BP和RBF神经网络在气隙击穿电压预测中的应用和对比研究

气隙的击穿电压是决定外绝缘水平的重要因素之一,现有关于击穿电压的理论都是单参数的经验公式,对某一特定大气条件下的击穿电压则很难估计.本文讨论了BP及RBF神经网络在气隙击穿电压预测中的应用,详细说明了在人工气候室中进行击穿试验的过程和BP、RBF神经网络的构建方法.使用人工气候室中获得的样本数据对网络进行训练,用训练好的网络对击穿电压进行预测,结果表明BP及RBF神经网络均能较好地对气隙击穿电压进行预测.并对BP及RBF神经网络进行了比较,RBF神经网络在收敛速度、网络构建、非线性逼近以及泛化能力方面都要优于BP神经网络,更适合于气隙击穿电压的预测.     

发电机定子线棒主绝缘老化规律与击穿电压预测研究

击穿电压是表征发电机定子线棒主绝缘老化状态的特征参量,是影响发电机寿命的直接原因,笔者设计了额定电压为8.5 kV的环氧云母绝缘板材并进行加速热老化试验,通过分析主绝缘板材特征参量的变化趋势,结合击穿电压与特征参量有效性判别,得到能有效表征主绝缘击穿电压的实用特征参量组,并采用BP神经网络滚动式预测方式对主绝缘击穿电压预测,结果表明,该特征参数组Qmax、△C、C、△tanδ、tanδ能有效地用于主绝缘击穿电压预测。     

用RBFNN评估发电机主绝缘剩余击穿电压

为了有效地评估绝缘的寿命,研究了采用径向基神经网络评估发电机主绝缘剩余击穿电压的方法。通过研究剩余击穿电压与主绝缘非坏性参量的相关性,得到用于评估击穿电压的神经网络的输入参数,即Δtanδ、ΔC、Sk+和Sk-;利用多因子老化平台对真机线棒进行加速老化,并进行相关测量,从中选择24组数据作为对神经网络训练、检测,及击穿电压预测的样本。结果表明该预测模型在测试样本数量为训练样本数量25%的情况下,剩余击穿电压预测值与实际测量值的最大相对误差<6%,平均相对误差<3%。评估结果对于在样本数量较少的情况下准确预测发电机定子绝缘剩余寿命具有一定的参考价值。     

基于BP神经网络的多参数关联变压器油击穿电压的预测研究

电力变压器的安全、稳定和经济运行是电力输送的重要保证。基于变压器油的日常监督数据,预测变压器油的击穿电压,将为变压器故障的早期诊断、预测防范和及时处理提供重要的科学依据。笔者鉴于BP神经网络具有任意的非线性映射、强大的自学习功能和良好的容错特性,采用BP神经网络的方法进行多参数关联变压器油击穿电压的预测研究。利用变压器油的日常监测数据,用BP算法和改进BP算法训练网络,分别建立了击穿电压与4个影响因素的关联模型。结果表明,基于改进BP算法模型的预测结果精度较高,预测值相对误差在5%以内,具有重要的实际应用价值。     

BP神经网络的多参数关联变压器油击穿电压的预测研究

电力变压器的安全、稳定和经济运行是电力输送的重要保证。基于变压器油的日常监督数据,预测变压器油的击穿电压,将为变压器故障的早期诊断、预测防范和及时处理提供重要的科学依据。鉴于BP神经网络具有任意的非线性映射、强大的自学习功能和良好的容错特性,采用BP神经网络的方法进行多参数关联变压器油击穿电压的预测研究。利用变压器的日常监测数据,用BP算法和改进BP算法训练网络,分别建立了击穿电压与4个影响因素的关联模型。结果表明,基于改进BP算法模型的预测结果精度较高,预测值相对误差在5％以内,具有重要的实际应用价值。     

结构参数对介质阻挡放电击穿电压的影响

为了研究介质阻挡放电(DBD)下反应器结构对气体击穿时反应器两端所需外加电压的影响,进行模拟烟气(N2/NO)在DBD下放电的实验,改变气体间隙、介质材料、电极接入方式、内电极材料等参数,分别比较击穿电压的变化。对实验条件下气体间隙的电场分布进行模拟计算,通过分析电场对击穿电压的影响,验证了实验结果的正确性。结果表明:增大内电极直径,减小气体间隙可以降低击穿电压;增大阻挡介质的介电常数对降低击穿电压有利;与内电极作阳极相比,内电极作阴极时击穿电压较低;内电极材料的二次电子发射系数越大,击穿电压越小。     

大气条件对气隙放电电压的影响及神经网络在放电电压预测中的应用

为研究大气条件对气隙放电电压的影响,使用全自动放电监测装置,对放置在自然环境中的球-球电极放电进行监测并记录实时放电电压及大气参数,并进行了分析。结合监测结果及有限元仿真,提出使用BP神经网络对无凝露放电电压进行预测。对监测结果的分析得到结论包括:自然环境中气隙放电电压随温度的升高而降低,随气压的升高而升高;所进行监测尚不能判断相对湿度、风速、辐照度对放电电压的影响;发现放电电压存在明显低于正常水平的情况,多发生在湿度高、风速低、辐照度小的条件下;气隙放电电压降低是由于电极表面凝露导致电场畸变造成的。ANSYS仿真表明,露珠位置、大小及分布的不同导致在同一大气条件下放电电压相差很大,因此无法对凝露情况下的空气间隙放电电压进行准确预测,但通过改进神经网络对空气间隙放电电压是否下降进行预测的准确率为80.7%。     

