基于Friis传输方程的放电量计算模型

应用特高频方法监测变压器局部放电时需要对放电量进行精确地的标定,通过设计计算模型,建立UHF信号能量与放电量的关系,以通过直观的指标来判断局部放电量,评估设备运行状况.通过将局部放电源作为发射天线模型化处理,并引入Friis传输方程,将计算等效为天线传输过程.并以应用HFSS仿真得到的4阶Hilbert分形天线相关参数为模型,通过理论推导和计算,确定局放量与接收特高频信号的能量呈二次曲线的关系.通过由搭建的放电模型收集的测量试验数据统计结果显示,UHF信号能量与放电量存在二次曲线关系,与理论模型相符.     

基于EMD的GIS典型局部放电超高频信号的分形特征提取方法

笔者提出了一种基于经验模式分解的GIS局放超高频信号分形特征提取与识别方法。该方法通过对局部放电超高频信号进行经验模式分解得到多个固有模态,通过计算固有模态的关联维数作为特征量进行模糊聚类识别。文中设计了4种典型局放模型获取局放超高频信号样本进行验证该方法,结果表明识别正确率最低达到98%。     

局部放电奇异值特征及其混合噪声的自适应抑制

为了抑制局部放电信号中混杂的窄带干扰和白噪声,文中首先分析了典型局部放电、窄带干扰和白噪声信号的Hankel矩阵奇异值的分布特征;提出了确定窄带干扰和典型局放奇异值有效阶次的自适应方法;将信号Hankel矩阵的有效阶次奇异值作为其特征量,在染噪信号中去除窄带干扰后重构信号,截取局部重构信号从中提取局放。通过对模拟和实测染噪信号的处理,验证了文中方法去除窄带干扰和白噪声的有效性。     

局部放电稀疏分解模式识别方法

为实现电气设备局部放电(简称局放)模式的准确识别,提出了一种局放稀疏分解模式识别方法。首先由各放电模式局放训练样本信号统计特征向量构建局放统计特征过完备原子库,对此原子库进行非线性映射,可得非线性局放统计特征过完备原子库。对待识别局放信号统计特征向量进行非线性变换,得到非线性统计特征向量,此向量在非线性局放统计特征过完备原子库中进行稀疏分解时,仅可由相应放电模式子原子库中原子进行稀疏表示而难以由其它放电模式子原子库中原子进行表示,进而实现局部放电稀疏分解模式识别。同时,提出一种核函数优化匹配追踪算法,可在无需知道非线性映射具体形式基础上完成稀疏分解,并基于相似性度量系数确定最佳核函数及其参数。设计了两套放电模型,并在不同实验环境中进行了局放测试,所测信号分别作为训练样本信号及测试样本信号,采用所提方法进行了模式识别实验,同时与采用神经网络方法、K近邻法、支持向量机法的局放模式识别实验结果进行了对比。实验结果表明该方法识别效果较好,准确率较高。     

基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用

对电力变压器特高频局放单个时域脉冲信号做小波包分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,分别研究了BP神经网络、Elman神经网络和PNN神经网络对4种典型变压器局部放电信号的模式识别效果。通过对实验室实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,从而为电力变压器局放信号的识别提供了有效的参考。     

基于LabVIEW的三相共筒式GIS局部放电故障类型识别系统的研究

气体绝缘组合电器（Gas Insulated Switchgear,GIS）局部放电在线检测对于保证其安全运行至关重要。为了有效地识别出故障类型,对三相共筒式GIS进行典型缺陷局放试验,获得局放信号数据。设计了基于LabVIEW平台的局部放电故障诊断识别系统,通过对局放信号数据进行分析,能有效的识别出三相共筒式GIS内的典型缺陷故障类型。     

基于原始信号多尺度信息的局部放电特征提取与识别

不同类型的局部放电脉冲,对电缆的危害程度不同,其判断标准也不一样,因此对局放类型的辨识具有重要意义.制作了沿面放电、悬浮放电、针-板放电和自由颗粒放电4种典型的故障缺陷模型,并搭建实验平台测取放电数据.对数据去噪处理后,构建4种放电类型的局部放电相位分布模式PRPD(phase resolved partial dis?charge),并利用谐波小波包变换对原始局放信号进行分解,提取局放信号的多尺度能量特征参数和多尺度样本熵参数,将它们组成特征向量,送入支持向量机SVM(support vector machine)中进行分类识别.4种放电类型的平均识别率为94.5％,因此利用多尺度参数特征可以有效识别出不同类型的局放信号.     

基于高频电流电磁耦合法的XLPE电缆局部放电测量分析

通过归纳电缆局部放电测量信号的各种干扰源及放电信号基本特征,分析局部放电测量中信号识别方法的放电相位图谱、信号频谱特性、信号幅特性以及信号分离技术,提出了一种基于高频电流电磁耦合法的局放带电测试方法.该法结合计算机辅助分析手段,利用现有局部放电研究成果和经验,可提高局放测量中对信号进行正确分析和判别的能力.应用该方法对某电缆线路开展测试工作,并分离出局部放电信号.     

有限时域差分法对GIS局部放电传播的分析

用特高频法测量GIS局部放电所面临的困难是无法标定出视在放电量,并且也无法确定何种因素影响特高频传感器输出信号的强弱.针对上述问题,利用同轴波导模拟GIS腔体结构,并应用有限时域差分法对局部放电辐射的电磁波在波导内传播情况进行仿真.通过仿真数据分析,找出对特高频信号能量产生影响的多种因素,如：放电位置,波导尺寸,放电电流幅值和放电源的脉冲形状.从而阐明了特高频输出信号能量与原始放电脉冲的关系,为进一步探讨GIS放电量特高频标定打下基础.     

