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。     

基于深度学习和多模型融合的局部放电模式识别方法

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。     

基于改进ECOC分类器的直流电缆终端接头局放模式识别

绝缘缺陷问题直接影响直流XLPE电缆的运行安全,而准确的绝缘状态诊断对保证直流输电系统正常运行具有重要意义,由于直流电缆的故障诊断目前研究处于起步阶段,且局部放电特征与交流XLPE电缆具有明显区别。针对直流XLPE电缆出现的绝缘缺陷以及产生的局部放电特点,该文设计了4种直流XLPE电缆终端接头典型的绝缘缺陷物理模型,根据q-(35)t-n(即放电幅值,放电间隔,放电次数)局放信号图,提出了基于改进ECOC分类器的直流电缆终端局放模式识别法。首先,对局放信号图进行轮廓波(Contourlet)变换,并计算各子带系数的Tsallis熵,将其作为特征向量,带入自适应布谷鸟优化稀疏编码阵的ECOC分类器(ACS-SR-ECOC)实现缺陷模式识别。通过对大量试验数据测试,验证了所提出的识别方法在直流XLPE电缆终端接头绝缘缺陷的诊断效果,相比与4种传统的ECOC分类器,所提出的ACS-SR-EOCO分类器的识别准确率更高,至少提高10.3%。     

基于多尺度纹理特征的EPR电缆终端故障诊断方法

高速铁路列车中乙丙橡胶(EPR)电缆终端常因制作过程中操作不当而导致出现多种缺陷,造成终端局部放电甚至击穿的现象,对检测到的局部放电信号进行准确分类仍然是亟待解决的难题。分别制作了含尖端、环切划伤、金属微粒、气隙4种典型缺陷的终端试样,通过试验记录了各类试样的放电谱图信息。基于试验得到的局部放电谱图库,提出通过图像金字塔理论,构建多尺度局部放电谱图空间,并从中提取1阶纹理统计量、2阶纹理统计量及高阶纹理统计量作为缺陷类型识别的特征参量。同时,结合随机森林算法,基于gini指数完成了特征空间寻优工作,实现了对缺陷类型的正确分类。结果表明：通过随机森林算法,多尺度纹理特征的模型误差率和分类准确率明显优于单尺度纹理特征,能较好地对终端典型缺陷进行分类;同时,由于气隙缺陷和划伤缺陷的放电机理存在相似性,二者缺陷处的局部放电特征同样存在相似现象,因此气隙缺陷和划伤缺陷的分类较易出现误差,导致其识别率偏低,还需针对其图像特征参数和识别算法继续开展研究。     

电网高压电缆外防护绝缘层局部放电识别研究

采用目前方法识别电缆绝缘层的局部放电事件时,无法准确定位局部放电源,导致对局部放电的定位精度不足。提出一种电网高压电缆外防护绝缘层局部放电识别方法。通过时窗能量比检测电网高压电缆外防护绝缘层中存在的局部放电事件,计算时变峰度变化率,以获取脉冲初至时刻,结合时间分析法完成局部放电源的定位;利用局部线性嵌入方法对局部放电信号进行降维处理,获得局部放电信号的特征,根据特征完成局部放电识别。实验结果表明,所提方法的定位精度高、识别准确率高、识别率高。     

一种基于改进的WGAN模型的电缆终端局部放电识别准确率提升方法

目前,基于机器学习的电缆终端局部放电模式识别常因标注数据匮乏或不均衡而导致泛化能力不足,识别准确率较低。为解决该问题,该文提出了一种基于改进的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)模型的电缆终端局部放电识别准确率提升方法。该方法以单个脉冲对应的小波时频谱图为对象,首先训练具有条件生成能力且训练过程稳定的改进WGAN模型并生成新的样本;然后利用新样本对原始样本集进行扩充,以提高样本多样性;最后,利用扩充后数据集训练得到新的局放分类器。实验结果表明,所提方法相较于其他条件生成模型能够更稳定生成新的高质量样本;利用该方法分别对典型电缆终端缺陷数据进行扩充,训练出的新分类器具有更优的泛化能力,且对不同分类器具有适用性。该方法有效抑制了工程中局放类型识别时由于数据匮乏或不均衡所导致的过拟合风险,有效提升了在小数据量下的识别准确率。     

基于点对称变换的乙丙橡胶电缆终端缺陷诊断

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法.首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像...     

