基于卷积神经网络的直流XLPE电缆局部放电模式识别技术

针对现有的直流交联聚乙烯(XLPE)电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题,该文提出基于卷积神经网络(CNN)的模式识别算法,采用卷积神经网络框架CAFFE进行网络训练和识别检测。首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本,再利用自适应的卷积核进行特征提取,池化层进行特征映射,非线性多分类器进行回归分类,最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析,发现利用改进的Alexnet网络,采用衰减学习率方式的模式识别框架的平均识别正确率最高,达到了91.32%,相比于传统模式识别算法至少提高了8.97%。该方法具有强大的自适应学习能力,为应用于直流电缆故障诊断的模式识别提供了新的思路。     

基于改进XGBoost算法的XLPE电缆局部放电模式识别研究

局部放电模式识别对交联聚乙烯(XLPE)电缆绝缘性能的判定具有重要意义.在XLPE电缆的局部放电模式识别的研究中,传统机器学习算法存在收敛速度慢、易过拟合、识别准确率低等问题.文章采用一种基于改进XGBoost算法的XLPE电缆局部放电模式识别方法.通过搭建电缆局部放电试验平台人为构造四种35 kV XLPE电缆局部放...     

基于半监督学习的XLPE电缆局部放电模式识别研究

在交联聚乙烯(XLPE)电力电缆的局部放电模式识别的研究中,为解决标注样本数量过少而导致识别率低下的问题,引入基于半监督学习的方法进行电缆局部放电模式识别研究.制作了XLPE电缆的四类典型绝缘缺陷,从局部放电信号中提取20种统计特征参数,对基于半监督学习的一致性模型方法与基于有监督学习的J48,K近邻,BP神经网络等方法进行了对比,并采用主成分分析进行优化.研究结果表明半监督学习能充分利用已标注样本的特征信息和未标注样本的分布信息,增强分类器的性能,提高局部放电模式识别的准确率.而通过主成分分析的方法能降低样本特征维数,有效提高半监督学习算法速度.     

基于半监督学习的XLPE电缆局部放电模式识别研究

在交联聚乙烯(XLPE)电力电缆的局部放电模式识别的研究中,为解决标注样本数量过少而导致识别率低下的问题,引入基于半监督学习的方法进行电缆局部放电模式识别研究.制作了XLPE电缆的四类典型绝缘缺陷,从局部放电信号中提取20种统计特征参数,对基于半监督学习的一致性模型方法与基于有监督学习的J48,K近邻,BP神经网络等方...     

基于多分类器融合的XLPE电缆局部放电模式识别研究

将多分类器融合的方法应用到XLPE电缆的局部放电模式识别中.针对几种典型的XLPE电缆局部放电类型,提取放电统计特征参数,采用主成分分析(PCA)降维后,应用基于AdaBoost的多感知器神经网络融合分类模型进行分类.实验结果表明算法能有效提高基本分类器的准确率,提供了一种用于局部放电模式识别新的有效方法.     

基于压缩感知的高压直流电缆局部放电模式识别

目前,高压直流电缆工程空前开展,但电缆及其附件带电检测和模式识别技术研究尚处于初级阶段。使用交联聚乙烯电缆设计制作了绝缘内部气隙、绝缘表面划伤、外半导电层爬电、高压端毛刺电晕4种绝缘缺陷模型。提出将基于压缩感知理论的稀疏表示分类技术应用于直流下局部放电信号模式识别。使用放电重复率图谱作为分类样本,将训练样本集组成过完备字典,利用测试样本在其上投影的稀疏性,通过1范数最小进行稀疏表示从而实现分类。在不同样本维数下,采用同伦、非负最小二乘以及正交匹配追踪3种算法解决1范数最小问题。结果表明:较低维度(10×10维、15×15维)时,3种方法识别正确率近似,随着维度增大,同伦法识别率明显优于另外两者,20×20维时最大识别率可达92.31%,非负最小二乘法识别率稍次,但运算时间过长。综合比较,同伦法具有识别率高和运算速度快的优点,取20×20维即可满足识别精度和计算效率的要求。     

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。     

XLPE直流电缆典型缺陷局部放电特性研究

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。     

振荡波电压下XLPE电缆局部放电模式识别研究

振荡波电压法因其无损检测特性被广泛应用于局部放电检测中,而目前缺乏对振荡波电压下电缆故障类型的模式识别研究。为此,笔者根据常见的电缆缺陷类型,制作了4种10 kV交联聚乙烯电缆中间接头人工缺陷模型,对4种缺陷模型施加振荡波电压并测量局部放电信号;提出以局部放电信号正负半波统计算子作为模式识别的输入特征量,采用支持向量机分类器对4种典型电缆缺陷进行模式识别;并将识别结果与采用人工神经网络的模式识别结果进行对比,验证了该方法的有效性。结果表明:以局部放电信号正负半波统计算子作为特征量能很好地反映电缆局部放电信息;基于支持向量机的模式识别方法能有效识别出振荡波电压下各种缺陷局部放电模式,比传统的人工神经网络模式识别方法识别率更高、运行速度更快,具有很好的实际应用价值。     