时频匹配滤波法用于变压器局部放电模式识别的实验研究

局部放电模式识别对于电力变压器绝缘状况诊断具有重要意义。分析了典型变压器局部放电缺陷,建立4种放电模型,采用小波变换获取了超高频局放脉冲的三维时频谱图,该三维谱图综合反映了局放信号的3个基本特征:时间分量、频率分量和放电能量的分布。根据时频谱构造了4种局放模型的三维匹配滤波器,待测局放信号与同类型滤波器相匹配。结果表明,该方法可以有效提取出局部放电信号的主要特征和趋势。     

电力变压器局放信号抗干扰与模式识别

在局部放电信号抗干扰方面,考察了几种较新的阈值除噪方法,提出了将二进小波变换分别与单抽头最小均方LMS(Lease Mear Square)算法滤波器和基于Birge-Massart策略的小波去噪相结合的变压器局部放电信号抗干扰方法.同时针对局部放电信号的模式识别问题,首先分别根据模糊概率理论和波形匹配理论,针对时域单个特高频UHF(Ultra High Frequency)脉冲信号,提出了2种电力变压器特高频局部放电信号的模式识别方法.基于时域单个UHF脉冲信号的信息,提出了用于神经网络输入的8个特征量,分别利用BP网络、Elman回归神经网络和PNN概率神经网络对4种典型的变压器局部放电信号进行了模式识别的尝试,取得了较好的识别效果.     

基于混合放电模型的变压器内部放电联合检测方法研究

随着电力设备运行检测及监测技术的发展,变压器作为关键主设备其设备内部绝缘缺陷的检测成为研究的重点和方向,但是由于变压器内部结构的复杂性、不同绝缘缺陷复现的难度、局部放电信号干扰信号难以辨识等问题,造成目前对于变压器内部不同绝缘缺陷检测、分析及辨识的水平仍然不高。为了探索有效的检测方法,文中开展了针对性的研究工作,基于变压器故障仿真模型,对变压器内部绝缘缺陷的模拟技术开展研究,实现变压器内部缺陷的真实环境下的准确复现,设计了两类变压器故障混合模型,通过基于HFCT、UHF、AE、光学四种传感器的复合信号采集系统,进行变压器局放过程中基于不同信号原理的信号特性研究。同时基于采集信号对不同放电信号特征进行关联性分析,实现多信号特征的综合分析,进一步提高局放信号辨识真确度,研究表明文中所设置的局放复合信号采集系统能准确测量变压器中的局部放电信号,并反映其各类信号的信号特征;通过对比单一局放模型和混合局放模型下局部放电发生时的信号特征、能量分布特征等,为今后的变压器混合局部放电模式识别研究奠定了基础。     

基于零相位误差滤波的局部放电故障识别

开关柜局部放电放电信号中混有较大的噪声信号,传统的有限冲激响应(finite impulse response,FIR)滤波方法会造成滤波后信号相位的偏移,从而影响以功率谱为特征量的故障识别的正确率。针对这种情况,提出了基于零相位误差滤波方法的局部放电故障识别方法。首先,通过高速电流互感器采集局部放电信号。然后,采用零相位误差滤波(zero phase error filtering,ZPEF)滤除放电信号中的噪声。其次,通过FFT变换分析放电信号的功率谱,取1.0~1.5 MHz和2.5~3.0 MHz 2个频段的功率谱构造故特征向量。最后,采用最小二乘支持向量机对局部放电信号进行故障识别。实验结果表明,采用ZPEF可以提高局部放电故障的识别率。由此也得出一个推论:在确保相同的故障识别率的情况下,采用ZPEF可以提高故障的识别速度。     

外联网络对大型变压器中局放信号传播影响的仿真分析

大型电力变压器内部的局部放电信号经绕组向两端传播至监测装置,从而导致作为故障诊断基础信息的放电脉冲信号发生一定程度的衰减、振荡及时延。运用Saber仿真软件,利用典型的局部放电的波形,考虑电力变压器外联网络复杂程度以及变电站另一个变压器对其的影响,研究了局部放电信号在大型电力变压器在线监测系统中的传播特性。     

超声波法进行变压器局部放电模式识别的研究

在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性，提出利用分形理论对局部放电超声波信号的时域脉冲形进行分析，对分形理论及其参数计算方法进行了简单的介绍，在自制的几种典型变压器局部放电模型上进行实验，计算了所得到的局部放电超声波信号的分型参数（分维数和空缺率），得到不同放电形式的分形特征，利用人工神经网络对所得到的分形特征进行模式识别，结果表明利用超声波信号可以有效地判断变压器局部放电模式，为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。     

电力变压器典型局放模型的放电信号图谱

根据电力变压器内实际存在的典型局部放电类型设计制作几种相应的放电模型并对其在空气中和模拟的变压器油箱内进行了局放试验,获得了ｑ－。ｎ－…两种放电图谱,以利于对变压器局部放电的模式进行识别。     

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。     

发电机变压器放电故障诊断的基础研究和应用

检测电气设备的局部放电(PD)信息,诊断绝缘故障,可避免严重后果.作为绕组类设备,当发电机和变压器内发生局部放电时,由于PD脉冲沿绕组的传播,在绕组两端检测得到的放电信号将被畸变.从工程应用的角度看,需要解决PD信号的检测和量化、PD源定位、故障模式判断及干扰抑制问题.因此,需要深入研究的基础内容包括:放电脉冲信号特征,脉冲沿绕组的传播规律,现场强烈电磁干扰的抑制,放电故障模式识别等.文中综合介绍国内外在以上各方面所取得的成果,并提出今后需进一步开展研究的几方面内容:基础研究成果的工程实用,远程诊断,多故障模式识别和模糊诊断等.     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。