基于模糊K-近邻算法的GIS局部放电模式识别

气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)局部放电检测对保证GIS的安全可靠运行具有重要的意义。为了对高压GIS缺陷故障进行有效诊断,试验设计了四种典型缺陷模型,并用超高频法提取局部放电信号,得到Ф-q,Ф-n等分布图谱,获得了能够反映局部放电特征的偏斜度γSk、陡峭度ξKu和局部峰值个数Pe等特征参数。根据所提取的四种典型缺陷信号的特征参数特点,通过模糊K近邻分类(fuzzy K-NN classifier,FK-NN)算法对典型缺陷局部放电信号进行了模式识别。结果表明:当近邻个数K=7、调整参数β=0.75时,FK-NN算法对GIS内缺陷识别能达到较高的识别效果。     

GIS金属突出物缺陷局部放电发展全过程的严重程度评估

局部放电作为GIS设备绝缘劣化的早期信号,能够引起绝缘的进一步劣化,因此,研究局部放电严重程度评估对GIS设备检修具有重要的理论意义。结合局部放电信号的统计特征与其严重程度的单调相关性,提取了能够表征局部放电严重程度的9项统计特征参数,将局部放电严重程度划分为轻度放电、中度放电与重度放电3个阶段,研究并构建了基于K-means聚类分析的局部放电发展全过程的严重程度评估算法,以金属突出物缺陷局部放电试验为例,对获取的局部放电发展全过程信号进行严重程度评估,得出不同严重程度下各特征参数的标准数值区间。结果显示,局部放电严重程度的评估结果与各特征参数的变化趋势完全相符,验证了该算法的可行性与有效性。     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初始化,从构建的变电站GIS设备特高频检测图谱库中抽取样本作为训练集和测试集,通过模型训练得到识别模型.为辅助现场运维,设计基于两层架构的GIS局部放电缺陷诊断和运维系统以及实现流程,应用到某市供电公司GIS运维中,结果表明,GIS局部放电缺陷诊断方法及系统可有效识别出特高频检测图谱中的缺陷类型和干扰,为现场运维决策提供依据,提升现场运维检修效率.     

基于组合核多特征融合的GIS局部放电检测与识别

GIS局部放电模式识别是其绝缘状态评估的重要部分,搭建了252k V GIS局部放电实验仿真平台,采用超高频和超声波检测法对4种典型绝缘故障进行局部放电检测,得到了相应的放电信号,并根据信号特点获取了相应的统计参数图谱,提取了相应的特征参数;采用K-折交叉验证和粒子群算法对组合核参数法进行了核函数参数优化,然后采用优化后的算法融合了超高频和超声波特征参数,分别将融合后的参数和单一的超高频及超声波参数输入到分类器中进行放电模式识别。结果表明,多特征参数融合后的识别率要高于单一特征的识别率,融合后的识别率可达92%。     

基于仿生模式识别的GIS局部放电类型辨识

为实现气体绝缘组合电器(GIS)局部放电检测和故障识别,设计了GIS典型缺陷模型,使用超高频法检测放电信号,并提取特征参数。利用主成分分析法对特征参数进行降维处理,引入仿生模式识别算法进行辨识,提出一种改变连通方向的方法,提高了算法的辨识率,分析了连通方向改变前后样本的辨识率,以及未训练样本类型的错分率。结果表明,基于仿生模式识别的GIS局部放电类型辨识率能达到满意的效果。     

GIS局部放电超高频信号的包络分析与缺陷识别

为实现GIS故障检测和缺陷识别,设计了超高频(UHF)包络检波电路和高速数据采集系统,并针对5种典型的GIS缺陷进行了缺陷模型的局部放电试验,获得了这5种典型缺陷的超高频包络信号数据。试验结果表明,同一缺陷模型所产生的局部放电包络信号时域特征大致相同,不同缺陷模型的包络形状不同。论文在此基础上提出了基于时域特征参数和BP神经网络的GIS缺陷模式识别方法。采用该方法后,试验数据缺陷模式识别正确率高达96%以上。     

直流局部放电脉冲峰值—时间序列特征指纹提取

在简述直流下局部放电试验系统以及用于直流局部放电试验的空气中电晕、油纸绝缘的尖板、内部缺陷和沿面放电4种典型局部放电缺陷模型之后,利用自行研制的直流局部放电宽带检测系统获取了缺陷模型在直流电压下的大量局部放电脉冲波形—时间序列。并对获取的脉冲波形—时间序列,使用基于波形时频特征的脉冲群快速分类技术进行随机干扰脉冲剔除,从而获得直流局部放电脉冲峰值—时间序列。在上述工作基础之上,引入Delta(t)参数,把交流局部放电识别方法运用到直流局部放电。对选用的部分直流局部放电TARPD谱图,使用统计算子计算得到36个放电指纹参数。基于遗传算法优化的BP神经网络(GA-BP)对放电指纹参数进行特征评价和选取。研究表明,保留20个有效指纹参数即可达到区分放电类型的目的。     

基于支持向量机的GIS超高频局部放电模式识别

局部放电(PD)可以反映气体绝缘组合开关电器(GIS)内部的绝缘缺陷,不同类型的放电对GIS的危害程度存在明显的差异,正确识别GIS的放电类型对于保证GIS安全可靠运行、评估GIS的绝缘状况和制定合理的维修策略具有十分重要的意义。为了研究GIS中不同缺陷所激发的局放信号的特征,设计了4种典型放电缺陷模型来模拟GIS中可能存在的绝缘缺陷,通过试验从超高频(UHF)信号中提取出8个统计特征参数来描述放电的典型特征。基于支持向量机(SVM)算法设计构造了4分类SVM模型,采取投票的方式识别放电类型。实验结果表明,该方法识别率高,能有效识别4种GIS中的典型放电。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

LVQ神经网络在GIS局部放电类型识别中的应用

通过在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒三种缺陷模型,用超声波传感器在相同电压下采集到良好的局部放电波形。针对波形选取了7个特征参数,最后用LVQ神经网络对放电类型进行识别,其综合识别率达到96.7%,高于S_Kohonen神经网络,有很好的实用价值。