基于FPGA的XLPE电缆局部放电在线监测技术

交联聚乙烯（XLPE）电缆在运行过程中,电缆绝缘老化会影响电力系统运行的安全性和连续性。基于现场可编程门阵列（FPGA）实时数据采集技术,研制出可应用于XLPE电力电缆运行状态现场的局部放电在线监测新技术,可以对其故障进行预警并预防更严重的绝缘故障的发生。     

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。     

基于深度稀疏降噪自编码网络的局部放电模式识别

由于变电站现场局部放电检测易于受到各类干扰的影响,造成检测数据中存在噪声,使数据中信号特征不明显,因此传统的基于统计特征的模式识别方法在应对现场检测数据时识别率较低。提出了一种基于深度稀疏降噪自编码器网络的模式识别方法。对试验检测出的典型特征图谱,利用深度稀疏降噪自编码器进行主动染噪学习训练,最后得到可以有效去噪的深度特征提取模型,并利用Softmax分类器输出识别结果。利用在变电站现场实测数据对方法进行验证,并与传统的识别方法进行对比,证明方法对含有噪声的局部放电信号有更好的识别效果。     

复杂数据源下基于深度卷积网络的局部放电模式识别

随着局部放电检测技术和大数据技术的推广,变电站现场气体绝缘组合电器(GIS)的局部放电检测数据不仅数量庞大,而且数据来源复杂,因此传统的局部放电模式识别方法已难以满足需求。鉴于此,提出了一种基于深度卷积网络的局部放电大数据模式识别方法,构建了应用于局部放电模式识别的深层卷积网络模型,同时应用深度自编码器对模型参数进行初始化,利用多层卷积神经网络提取局部放电大数据的深层特征以提高复杂数据源下的识别正确率。通过真型GIS模型实验、变电站现场带电检测和典型干扰实验获取了大量局部放电检测数据,组成复杂数据源的测试样本,并对所提方法进行了实验分析。实验结果表明:与传统的模式识别方法相比,新所提的方法在处理复杂数据源样本任务中识别正确率更高,且识别正确率提高值随样本数据的增加而增大,更适合于大数据平台的工程应用需求。     

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。     

用于局部放电模式识别的深度置信网络方法

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,分散性大,易受运行环境影响,而基于PD统计特征模式识别的传统方法,特征量选取主观性较强,且容易丢失部分特征信息,尤其对自由金属微粒类型缺陷识别率较低。因此,提出了一种基于深度置信网络(deep belief nets,DBN)的GIS设备内部PD模式识别方法,DBN能从数据中自主学习出高阶特征,避免了特征量选取的主观影响,能较好识别自由金属微粒类型缺陷,且识别用时远低于支持向量机(support vector machine,SVM)和BP神经网络(back propagation neural networks,BPNN)算法,作为对GIS设备PD模式识别的新方法具有一定的实用价值。     

直流XLPE电缆绝缘泄漏电流与局部放电试验特征研究

目前,直流电缆制造技术及工程空前发展,然而,国内外关于直流电压下XLPE电缆故障特征及劣化规律研究极少。局部放电和泄漏电流是电缆绝缘状态的两种重要表征手段。文中搭建了局部放电和泄漏电流联合检测试验平台,研究了绝缘内部气隙、主绝缘表面划伤以及金属毛刺电晕3种缺陷的局部放电和泄漏电流试验特征。结合理论分析及仿真,首先研究了放电量、放电重复率以及泄漏电流幅值间的相关性。之后,基于Shannon熵、互信息等分析手段,研究了不同极性电压下泄漏电流和施加电压间相关特征。综合来看,正常电缆、气隙缺陷、电晕缺陷在负极性电压下的泄漏电流-电压曲线,比正极性电压下的呈现更强线性相关性;划伤缺陷在正、负极性下的泄漏电流-电压间线性相关性均比较明显。该研究对电缆现场状态检测策略的研究具有重要价值。     

基于FBG的电缆XLPE绝缘局部放电检测研究

光纤布拉格光栅(fiber bragg grating,FBG)的波长编码特性适用于电力电缆中间接头局部放电的准分布式检测。但是电缆主绝缘材料交联聚乙烯(XLPE)的弹性模量很低,利用FBG检测其局部放电声信号还存在可行性及灵敏度等问题。以XLPE为研究对象,对比了XLPE中尖刺-气隙放电和油中针-板放电所产生的声信号强度,分析了FBG传感器检测XLPE中尖刺-气隙放电声信号的灵敏度及衰减特性。实验表明:XLPE中尖刺-气隙放电产生的声信号强度远小于油中针-板放电;FBG传感器可测得最小300 pC的放电信号;XLPE中声信号衰减严重,FBG传感器测得的局部放电声信号幅值符合一阶指数衰减规律,衰减系数为0.07 Np/mm。     

基于分形理论的XLPE电缆局部放电在线检测

采用高频宽带电磁耦合法检测了XLPE绝缘电力电缆的局部放电信号 ,用基于分形学分数维数和自相似原理识别、处理局部放电信号的数字分析系统来有效提取局部放电信号特征值 ,抑制或剔除噪声信号干扰。还提出了XLPE绝缘电力电缆局部放电在线监测、巡测的基本方法。     

基于卷积神经网络的高压电缆局部放电模式识别

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。