电缆终端安装刀痕缺陷的局部放电特性分析

为了在电缆终端运行初期检测出其典型安装刀痕缺陷,设计了电缆终端的两种常见刀痕缺陷,并对缺陷的局部放电特征进行了分析。通过电缆附件老化平台模拟真实工况并加速老化,使电缆终端缺陷的局部放电(Partial Discharge,PD)特征更为明显,并使用罗氏线圈传感器获取了不同刀痕缺陷下的PD数据,分析了不同刀痕缺陷的单个放电脉冲波形、放电频谱以及放电相位分布等特征。此外,将这两种缺陷的放电特性进行了对比分析。实验结果表明,不同缺陷下PD的时频特性各有不同;而且在短时间(240 h)老化的情况下,不同刀痕缺陷的放电程度就已表现出明显差异,这些特征可为缺陷识别以及改进电缆终端安装工艺提供依据。     

基于核典型相关分析融合的XLPE电缆局部放电模式识别

提出使用核典型相关分析方法提取XLPE电缆接头局部放电信号PRPD图谱特征信息,并使用K最近邻分类算法实现不同绝缘缺陷模式的高准确率识别。利用YJV-26/35 k V型电缆及其附件设计了4种典型绝缘缺陷,使用脉冲电流检测获取局部放电样本信息,绘制了PRPD图谱并应用于样本数据,研究不同特征向量下的识别效果,在适合维数最终获得较高识别正确率。相对于传统电力设备模式识别方法,不但可以有效反映信号非线性特征,并可以将多种特征进行有效融合,消除冗余特征。     

基于卷积神经网络自动提取特征的电缆绝缘缺陷识别

针对电力电缆局部放电信号人工提取特征严重依赖专业经验,易受主观不确定性影响的问题,提出了一种基于卷积神经网络自动提取特征的电缆局放缺陷识别方法。首先采用随机裁剪方法扩充原始样本数据,在此基础上利用滑动时间窗生成局放信号二维图像信息作为网络模型输入。详细研究了卷积层数、池化方式和激活函数等因素对网络识别性能的影响,生成并优化网络结构。方法能够自动提取电缆局部放电二维图像样本的深层特征,在识别准确率和鲁棒性方面效果突出。试验数据表明,系统对4种典型局放缺陷的总体识别率达到了96%,相比于支持向量机和反向传播神经网络等经典方法,分别提高了3.2%和6.0%,具有良好的应用前景。     

基于图像特征挖掘和深度森林的配网电缆终端故障诊断方法

为及时、准确诊断出配网电缆终端早期、潜伏性故障,提出了一种基于图像特征挖掘和深度森林的配网电缆终端诊断方法,采用深度自编码器对局部放电图像进行深度特征挖掘,结合深度森林网络对典型终端故障进行诊断.通过现场实测数据验证,该方法对三种典型故障的诊断率均保持在90％以上,且识别时间在10 s内,能够快速、准确、高效地对配网电缆终端故障进行诊断,识别率和识别时间均优于传统故障方法.     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

110 kV交联聚乙烯电缆终端悬浮电位缺陷试验

为研究应力锥顶部台阶处附着的金属片对电缆终端电场畸变程度的影响,基于电场分析探讨了终端悬浮电位缺陷的局部放电发展过程。首先,建立了静电场下电缆终端悬浮电位缺陷的有限元仿真模型,进行了相关的电场理论计算,结合不同缺陷长度对电场畸变程度的影响,分析了沿径向方向电场强度最大值的分布规律;其次,构建了110 kV电缆终端悬浮电位缺陷物理模型,建立了电缆终端局部放电试验平台,获取了悬浮电位缺陷放电信息;最后,根据放电特性划分局部放电发展阶段,分析了各阶段局部放电相位谱图特征,阐述了终端悬浮缺陷局部放电发展过程。结果表明:缺陷部分最大电场强度出现在电缆本体XLPE、金属片、应力锥的交界处,金属片缺陷的长度与电场的畸变程度成正比例关系,且最大场强值已超过设计控制值。通过试验表明悬浮电位缺陷导致电场发生严重畸变,从而引发明显的局部放电现象,且不同电压下的局部放电相位谱图具有明显特征,为电缆终端局部放电模式识别提供了缺陷样本数据。     

