变压器局部放电的检测与模式识别

介绍了几种主要的局部放电检测方法和基本电测量信号的模式识别技术、并对其未来研究作了展望。     

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。     

基于KELM-VPMCD方法的未知局部放电类型的模式识别

为了解决局部放电类型未知的样本无法被正确识别的问题,提出了一种基于核极限学习机变量预测模型(KELM-VPMCD)的未知局部放电类型的识别方法。通过KELM对已知局部放电类型的训练样本进行训练,然后对各局部放电类型已知的样本建立相应的变量预测模型。利用这些模型对测试样本进行回归预测。根据各样本的预测误差平方和,利用Otsu算法设置误差阈值,通过阈值识别各样本的局部放电类型。识别结果表明,所提方法对于未知的局部放电类型具有较高的正确识别率。     

基于卷积神经网络的变压器局部放电模式识别

对局部放电进行有效识别可以为评估变压器设备绝缘状况提供科学的参考依据,然而局部放电类型的识别往往需要人为地提取描述特征,适应性很差。针对此问题,提出一种基于卷积神经网络的智能识别新方法。根据视觉注意机制分割出放电信号图像,并将灰度化和双线性插值归一化处理的图像作为卷积神经网络的输入。该方法模拟人脑的机制来解释数据,可以直接对采集到的放电信号图像进行自动特征学习与模式识别。实验中对4种典型放电类型的识别率超过了94%,显著优于传统的方法。试验结果表明,该方法无需进行复杂的特征提取,有较高的准确率和很好的鲁棒性。     

基于主成分分析和概率神经网络的变压器局部放电模式识别

提出利用主成分分析(PCA)的方法对变压器局部放电原始特征参数进行降维,并提取出新的主成分因子.结果表明,提取出的主成分因子可以很好地表征原始特征向量.通过概率神经网络(PNN)分类器分别对降维前和降维后的特征向量进行训练和识别.研究发现,提取出的新因子有效缓解了分类器负担,且PNN分类器的识别效果良好,优于传统BP神经网络分类器.     

自适应遗传算法在变压器局部放电高频模式识别的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别.实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好地应用于变压器局部放电的超高频模式识别中.     

基于BP人工神经网络的局部放电模式识别

本文介绍了ＢＰ人工神经网络在局部放电模式识别中的应用,结合实际现场情况提出了一部局部放电特性的提取方法,并在此方法基础上开发出局部放电模式识别系统,然后利用此系统对空气火花放电和油中火花放进行了模式识别实验,实现结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点，本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明，AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

基于深度学习的变压器局部放电模式识别研究

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。     

自适应遗传算法在变压器局部放电超高频模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。     

多核多分类相关向量机在变压器局部放电模式识别中的应用

针对传统单核分类器存在的固有二分类属性及识别信息不够完整的问题,首次提出了一种基于多核多分类相关向量机(MMRVM)的变压器局部放电模式识别新方法.首先选用不同的核函数对4种变压器局部放电信号特征进行映射,解决了不同数据源的问题;然后利用粒子群优化算法对核参数进行优化选择,有效避免了核参数选择的主观性;最后利用构建出的MMRVM分类模型直接进行多分类,实现放电模式识别.文中以实验室4种典型缺陷的变压器局部放电信号为研究对象,采用传统单核SVM分类器、单核RVM分类器与MMRVM分类器对其进行分析对比.结果表明,MMRVM分类器融合了多种放电特征信息,能够较为全面的描述放电特征,与单核分类器相比具有更高的诊断准确率和更好的实用性.     

基于优化形态特征的变压器局部放电模式识别

针对变压器的4种典型局部放电模型的脉冲波形,应用多尺度数学形态学开运算提取局部放电脉冲波形的形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征。同时,为了去掉冗余的特征量,优化形态特征,对每种放电类型的不同形态特征进行相关性分析。实验结果表明,应用优化后的特征量进行识别能够得到良好的识别效果,并且能够降低识别系统的复杂度。     

基于模糊概率论的变压器局放信号模式识别法

电力变压器局部放电信号的模式识别是局放研究中的一个难点和重点问题.文中通过对高采样率采集到的4种局放模式下的单个UHF脉冲信号进行小波包分解,从熵值和能量角度提取出6个特征量,运用了模糊理论基本思想,通过简单的计算求出各种放电模式的信息分布表和放电标量作为参考量.当给出一个待确定模式的局放信号时,求出其具体的放电标量,按照相对误差最小原则就可以确定出其模式归属.经实测局放信号验证,该方法思路清晰,简单有效.     

基于小波包变换的干式变压器局部放电超声信号的模式识别

为研究干式变压器局部放电超声信号的模式识别,设计制作了针-板、沿面和气隙3种局部放电模型,用超声检测系统得到3种局部放电的超声信号波形数据。运用小波包理论对采集到的局部放电超声信号进行分解,用Shannon熵代价函数来确定最优小波包基,得到最优小波树,提取在最优基下包含绝大部分信息能量的小波包分解系数的统计量作为模式识别的输入特征量,并应用CPN网络分类器进行放电类型的识别,取得了很好的效果。     

基于多特征信息融合技术的局部放电模式识别研究

针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别"误诊"的问题,以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息,利用放电时间、放电相位分布及UHF能量与放电量相关性等3类特征信息的共性和差异性进行融合互补,提出一种基于多特征信息融合的PD模式识别方法。通过在一套三相分箱式真实GIS(ZF-10-126)试验平台上实测所得的PD试验信息进行分析其结果表明:3类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性,但有着各自优势。而采用D-S证据理论进行3类特征信息融合PD模式识别技术,可对3类特征信息独立识别法各自存在的不足进行互补,具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。     

电力变压器的局部放电典型模型试验

随着电力变压器在线监测智能系统的发展,局部放电的检测在类型识别、强度计算、精确定位方面需要可靠的研究结论。从变压器内部局部放电的机制出发,将各种放电总结为5种类型,并按照气体介质和绝缘油介质建立了2组试验模型,使用高压试验室专用试验电路,以脉冲检测仪标定电荷量,根据频谱仪、示波器和三维谱图显示结果的对比,研究各种局部放电的特征。根据试验结果,发现沿面放电具有最大的破坏性,各种类型的放电都有相应的特征,可用于现场放电类型识别,为放电精确定位提供了参考。     

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.     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

几起变压器现场局部放电异常及处理

局部放电试验能有效地发现变压器内部缺陷,是电力变压器最重要的现场试验项目。近几年山东电力研究院通过现场局部放电试验发现了数起变压器缺陷及故障,对试验及处理情况进行分析。     

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...