共查询到19条相似文献,搜索用时 203 毫秒
1.
局部放电是表征电力设备绝缘状态的最有效的手段之一,然而关于直流电压下XLPE电缆典型绝缘缺陷局部放电特征的研究较少。文中首先深入分析了直流下复合绝缘材料局部放电机理,总结了XLPE电缆常见缺陷类型及其原因。使用单芯XLPE电缆及其预制式接头制作了金属毛刺电晕缺陷、应力锥处半导电层沿面放电缺陷以及绝缘交界面气隙放电缺陷,在直流电压下进行阶梯式加压试验。基于高频电流法采集局部放电数据,获得了各缺陷不同放电严重阶段的多种典型特征,包括放电量-时间间隔-放电重复率三维图谱,前序放电量、前序放电时间间隔与当前放电量相关性散点图。提取了典型统计图谱的28个指纹特征,并使用RBF神经网络进行模式识别获得了较好识别正确率,从而验证了特征有效性。 相似文献
2.
针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。 相似文献
3.
为研究110kV交联电缆接内部绝缘缺陷的局部放电(partial discharge,PD)特性,设计并构造了5种典型绝缘缺陷,通过建立电缆接头局放试验研究平台,采用电容耦合法获取不同绝缘缺陷下的放电信号,构造出三维PRPD(phase resolved partial discharge)谱图表征缺陷放电状态,并采用单次放电脉冲时域波形的3、4阶特征参量萃取放电特性进行分析。研究试验结果显示,电容耦合法检测法可有效检测出电缆接头内部缺陷引起的局放,且不影响电缆接头及本体的绝缘性能;所构建的5种典型缺陷在工频电压激励下,放电脉冲序列在放电区间、放电重复率等统计特征有很大的不同,用时域波形的3、4阶特征参量所描述的放电特性也存在很大差异。这些特征可用作放电类型识别的依据。 相似文献
4.
针对10 kV XLPE电缆缺陷检测中局部放电相位谱图无法充分反映电缆缺陷特征的问题,制作了主绝缘刀痕、外半导电尖刺、半导电遗留物、主绝缘气泡、导电通道5种缺陷电缆,利用高频电流传感器获取缺陷电缆的放电数据,并进一步生成PRPD、时频(TF)谱图,结合高频电流传感器数据及TF谱图对这5种常见电缆缺陷的局部放电特征进行分析、分类。结果表明:结合PRPD谱图中局部放电的分布形状及相位分布、幅值、放电次数等特征信息与TF谱图中团簇的形状、分布特性,可以方便地对典型缺陷进行识别。 相似文献
5.
基于单一检测手段的变压器故障诊断方法难以对油纸绝缘的同一类型缺陷进行细化识别,无法满足深远海风电快速发展背景下电力系统对设备运行可靠性的要求。因此,本文提出了一种基于局部放电相位(PRPD)图谱和油中溶解气体分析(DGA)信息融合的油纸绝缘缺陷识别方法,设计并制作了6种电极模型,模拟变压器中不同电场不均匀系数的沿面放电典型缺陷,并采集其PRPD及DGA数据;分别采用卷积神经网络(CNN)和反向传播神经网络(BPNN)对6类缺陷的PRPD图谱和DGA特征向量进行模式识别;提出基于D-S证据理论的CNN-BPNN信息融合模型,实现基于PRPD图谱与DGA数据的联合诊断。结果表明:基于D-S证据理论的CNN-BPNN模型可有效纠正单一判据模型的错误输出,并降低分类结果的不确定度,当PRPD图谱输入维度为8×8、16×16、32×32时,融入DGA特征向量的模型识别准确率分别为93.21%、97.53%、99.17%,较PRPD图谱单一判据模型的识别准确率分别提升了4.81%、2.78%、0.84%,该模型可有效融合局部放电的电气物理信息和化学产物信息,既提高了缺陷识别准确率,又增强了输出结果... 相似文献
6.
