信息融合在变压器油纸绝缘局部放电识别中的应用

局部放电会引起变压器绝缘的老化和破坏,而变压器局部放电特性的研究能够很好反应变压器潜伏性缺陷,对其安全可靠运行具有重要意义,因而设计制作了模拟变压器沿面放电、气隙放电和电晕放电的3种缺陷模型,采用升压法进行相应的放电试验,通过分析油中溶解气体在局部放电发展过程中的变化规律,寻找出油中产生气体与不同局部放电的对应关系。引入局部放电的最大放电量相位特征谱图Hqmax(φ)和放电次数相位特征谱图Hn(φ),并提取基于谱图的统计特征参量,构建反向传播(back propagation,BP)神经网络和径向基函数(radical ba-sis function,RBF)神经网络对局部放电的放电类型进行初级识别,在此基础上,应用信息融合方法将初级识别结果融合油中产气特征以综合识别局部放电类型。实验结果表明,同一种溶解气体在不同放电模型中发展变化趋势是不一样的,根据统计特征参量和油中溶解气体变化规律,应用信息融合方法对变压器局部放电模式具有足够的识别能力。     

不同缺陷模式下局部放电测试值的等效性分析

通过对比和拟合分析局部放电模拟试验系统测试值,求解得到特高频检测的局部放电特征信号的等效脉冲放电量。以成套试验系统模拟针板、沿面和电晕等5种典型变压器放电缺陷,经测试、提取放电特征信号及获得相应谱图,并与传统的脉冲放电量特征信号进行等效性分析。同时,通过总结不同放电缺陷特征信号的相位特征关系,研究变压器局部放电强度的标定方法。结果表明:通过识别不同的放电缺陷类型对应不同的放电谱图,为应用特高频检测法进行放电模式识别奠定基础。     

基于特高频法的高压开关柜典型局放缺陷分析及定位

介绍了高压开关柜局部放电特高频法测试的原理及特点,列举了电晕放电、悬浮放电、绝缘沿面放电共3种缺陷放电类型的特高频法的局部放电的幅值-相位图及幅值-放电次数统计图,并分析了上述3种放电类型的图谱特征。通过一起特高频法检测高压开关柜局部放电的案例,验证特高频法检测高压开关柜局部放电的实用性。     

高压开关柜典型缺陷局部放电TEV特征的研究

高压开关柜局部放电会在其金属外壳上产生对地电位,称之为暂态对地电压(TEV),它是一种有效的局部放电检测手段,但是目前开关柜TEV信息只局限于平均幅值,缺少有效特性信息辨识开关柜的缺陷。为了得到更多的局部放电TEV特征信息,笔者研制了一套TEV传感器及检测系统,建立了开关柜TEV测量平台,采用TEV系统对3种典型开关柜放电模型进行了测量和分析,获取了典型缺陷放电情况下TEV的散点图和统计图谱。研究结果表明:所研制的TEV传感器(带宽为5 kHz~80 MHz)可以对放电脉冲信号具有良好的响应特性,经过与脉冲电流法对比得知,TEV作为检测手段可以有效地获取局部放电信息,同时保留了能够反映缺陷类型的放电特征;统计不同缺陷情况下局部放电TEV信息所得到的柱状图谱具有明显区别,TEV特征可以作为为开关柜缺陷识别的有效依据。     

基于栈式降噪自编码器的GIS绝缘缺陷识别研究

气体绝缘开关柜(GIS)作为电力系统中重要的设备之一,其可靠性与电网的安全稳定运行密切相关.考虑到传统方法多是依靠经验人为地进行缺陷识别,不能准确地提取局部放电信号的特征并进行分类,提出了一种基于栈式降噪自编码网络的局部放电信号特征提取方法.通过网络自适应的方法提取局部放电相位分布谱图内在的特征向量,并以此表征不同放电类型对网络进行训练及测试,实现对GIS缺陷的分类识别.结果 表明,可以有效地提取放电信号的特征,并准确地识别GIS缺陷类别.     