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。     

10 kV透明电缆终端典型缺陷局部放电特征研究

为研究电缆终端典型缺陷的局部放电(PD)特征差异,本研究设计了适用于实验室观测的透明电缆终端,并在终端内预制刀痕缺陷及半导体突起两种常见缺陷。首先利用COMSOL有限元软件对刀痕及半导体突起两种缺陷进行建模与电场仿真;然后搭建10 kV透明硅橡胶终端电热老化试验平台以模拟真实工况并加速老化,利用高频电流传感器(HFCT)获取典型缺陷下的局部放电数据,并构造二维放电谱图;最后对不同电缆终端缺陷的PD信号进行对比分析,并结合仿真结果说明刀痕缺陷及半导体突起缺陷的电场分布特征差异。结果表明:采用透明硅橡胶终端可以实现对电缆终端典型缺陷的连续观测;相比刀痕缺陷,半导体突起缺陷内的电场畸变更严重,其绝缘劣化速度更快。     

基于深度残差网络的GIS局部放电模式识别技术研究

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD)特征表现较复杂,传统局部放电模式识别方法因特征选取具有较强的主观性,其放电类型分类的准确性和鲁棒性均较差。针对这一问题,文中将局部放电的PRPD数据转化为局部放电灰度图,构建深度残差网络对局部放电灰度图进行自适应特征提取,深度挖掘放电灰度图中不同局部放电类型的特征模式,实现局部放电模式的识别,实际实验表明,文中所提方法对局部放电类型的识别同时具有较高的准确率和鲁棒性。     

基于双电容串联模型的TEV传感器在电缆终端局部放电检测中的研究

为研究不同暂态对地电压(TEV)传感器对电缆终端局部放电(PD)检测结果的影响,对基于不同模型的两种TEV传感器下的终端PD特征进行对比分析,并在此基础上提出了一种终端PD检测的新方法。通过电缆终端电热老化平台模拟终端实际运行条件,利用传感器提取PD数据,对比分析了终端局部放电特征以及传感器信噪比(SNR)。结果表明:不同传感器下电缆终端的局部放电特征及传感器SNR存在明显差异。基于单电容模型的TEV传感器在单次放电波形上升时间、持续时间及SNR低于双电容串联模型的TEV传感器;尽管PD信号的幅值差异较小,但基于双电容串联模型的TEV传感器在检测终端PD信号及抑制干扰上更具优势。此外,基于新方法提取的终端PD信号分布于触发信号的二、四象限,这些特征可为终端PD检测时放电信号的相位判定提供理论依据。     

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。     

图信号与图卷积网络相结合的局部放电模式识别方法

为充分利用局部放电(partial discharge,PD)信号的特征信息和特征与特征之间的关联性,来提高局部放电诊断准确性,该文提出一种基于图信号和图卷积网络(graph convolutional network,GCN)的局部放电诊断方法。首先,选取局部放电脉冲的时频谱构建图信号,将时频谱灰度矩阵的子矩阵(即局部特征)作为图节点,并考虑节点的空间相邻和特征相似性为每个节点匹配邻居,以形成局部特征区域间的拓扑关联,丰富局部放电时频谱的数据信息。然后,采用GCN融合图信号的节点特征和拓扑结构以自主学习局部放电特征、识别放电类型。结果表明,所提方法可以有效地诊断局部放电类型,相较于传统的深度学习方法,对于局部放电时频谱的信息利用更为全面,识别准确率更高,且随着样本规模减小,识别优势更加明显。     

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...