7.
局部放电检测对识别电力电缆绝缘缺陷具有重要意义,其中提取有效的特征参量为其研究重点。该文提出一种基于二维Littlewood-Paley经验小波变换(2D-LPEWT)的特征提取方法,可实现电缆局部放电不同缺陷类型的准确识别。通过搭建电缆绝缘局部放电检测平台,利用2DLPEWT对四种典型缺陷模型下局部放电产生的?-Q-n图谱进行分解,对得到的经验小波系数子图提取了Tamura特征、矩特征和熵特征,并讨论了不同的特征提取方法对KNN、决策树、支持向量机(SVM)三种分类算法性能的影响。结果表明所提出的特征提取方法在不同的分类器下均可达到很高的识别精度,具有很好的实用性。 相似文献
8.
《高压电器》2015,(7):141-147
变压器套管的局部放电是引起绝缘劣化,导致套管着火和爆炸的重要原因,现有的套管局部放电测量需要利用套管末屏的接地线,操作复杂,且容易受地网中的脉冲信号干扰。为了解决这个问题,文中提出了一种基于特高频技术的变压器套管局部放电检测及模式识别方法。根据实际套管典型缺陷,在实验室以110 kV变压器出线套管为试验对象,制造了套管顶部悬浮、套管末屏引线接触不良、套管下部均压环悬浮模型、套管下瓷套沿面放电这4种缺陷模型。利用传统脉冲电流和特高频检测方法,测量了局部放电特性,对比分析了脉冲电流PRPD、特高频PRPD、NV图谱的特征。研究结果表明:套管缺陷局放特高频PRPD谱图与脉冲电流法所测结果基本一致;根据PRPD、NV图谱的形态特征,可以辨识出套管局部放电缺陷类型及可能的放电部位。文中的研究成果对推动套管局部放电带电检测有重要意义。 相似文献
9.
基于局部放电主成分因子向量的油纸绝缘老化状态统计分析 总被引:9,自引:2,他引:9
提出一种新的局部放电模式——脉冲相位分布(17RPD)模式特征参数提取方法,用于油纸绝缘老化阶段的判定。通过对油纸绝缘内部气隙模型的加速老化试验,以及老化过程中局部放电信号的定期采集,采用主成分因子分析方法,从传统的PRPD图谱统计特征参量中提取出一组新的局部放电主成分因子向量。新的主成分因子不仅彼此之间完全独立,而且各自具备清晰的物理意义,并最大程度地概括了PRPD图谱所包含的信息。基于不同老化阶段的主成分因子向量聚类分析表明,它对油纸绝缘的老化状态判别结果可以为绝缘状态诊断提供具有重要参考价值的信息。 相似文献
10.
电缆终端常发生安装缺陷,放电图谱与缺陷类型的关系仍是电缆制造、安装缺陷局部放电检测研究的重点。分别制作10kV电缆终端绝缘屏蔽尖端、导电杂质、应力锥错位、空穴、环切5种典型缺陷,用高频电流传感器(high-frequency currenttransformer,HFCT)进行局部放电试验,分析了局部放电起始电压(partial discharge inception voltage,PDIV)、单脉冲时域和频域特性、平均放电量qave、放电量相位分布(phase resolved partial discharge,PRPD)谱图及其统计参数和时频(time-frequency,TF)谱图等特征。结果表明:绝缘屏蔽尖端PDIV较低,PRPD谱图正、负半周逐渐发展成“三角状”,放电极性与外加电压相反,Sk+/Sk-均为负值,随电压升高逐渐接近0,1.73U0下TF谱图呈“L”形;导电杂质qave在16kV下陡增,PRPD谱图放电极性与外加电压相反,电压极性... 相似文献
11.