开关柜高频脉冲电流局部放电检测方法研究

开关柜内局部放电是引发开关柜绝缘故障的主要原因,局部放电检测能有效检测开关柜内局部放电缺陷,但暂态地电压法、超声波法及特高频检测方法受开关柜内本体结构及检测特征量影响,存在受干扰影响大且信号传输路径受限问题。本文研究开关柜高频脉冲电流局部放电检测方法,依据开关柜带电指示器结构设计微型高频传感器,建立开关柜不同类型局部放电检测方法对比平台,试验对比结果表明开关柜带电指示器引出线上采用高频脉冲电流法检测局部放电相对其他方法具有较高的灵敏度,开关柜高频脉冲电流法局部放电带电检测方法能够有效检测开关柜内不同类型的局部放电信号。     

变压器内单一局放PRPD谱图统计参量的主成分分析

设计了4类由变压器油纸绝缘缺陷引起的"单一局放模式"模型:气隙放电模型、针板放电模型、介质表面金属杂质放电模型、油隙放电模型。通过标准化试验方法得到了不同模型局部放电相位分布模式(phase resolved partial discharge,PRPD模式)的二维谱图,并对谱图进行分析得到25个局部放电统计参量。采用主成分分析对统计参量的有效性进行了分析,得到了25个统计参量对不同类型放电信息表达的新特征参量组,以及对不同放电类型识别的贡献率。     

开关柜典型缺陷模型的TEV和超声波法局部放电特征研究

为了获得同时采用暂态地电压(TEV)和超声波法检测开关柜局部放电时的特征图谱,根据开关柜运行中可能出现的缺陷分别设计了4种缺陷模型,即电晕放电模型、电弧放电模型、气隙放电模型、沿面放电模型。根据多次试验和统计结果,得到4种缺陷模型的特征图谱,并对4种缺陷模型下的特征图谱进行波形分析和总结。结果表明:4种放电缺陷模型在TEV和超声波法同时检测时,产生的放电图谱特征明显、辨识度高,可为实际测试中判别开关柜局部放电类型提供参考。     

基于特征参量优选与多算法联合的局部放电模式识别方法

电力设备中,不同类型的放电因放电功率、能量的差异对设备绝缘的损害能力存在差异,即对绝缘的危害程度不同,确定局部放电类型是放电危险度评估的基础。文中对典型缺陷条件下的局部放电谱图提取了基本参量及统计参量等多种特征指纹;为了降低识别参量的维度,定义了特征向量可分性评估准则,并使用浮动前向搜索算法选取了可分性最优的9组特征参量;分别使用主成分分析、线性可分性分析、核主成分分析及通用可分性分析4种方法将特征向量降为2维,结果表明,使用通用可分性分析降维后特征参量可分性最优。之后,提出了多算法联合的模式识别分类器,通过对比最小距离法、人工神经网络及支持向量机,3种方法确定最终识别结果,实验结果表明,该分类器识别准确率达95.8%。最后将所提出模式识别方法应用于现场局部放电缺陷类型识别,通过设备实验结果对比验证了识别结果的准确性。     

油纸绝缘沿面放电小波矩特征信息提取及其过程划分

油纸绝缘沿面放电是变压器内局部放电的主要形式,研究其产生及发展特性,能有效诊断运行变压器的潜伏性缺陷。笔者基于典型油纸绝缘沿面放电模型,采用恒压法开展局部放电发展特性试验研究。采集沿面放电发展过程中不同时刻的信号样本,提取了不同阶段沿面放电灰度图像的小波矩特征参量。对新特征参量进行无监督聚类分析,聚类结果结合不同时刻的信息将沿面放电发展过程分为初始、发展、稳定、预击穿4个阶段,为沿面放电发展特性研究提出了一种新的方法。     

基于时-相合成谱图的电力电容器薄膜局部放电模式识别方法

局部放电类型与电力电容器薄膜早期绝缘劣化程度密切相关，对局部放电类型的准确识别将有效改善电容器的运行状态和保障电网安全。本文设计了金属化薄膜电容器中易产生的薄膜间尖端缺陷、气隙缺陷和沿面缺陷模型，分析了电容器薄膜局部放电的时间序列谱图和相位分布谱图特性及平均放电量Q和放电重复率F的发展规律。将Q和F的变化曲线取点拟合，并与局部放电信号进行相关性分析，将相关性系数作为时域特征量。提取局部放电相位分布谱图的正负半周偏斜度、正负半周陡峭度和正负半周不对称度作为相位特征量。提出了一种基于时-相合成雷达谱图的电力电容器薄膜局部放电模式识别方法。通过对合成谱图中特征量封闭图形外接矩形的重心坐标进行聚类分析，利用重心坐标分布的象限对薄膜局部放电进行模式识别。结果表明：该方法相较于传统的单一谱图模式识别准确率更高，为电容器设备的在线监测和故障诊断提供了理论依据。     

