导读:本文包含了放电类型论文开题报告文献综述及选题提纲参考文献，主要关键词:GIS,局部放电,类型诊断,深度分层
放电类型论文文献综述
张连根,路士杰,李成榕,唐铭泽,唐志国[1]（2019）在《GIS局部放电深度分层放电类型诊断方法研究》一文中研究指出现有的GIS局部放电类型诊断主流采用单一分类器直接进行多类型划分,该方法对类间交叉重迭区域敏感,且受单一分类器固有缺陷的影响。文中提出了一种深度分层放电类型诊断方法,以逐层二分决策实现多类划分,在分层决策中优先进行良性样本的区分,将交叉重迭区域分类问题放至深层节点进行,且在每个二分节点处可择优选用不同分类器。设计了5种典型的GIS放电模型,从放电PRPD谱图、U-Δt序列谱图的统计特征、图像特征出发,构造了16个特征参量,探索了不同分层深度值下的诊断分类正确率,并与传统直接分类方法进行了比较。结果表明:深度分层诊断相比于直接识别诊断,总体识别正确率提高了20%,尤其对直接识别诊断误判率大的沿面、颗粒类缺陷,识别正确率提升明显(30%)。(本文来源于《高压电器》期刊2019年10期）
毛振宇,李方利,叶玉明,王朋朋,袁秋实[2]（2019）在《基于BP神经网络算法的电缆局部放电类型模式识别》一文中研究指出利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。(本文来源于《机电信息》期刊2019年27期）
王卫星,付淑芳,陈凤仪,余静[3]（2019）在《不同类型抗癫痫药物对伴中央颞区棘波儿童良性癫痫注意网络损害及脑电图痫样放电的影响》一文中研究指出目的观察不同类型抗癫痫药物(AED)对伴中央颞区棘波儿童良性癫痫(BECT)注意网络损害和脑电图(EEG)痫样放电的影响,方法回顾性分析2015年6月—2018年6月湖北省宜昌市第一人民医院儿科诊治BECT患儿235例的临床资料,根据AED类型不同分为丙戊酸(VPA)、奥卡西平(OXC)及左乙拉西坦(LEV)3组,比较治疗6个月时3组患儿癫痫控制效果、EEG痫样放电改善情况、注意网络功能、认知功能及药物不良反应等指标结果 3组患儿临床治疗总有效率比较差异均无统计学意义(χ~2/P=1.234/0.540);VPA组EEG痫样放电改善总有效率明显低于OXC组和LEV组(χ~2/P=7.253/0.027);3组患儿治疗后6个月警觉网络、定向网络及正确率明显升高,平均反应时间(RT)明显降低(P<0.01),且VPA组和LEV组警觉网络、定向网络及正确率低于OXC组(F/P=5.376/0.005、5.979/0.003、13.676/<0.001),平均RT高于OXC组(F/P=5.694/0.004);组认知功能VIQ、PIQ及FIQ均明显升高(P<0.01),且OXC组和LEV组均高于VPA组,差异有统计学意义(F/P=14.084/<0.001、3.955/0.020、3.560/0.030);3组患儿不良反应发生率比较差异无统计学意义(χ~2/P=3.165/0.075)。结论 VPA、OXC和LEV治疗BECT患儿可有效控制癫痫发作并减少脑电图异常放电,其中OXC对注意网络损害改善效果优于VPA和LEV,OXC和LEV对脑电图和认知功能改善效果优于VPA。(本文来源于《疑难病杂志》期刊2019年09期）
彭炜文,郑云海,吴奇宝,高阿娜,黄云程[4]（2018）在《基于PSO-SVM的电力变压器局部放电类型识别》一文中研究指出电力变压器固体绝缘缺陷发展通常会随环境状况的变化而发生改变,而体现缺陷的局部放电信号具有一定的随机性,对局部放电类型进行有效的识别是准确评估电力变压器绝缘状态的前提。针对传统局部放电分类方法的不足,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的局部放电模式识别方法。该方法采用多分类法中的"一对多"分类原理,借助于粒子群优化算法实现对SVM参数的优化,从而能有效地提高分类准确率。通过实验结果表明,PSO-SVM分类精度明显高于反向传播神经网络(BPNN)及传统的SVM识别方法,说明该方法在电力变压器局部放电模式识别及故障预警系统领域具有良好的应用前景。(本文来源于《福建省电机工程学会2018年学术年会获奖论文集》期刊2018-10-30）
王凤林,杨俊英,孙焕均[5]（2018）在《基于相位分辨统计技术的局部放电类型分析》一文中研究指出检修人员一般通过人工分析局部放电相位分辨数据生成的和图谱来判断被测电力设备是否有局部放电及类型。为了提高分析局部放电类型准确性,论文采用分布统计技术来处理的相位分辨数据,提出了偏度和峰度分布统计参量的计算方法,并对已知和未知局部放电类型的相位数据分布统计参量进行了计算、比较和分析。实例分析结果表明该技术有助于检测人员从数据统计角度更好地分析局部放电类型,也为实现局部放电类型自动分析提供了重要的特征参数。(本文来源于《中小企业管理与科技(中旬刊)》期刊2018年10期）
彭炜文,郑云海,吴奇宝,高阿娜,黄云程[6]（2018）在《基于PSO-SVM的电力变压器局部放电类型识别》一文中研究指出电力变压器固体绝缘缺陷发展通常会随环境状况的变化而发生改变,而体现缺陷的局部放电信号具有一定的随机性,对局部放电类型进行有效的识别是准确评估电力变压器绝缘状态的前提。针对传统局部放电分类方法的不足,提出了一种基于粒子群优化支持向量机(PSO-SVM)的局部放电模式识别方法。该方法采用多分类法中的"一对多"分类原理,借助于粒子群优化算法实现对支持向量机(SVM)参数的优化,从而能有效地提高分类准确率。试验结果表明,PSO-SVM分类准确度明显高于反向传播神经网络(BPNN)及传统的SVM识别方法,说明该方法在电力变压器局部放电模式识别及故障预警系统领域具有良好的应用前景。(本文来源于《电气应用》期刊2018年13期）