Cachin C. Wiesmann H.J. 《Dielectrics and Electrical Insulation, IEEE Transactions on》1995,2(4):578-589
Partial discharge (PD) patterns are an important tool for the diagnosis of HV insulation systems. Human experts can discover possible insulation defects in various representations of the PD data. One of the most widely used representations is phase-resolved PD (PRPD) patterns. We present a method for the automated recognition of PRPD patterns using a neural network (NN) for the actual classification task. At the core of our method lies a preprocessing scheme that extracts relevant features from the raw PRPD data in a knowledge-based way, i.e. according to physical properties of PD gained from PD modeling. This allows a very small NN to be used for classification. In addition to the classification of single-type patterns (one defect) we present a method to separate superimposed patterns stemming from multiple defects. High recognition rates are achieved with a large number of single patterns generated by stochastic PD simulations. Our network architecture compares favorably with a more traditional network architecture used previously for PRPD classification. These results are confirmed by classification of patterns measured in laboratory experiments and power stations 相似文献
12.
为了更准确地对乙丙橡胶电缆绝缘老化状态进行识别,提出了一种基于局部放电图像特征和深度森林的识别方法。文中制备了不同老化状态的乙丙橡胶试样,搭建了局部放电试验平台,通过试验获得了不同老化状态的乙丙橡胶试样局部放电谱图,并从局部放电谱图中提取了19个特征参量,结合深度森林网络对不同老化程度的试样进行识别。结果表明:通过结合局部放电谱图特征和深度森林网络能够准确的识别电缆老化状态,且识别率优于其他传统分类算法。将局部放电图像特征与深度森林结合应用于电缆的绝缘老化诊断具有较好地工程应用前景。 相似文献
13.
基于卷积神经网络的高压电缆局部放电模式识别 总被引:1,自引:0,他引:1
由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。 相似文献
14.
15.
16.
通过对局部放电的模式识别可以了解放电类型及严重程度,并在此基础上确定维护方案。为了对局部放电进行识别,建立了油纸绝缘中的5种典型缺陷模型;运用K-W检验从相间局部放电(PRPD)统计算子中提取出分类能力最强的11个特征;基于提取的特征,在小样本训练集的前提下,利用层次分析法对典型放电模型进行识别,同时和同种情况下使用人工神经网络的识别效果进行了比较。实验结果表明,在小样本训练集下,运用层次分析法得到了较好的识别效果,正判率均大于85%,优于人工神经网络,这为小样本训练集的情况下局部放电的快速识别奠定了基础。 相似文献
17.
基于局部放电因子向量和BP神经网络的油纸绝缘老化状况诊断 总被引:3,自引:0,他引:3
模拟真实变压器的内绝缘运行环境,设计了一种单因子加速热老化试验。提取了局部放电脉冲相位分布(PRPD)模式的四个图谱及其对应的27个特征量,利用因子分析方法从27个特征量中提取了10个主成分因子。在局部放电10个主成分因子的基础上,选择BP神经网络对油纸绝缘的老化状况进行诊断。输入训练样本数据分别采用BP标准算法和四种改进算法对网络进行了训练,并对测试样本进行了老化诊断。基于10个主成分因子的BP网络在一定程度上能够诊断油纸绝缘的老化状况。各种算法的诊断结果表明L-M算法是比较合理的油纸绝缘老化诊断的BP网络算法。 相似文献
18.
设计了4类由变压器油纸绝缘缺陷引起的"单一局放模式"模型:气隙放电模型、针板放电模型、介质表面金属杂质放电模型、油隙放电模型。通过标准化试验方法得到了不同模型局部放电相位分布模式(phase resolved partial discharge,PRPD模式)的二维谱图,并对谱图进行分析得到25个局部放电统计参量。采用主成分分析对统计参量的有效性进行了分析,得到了25个统计参量对不同类型放电信息表达的新特征参量组,以及对不同放电类型识别的贡献率。 相似文献
19.
局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net ̄work,DRN)模型与传统识别模型进行融合。实验结果表明:迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。 相似文献