基于非线性尺度空间与极坐标分布熵的GIS局放特征提取方法OA北大核心CSTPCD

气体绝缘组合电器(gas insulated switchgear,GIS)局部放电(partial discharge,PD)缺陷类型的准确识别对电力设备的状态评估与故障诊断至关重要,为了解决PD模式识别中特征提取准确性不足的问题,该文提出一种基于极坐标分布熵优化的非线性尺度空间特征(KAZE)提取方法。首先,对光、电单参量图谱进行非下采样轮廓波变换(non-subsampled contourlet transform,NSCT),得到包含信息更丰富的光电融合图谱;然后,利用KAZE算法提取图谱典型特征点,并依据相位、幅值、尺度信息将特征点发散至极坐标,提取子区域分布熵构成特征向量;最后,将特征信息带入经自适应增强算法(Adaboost)优化的长短期记忆网络(long short-term memory,LSTM)进行模式识别验证,并与KAZE法、统计参数法、卷积神经网络(convolutional neural networks,CNN)进行对比。结果表明,该文提出的特征提取方法在不同训练集分布下均可达到较高的识别率,最高可达91%,相较于统计参数法、CNN分别提升8.8%和4.4%,可以为提高GIS局部放电特征提取准确性提供参考。