李正明,钱露先,李加彬[7]（2018）在《基于统计特征与概率神经网络的变压器局部放电类型识别》一文中研究指出针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型叁维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电叁种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。(本文来源于《电力系统保护与控制》期刊2018年13期）
孔健,李棚[8]（2018）在《基于光子晶体光纤的变压器局部放电类型检测》一文中研究指出如何在线准确的检测出电力变压器的局部放电情况,一直是科研人员研究的热点.通过分析变压器局部放电的原因,将其归纳为四种绝缘缺陷模型,采用光子晶体光纤的Faraday磁光效应设计全光纤电流检测系统,分析局部放电类型,提高系统的灵敏度和可靠性.(本文来源于《喀什大学学报》期刊2018年03期）
张云娟[9]（2018）在《绝缘缺陷的局部放电检测与放电类型识别》一文中研究指出随着电力系统容量的增加,电力设备承受的外加电场也相应提高。在电力设备的制造和运行过程中不可避免会出现绝缘缺陷,在这些缺陷部位会首先发生局部放电,局部放电进一步扩大会导致电力设备的故障,从而给电力系统的安全稳定运行带来严重威胁。因此对局部放电进行检测并正确识别放电类型对电力系统的正常运行具有非常重要的意义。在对课题的背景和意义进行研究后,本文深入学习了局部放电的发生机理及检测方法,并通过对单气隙绝缘缺陷的MATLAB/Simulink仿真分析对局部放电过程有了更加深入的理解。本文主要从局部放电试验、放电数据的采集与处理以及放电类型的模式识别叁方面进行展开。在局部放电试验部分中,通过对电力设备中常见的四种典型绝缘缺陷类型进行试样模型的设计与制作,选用脉冲电流法对局部放电进行检测,在检测阻抗设计部分,利用ATPDraw进行仿真以确定检测阻抗的参数。根据局部放电检测的脉冲电流法基本回路,在实验室中搭建了局部放电试验系统,对绝缘缺陷试样进行放电试验与检测。在放电数据的采集与处理部分中,本文研制了一套基于LabVIEW软件的数据采集与处理系统。该系统主要包括系统配置、数据的采集与保存、数据的查看与回放以及数据处理四个模块,在论文中针对这四个模块分别进行设计与编程,主要实现对硬件试验系统检测到的放电信号进行采集、保存并将采集到的数据处理为局部放电对应的放电谱图等功能。在放电类型的模式识别部分中,本文选择了放电信号的偏斜度、陡峭度和互相关因数为放电特征参量并加以提取后,作为模式识别网络的输入。将BP神经网络作为模式识别网络对放电类型进行识别,通过附加动量法和变学习率学习法对简单BP神经网络进行优化,对优化前后的BP神经网络分别进行训练与测试。结果表明,本文研发的数据采集与处理系统能够顺利实现绝缘缺陷中局部放电信号的采集与处理。以提取到的特征参量作为输入,优化后的BP神经网络可以有效地识别放电类型,并且通过附加动量法和变学习率学习法的优化,BP神经网络的识别率得到提升。本课题的设计达到了预期目标。(本文来源于《西安工程大学》期刊2018-05-27）
高佳程,曹雁庆,朱永利,贾亚飞[10]（2018）在《基于KELM-VPMCD方法的未知局部放电类型的模式识别》一文中研究指出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。(本文来源于《电力自动化设备》期刊2018年05期）
放电类型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
放电类型论文参考文献
[1].张连根,路士杰,李成榕,唐铭泽,唐志国.GIS局部放电深度分层放电类型诊断方法研究[J].高压电器.2019
[2].毛振宇,李方利,叶玉明,王朋朋,袁秋实.基于BP神经网络算法的电缆局部放电类型模式识别[J].机电信息.2019
[3].王卫星,付淑芳,陈凤仪,余静.不同类型抗癫痫药物对伴中央颞区棘波儿童良性癫痫注意网络损害及脑电图痫样放电的影响[J].疑难病杂志.2019
[4].彭炜文,郑云海,吴奇宝,高阿娜,黄云程.基于PSO-SVM的电力变压器局部放电类型识别[C].福建省电机工程学会2018年学术年会获奖论文集.2018
[5].王凤林,杨俊英,孙焕均.基于相位分辨统计技术的局部放电类型分析[J].中小企业管理与科技(中旬刊).2018
[6].彭炜文,郑云海,吴奇宝,高阿娜,黄云程.基于PSO-SVM的电力变压器局部放电类型识别[J].电气应用.2018
[7].李正明,钱露先,李加彬.基于统计特征与概率神经网络的变压器局部放电类型识别[J].电力系统保护与控制.2018
[8].孔健,李棚.基于光子晶体光纤的变压器局部放电类型检测[J].喀什大学学报.2018
[9].张云娟.绝缘缺陷的局部放电检测与放电类型识别[D].西安工程大学.2018
[10].高佳程,曹雁庆,朱永利,贾亚飞.基于KELM-VPMCD方法的未知局部放电类型的模式识别[J].电力自动化设备.2018