研究热点。刘尚合和郭灿新的工作已经证明了时频分析在提取PD信号特征上的有效性。 作者将AORGK引入时频分析中，利用短时模糊函数（Short-Time Ambiguity Function, STAF）和自适应核函数，以区分信号的本征成分和交互成分。这种技术有助于更好地理解信号的时频特性，从而提高模式识别的准确性。通过与传统k-近邻分类器和三层反向传播神经网络的比较，模糊k-近邻分类器展现出更高的识别率和易于扩展的优势。 在实验部分，作者使用了4种典型绝缘缺陷模型的局部放电UHF信号作为测试样本，结果显示AORGK时频分析能够精确表征单次波形的时频信息，而2DNMF降维后的特征矩阵保留了原始时频矩阵的关键信息。这一方法对于电力设备的实时监测和故障预测具有实际应用价值，进一步推动了电力设备健康状态的智能诊断技术的发展。 本文的工作不仅深化了对PDUHF信号时频特性的理解，还提供了有效的局部放电模式识别策略，为电力设备的维护和故障预防提供了强有力的支持。