基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

振荡电压下电缆典型缺陷局部放电的统计特征及定位研究

振荡波检测技术在近似于工频的阻尼振荡电压作用下检测电缆绝缘缺陷处的局部放电,具有检测结果可标定、对电缆绝缘无损伤、特别适合现场测试等优点.为研究阻尼振荡电压作用下电缆缺陷局部放电的统计特征,文中在10kV电缆上预设了中间接头导体接管处错缠绝缘胶带、端部针尖、本体外半导电层破损、端部悬浮共计4类典型缺陷,采用自主研发的振荡波测试系统试验测量了预设缺陷的局部放电信号,应用振荡电压相位分析方法,分析了4类典型缺陷局部放电在不同严重程度时的相位统计特征.分析结果表明:4类预设缺陷的定位误差不大于10 cm;中间接头导体接管外错用绝缘胶带产生的局部放电信号呈三角形稀疏分布在振荡电压的20°～70°、200°～280° 2个相位区间;端部针尖缺陷产生的局部放电信号呈矩形密集分布在振荡电压的20°～110°、200°～280° 2个相位区间;外半导电层破损缺陷产生的局部放电信号呈三角形集中分布在振荡电压的180°～280°相位区间;端部悬浮缺陷产生的局部放电信号呈矩形集中分布在振荡电压的200°～300°相位区间.预设缺陷局部放电的相位谱图存在明显的特征差异,为进一步研究阻尼振荡电压作用下电缆局部放电的模式识别和放电严重程度奠定了基础.     

基于LSTM算法的高压交联电缆线路振荡波局部放电检测方法

高压交联电缆线路承担的高电压、大容量电力输送任务存在复杂性。针对线路振荡波局部放电检测准确度较差,难以进行缺陷定位的问题,提出基于长短期记忆（LSTM）网络算法的高压交联电缆线路振荡波局部放电检测方法。应用振荡波电压法搭建高压交联电缆线路振荡波局部放电检测框架。基于小波包分解算法,提取典型局部放电信号特征,通过LSTM网络算法识别与检测振荡波局部放电信号,消除局部放电信号中的噪声。根据原始振荡波与反射振荡波到达测试端的时间差,结合振荡波传播速度,确定高压交联电缆线路缺陷位置,实现电缆线路振荡波的局部放电检测。试验结果表明,所提方法的局部放电信号识别准确度更高,电缆线路缺陷定位更精准,实际应用性能较佳。     

不同频率振荡波电压下XLPE电缆局部放电特性的研究

振荡波检测技术在电力电缆局部放电检测中广泛应用。测试电缆长度不同导致振荡波电压频率发生变化。为了研究不同频率振荡波电压作用下电缆缺陷的局部放电特性,文中使用自主研发的振荡波测试系统检测了热缩式电缆附件在电缆终端无应力管、中间接头错用绝缘胶带替换半导电自黏胶带、交联聚乙烯主绝缘表面由割痕导致的气隙以及主绝缘表面存在金属微粒这4种缺陷的局部放电,对比分析了局部放电起始电压、熄灭电压、放电幅值、放电次数等特征随振荡波频率的变化情况,并对4种缺陷进行模式识别。分析结果表明,局部放电特性随振荡波频率变化而存在差异,4种缺陷的统计特征区分度较大,识别效果较好,具有实际应用价值。     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

局部放电可以反映气体绝缘组合电器(gas insulated switchgear,GIS)内部的绝缘缺陷,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。     

振荡波电压下10kV交联聚乙烯电缆中间接头的局部放电特性

交联聚乙烯(XLPE)电缆局部放电的振荡波电压检测方法是一种无损检测方法,目前已得到初步应用。为了研究振荡波电压下电缆典型缺陷的局部放电特性,制作了4种10 k V交联聚乙烯电缆中间接头人工缺陷模型,对4种缺陷模型分别施加振荡波电压和工频电压,对比研究了振荡波电压和工频电压下的局部放电特性。研究结果表明:相较于工频电压,振荡波电压下局部放电的脉冲信号上升沿更陡峭,过峰值后衰减更快,在2~3个周期内衰减到0,脉冲持续时间短约3~30μs;同一种缺陷的局部放电3维统计图谱在振荡波电压与工频电压下基本一致,不同缺陷的局部放电3维统计图谱区别明显,为进一步研究振荡波电压作用下交联聚乙烯电缆局部放电的模式识别奠定了基础。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

110kV及以上电缆典型缺陷的智能识别研究

为了提高电力电缆现场测试过程中缺陷类型判断的准确性与灵敏性,通过阻尼振荡波电压法对存在人工缺陷的电缆终端进行局部放电测试,采集不同缺陷下的局部放电信号并提取放电特征量以构造局部放电智能模式识别分类器,经实验验证,所构造的智能模式识别分类器能够在短时间内较准确地判断并输出显示缺陷类型,一定程度上简化了现场检测中的工作量并提高了工作效率。     

基于支持向量机递归特征消除的电缆局部放电特征寻优

电缆局部放电通常由电缆缺陷引起。有效地识别局放信号可以快速地判断缺陷类型。本文提出了一种基于支持向量机递归特征消除且结合了K均值聚类算法的局部放电特征优选新方法。对原始数据提取特征后展开了K-SVM-RFE的特征寻优,按照权重大小获得了不同类型缺陷的局部放电特征排序结果,并对优选排序结果进行了验证。结果表明,不同类型局部放电信号有效特征参数是测试电压和相角与极性的乘积。不同算法下的验证结果表明,本文提出的K-SVM-RFE的特征寻优方法是一种有效的电缆局部放电特征优选方法,可大幅提高电缆缺陷的故障诊断率。     

绝缘局部放电特征量提取与模式识别研究

针对高压设备出现的绝缘缺陷及局部放电特点,为提高电缆模拟缺陷的识别率,设计了三种典型的绝缘缺陷物理模型,并采用统计和经验模态分解与奇异值分解相结合两种不同的特征量提取方法进行缺陷类型辨识,最后采用支持向量机进行模式识别。实验结果表明两种特征量的识别效果均良好,且奇异值分解特征量相对统计特征量识别效率高、识别时间短,表现出了更为良好的识别特性。