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。     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

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。     

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.     

基于关联规则的XLPE电缆局部放电模糊识别研究

本文将关联规则挖掘与模糊推理方法应用到XLPE电缆的局部放电模式识别中,采用竞争聚类方法划分区间以离散化特征,通过关联规则法挖掘特征间的相互关系来提取分类规则,进而将这些规则模糊化用于模式识别。该方法能有效挖掘出各特征参数与缺陷类型的潜在规则,对局部放电的模式识别和电缆绝缘故障诊断具有极大的参考价值。本文针对几种典型的XLPE电缆局放数据,提取相关的统计特征参数,采用该模式识别系统进行分类,并与多层感知神经网络、决策树C4.5等方法识别的结果进行对比分析。实验结果表明该算法提出的规则具有识别率高、识别速度快、解释性好和区间可动态划分等特点,提供了一种局部放电模式识别新的可行方案。     

基于时频特征核熵成分分析的局部放电模式识别方法

为实现电气设备局部放电模式的准确识别,提出了一种基于时频特征核熵成分分析的局部放电模式识别方法。首先采用S变换理论对局部放电脉冲信号进行时频特征分析,针对S变换分析结果维数庞大但冗余信息较多而不便于模式识别的缺点,基于核熵成分分析方法对S变换结果进行压缩降维处理,得到了局部放电模式识别时频特征向量,同时结合随机森林分类器实现了局部放电类型的准确识别。搭建了尖端放电、沿面放电、气泡放电、悬浮放电等典型变压器绝缘缺陷模型并采集了局部放电信号,分别采用文中方法、PCA方法及KPCA方法进行了局放模式识别实验。实验结果表明,相比PCA方法及KPCA方法,文中方法局放模式识别结果准确率较高且耗时较短。     

基于NSCT和IA–AP聚类的直流电缆局放信号图特征提取

对直流交联聚乙烯(XLPE)电缆局放信号进行特征提取是故障诊断前的关键步骤。当特征提取在小波域进行时,存在提取的特征参数有限、识别准确率低的问题。因而提出了一种基于非下采样下轮廓波变换(NSCT)和免疫算法(IA)优化仿射传播(AP)聚类的直流XLPE电缆局放信号图特征提取方法。首先采用NSCT提取信号子带系数,并通过IA-AP聚类将全部系数进行分类,计算对应的信号熵和马氏距离等特征参数,最后通过不同的分解层数、聚类个数、训练样本对缺陷类型进行对比分析。实验结果表明:该方法能够应用于直流XLPE电缆局放信号的特征提取研究,相同分类器下,其识别率比小波变换法提高14%以上。该结论为直流XLPE电缆局放信号特征提取提供了新思路,有利于后续绝缘缺陷识别研究。     

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NSST域增强的直流XLPE电缆局放识别方法

针对直流交联聚乙烯(XLPE)电缆局放信号图的对比度差和边缘清晰度低,影响电缆缺陷识别率的问题,提出一种基于非下采样剪切波变换(NSST)域增强的直流电缆局放识别方法。首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法(BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计72个特征参数,并代入到线性核支持向量机(L-SVM),高斯核支持向量机(G-SVM),多项式核支持向量机(P-SVM)和多核支持向量机(M-SVM)识别模型中进行分析。实验结果证明:基于NSST域增强的直流电缆局放信号图与原始信号图相比,在M-SVM情况下,整体缺陷识别准确率提高9.46%以上。运用新提出的方法进行局放识别时,信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。     

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。     

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。     

电力电缆局部放电特征分析及运维检修策略研究

电力电缆局部放电检测是检测电缆绝缘状态的重要故障检测方法。然而,目前对于XLPE直流电缆局部放电的特征与分析相对空白,因此研究XLPE直流电缆局部放电的现象与特征,有助于对XLPE高压直流电缆绝缘状况的有效评估,同时对高压电缆的故障诊断与运维检修工作有着重要意义。首先使用Comsol仿真软件对XLPE电缆中间接头进行了仿真,分析了不同缺陷情况对XLPE电缆的影响;随后对不同类型的电缆绝缘缺陷进行了模拟试验,总结了XLPE直流电缆局部放电过程中的各类现象和特征,提出了XLPE电缆运维与检修工作的参考策略。     

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.     

抑制局部放电老化影响的XLPE电缆绝缘缺陷识别

局部放电(PD)测量是检测甚至识别交联聚乙烯(XLPE)电缆绝缘缺陷的有效工具,设置了内半导电层破损、绝缘内部气隙缺陷、绝缘表面划痕缺陷和外半导电层爬电缺陷等四种绝缘缺陷,在直流条件下进行了各种缺陷的PD老化实验,发现PD在不同老化阶段表现出不同的特性,导致PD指纹参数随着老化时间产生波动。为了提高识别效果,提出了基于BRNN算法的缺陷识别模型,由局部放电特征将局放序列划分为五个阶段,分别提取每个阶段下的指纹参数后再结合局部放电阶段信息作为BRNN算法输入。该方法将绝缘老化下局部放电的时序特性纳入考虑,将缺陷识别效率由72.93%提升至93.71%。     

10 kV XLPE电缆接头典型绝缘缺陷的局部放电特征分析

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。     

基于图像特征和深度森林的乙丙橡胶电缆绝缘

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。     

高压直流设备中局部放电的识别

综述了近年来高压直流设备中局部放电识别方法的发展,着重讨论了基于放电指纹和模式识别的局放识别法。     

基于自编码网络的局部放电信号特征提取与识别

气体绝缘金属封闭开关设备(GIS)的状态影响电力系统运行的可靠性,而局部放电是设备潜伏性绝缘故障的重要表现之一。传统局部放电模式识别方法依赖专家经验选取局部放电特征,主观性强且不确定度高。针对这一问题,文中提出将深度学习技术引入局部放电模式识别领域,运用卷积神经网络及其扩展自编码网络提取局部放电信号特征,充分发挥自编码网络的特征抽取能力。同时,将所提取的特征与经典分类器进行衔接,有机结合传统机器学习方法与深度学习方法,实现局部放电信号的基本参数提取、统计特征计算与放电类型识别。实验结果表明,文中所提方法提取的特征相较传统的人工特征可明显提高局部放电的分类准确率和分类效率,具有广阔的工程应用前景。