高压固体复合绝缘材料电击穿试验研究

采用针板电极系统,对环氧树脂和玻璃纤维的复合材料进行了电热老化试验、电老化试验以及局部放电起始放电电压试验,分析了这种复合材料的界面微观照片,提出了这种复合材料的击穿放电特性及机理。     

支持向量机在组合空气间隙击穿电压预测中的应用

为获取含悬浮导体的组合空气间隙击穿特性,建立了基于支持向量机和电场特征量的组合空气间隙击穿电压预测模型,通过电场特征量表征间隙结构,采用支持向量机建立电场特征量与击穿电压的关联性,以少量典型间隙试验数据作为训练样本,对棒—板—球、棒—板—棒以及球—板—球组合间隙的工频击穿电压进行了预测,通过对比击穿电压试验数据,3种间隙的击穿电压预测结果平均绝对百分比误差分别为4.5%、3.1%和2.8%,最大相对误差均在9%以内,表明所提方法具有较高精度,为组合间隙击穿电压的预测提供了新途径。     

Classification of multiple partial discharge sources in dielectric insulation material using Cepstrum analysis–artificial neural network

In high‐voltage equipment insulation, multiple partial discharge (PD) sources may exist at the same time. Therefore, it is important to identify PDs from different PD sources under noisy condition in insulations, with the highest accuracy. Although many studies on classifying different PD types in insulation have been performed, some signal processing methods have not been used in the past for this application. Thus, in this work, Cepstrum analysis on PD signals combined with artificial neural network (ANN) is proposed to classify the PD types from different PD sources simultaneously under noisy condition. Measurement data from different sources of artificial PD signals were recorded from insulation materials. Feature extractions were performed on the recorded signals, including Cepstrum analysis, discrete wavelet transform, discrete Fourier transform, and wavelet packet transform for comparison between the different methods. The features extracted were used to train the ANN. To investigate the classification accuracy under noisy signals, the remaining data were corrupted with artificial noise. The noisy data were classified using the ANN, which had been trained by noise‐free PD signals. It is found that Cepstrum–ANN yields the highest classification accuracy for noisy PD signals than the other methods tested. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

基于迭代加权改进BP神经网络的电容式电压互感器变比幅频特性拟合方法

针对电容式电压互感器(CVT)的变比幅频特性曲线拟合误差较大的问题,文中以BP神经网络为基础,提出了迭代加权改进的BP神经网络方法,对CVT的变比幅频特性曲线进行拟合,该方法不仅可以保证拟合曲线的均方误差满足收敛条件,还可以有效降低拟合曲线的最大误差。实例计算表明,该方法使得CVT变比幅频特性拟合曲线的最大误差降低24.45%。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法.通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性.     

基于Kohonen网络的典型绝缘缺陷局部放电模式识别

针对变电站环境下局部放电识别所面临的不可控干扰多、现有识别方法初始参数难确定的问题,在设计符合变电站放电特点的典型缺陷,并采集多个样本数据的基础上,结合统计特征参数提取方法,基于具有自组织竞争识别、抗干扰性强特点的Kohonen网络,得出了一种适用于干扰环境下局部放电识别的新方法。通过探究Kohonen网络竞争层节点数对识别效果的影响,得出了针对样本数据的最佳识别参数,并将此网络与常用的模式识别算法在同等条件下进行对比,证明了其面对多种放电识别时的高稳定性与高识别率,验证了其用于变电站环境下局部放电识别时的优良性能。     

低压穿越工况对大型DFIG绕组绝缘老化的影响*

为了研究低压穿越对1.5 MW双馈感应式风力发电机(Doubly Fed Induction Generator,DFIG)绝缘老化的影响和使绕组绝缘性能降低的因素,文章对电老化、热老化和机械应力老化模型进行分析。综合PSCAD和Ansoft仿真得到的低压穿越过程中电流、电压、转速等物理量的变化,以及不同低穿程度下发电机铁耗和铜耗反映出的铁芯和绕组的生热情况,利用老化模型判断低压穿越对绕组的绝缘性能产生的影响,进而分析其对匝间短路的影响。分析结果表明,低压穿越会对绕组绝缘性能产生恶劣影响,极有可能造成发电机匝间短路故障或者使故障恶化。     

Design of an artificial neural network for the estimation of the flashover voltage on insulators

This work attempts to apply an artificial neural network in order to estimate the critical flashover voltage on polluted insulators. The artificial neural network uses as input variables the following characteristics of the insulator: diameter, height, creepage distance, form factor and equivalent salt deposit density, and estimates the critical flashover voltage. The data used to train the network and test its performance is derived from experimental measurements and a mathematical model. Various cases have been studied and their results presented separately. Training and testing sets have been modified for each case.     

注入式定子单相接地保护的应用分析

注入式定子接地保护能单独实现发电机定子 1 0 0 %绕组的保护。在考虑注入电源内阻的基础上 ,通过对故障电流的详细分析 ,扩展定子接地保护中电流突变量的概念 ,采用更加有效的保护动作分量 ,提高了保护灵敏度     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。