硅橡胶/胶联聚乙烯界面金属颗粒沿面放电严重程度的评估

硅橡胶绝缘预制型电缆接头由于制作工艺问题在硅橡胶/胶联聚乙烯界面上形成半导电或金属颗粒缺陷最终导致沿面击穿的故障时有发生。探寻硅橡胶/胶联聚乙烯界面金属颗粒沿面绝缘缺陷局部放电的发展过程,可为电缆中间接头放电严重程度的评估提供依据。在35k V电缆中间接头硅橡胶/XLPE界面上设置金属颗粒缺陷,通过逐级升高电压激发出局部放电信号并加速缺陷发展。测量了局部放电起始直至绝缘击穿全过程中的局部放电信号,生成了单位时间内局部放电平均能量、总能量及放电次数共计三个表征参量随时间的变化曲线。基于曲线的发展变化规律,将局部放电发展全过程划分为四个阶段,得到了表征各阶段局部放电重复率及平均放电量相位分布特征的?-n、?-qave二维谱图以及灰度图,从中提取了两个能够表征各阶段局部放电统计规律的特征量。研究结果表明,在预设缺陷局部放电的发展过程中,局部放电相位谱图的形貌特征发生变化,从相位谱图中提取的两个局部放电特征量均呈现单一增大的趋势,且在放电后期增长速率加快。基于对局部放电相位分布特征及特征量变化趋势的综合分析,提出了一种硅橡胶/胶联聚乙烯界面金属颗粒沿面放电严重程度的评估方法。     

基于3D打印建模的变压器典型局部放电模型研究

局部放电是造成电力变压器绝缘劣化、沿面闪络或绝缘击穿的重要原因。为了对变压器内部局部放电类型进行模式识别,基于3D打印技术设计加工了4种典型变压器内部局部放电绝缘缺陷模型,并搭建局部放电模拟试验平台对各模型进行测量,通过对比分析各模型的n-q-φ谱图,总结出不同谱图的特点,对变压器的局部放电类型识别具有一定的指导意义。     

基于2D-LPEWT的特征提取方法在 电缆局部放电分析中的应用

局部放电检测对识别电力电缆绝缘缺陷具有重要意义,其中提取有效的特征参量为其研究重点。该文提出一种基于二维Littlewood-Paley经验小波变换(2D-LPEWT)的特征提取方法,可实现电缆局部放电不同缺陷类型的准确识别。通过搭建电缆绝缘局部放电检测平台,利用2DLPEWT对四种典型缺陷模型下局部放电产生的?-Q-n图谱进行分解,对得到的经验小波系数子图提取了Tamura特征、矩特征和熵特征,并讨论了不同的特征提取方法对KNN、决策树、支持向量机(SVM)三种分类算法性能的影响。结果表明所提出的特征提取方法在不同的分类器下均可达到很高的识别精度,具有很好的实用性。     

高压开关柜局部放电特性分析与抗干扰研究

这里主要针对高压开关柜局部放电和外部电磁波干扰特性的分析、分离以及系统进行研究。首先,基于有限元分析软件COMSOL对开关柜内部放电和外部干扰的脉冲特性进行研究;其次,基于小波变换理论与时频特征量提取算法分别进行开关柜两种缺陷模型的内部放电和外部干扰脉冲实验的时频特性分析及内部放电和外部干扰脉冲的分离,实现开关柜两种缺陷模型的内部放电和外部干扰脉冲的有效分离;最后,基于暂态对地电压(TEV)和接收电磁波接收器双传感器同时检测的方式开发出一套完整的高压开关柜抗干扰局部放电检测系统,并通过实验验证该系统能够实现高压开关柜局部放电及外部干扰的有效识别与分离,提高高压开关柜局部放电检测的精确度和抗干扰能力。     

基于小波矩特征信息的沿面放电阶段识别方法

沿面放电是电力变压器绝缘局部放电的主要形式之一,开展沿面放电发展特征的研究,对甄别变压器潜伏性故障具有重要意义,为此,根据典型的沿面放电模型,利用恒压法试验对其发展特征进行研究分析。针对沿面放电不同时间的信号样本,提取不同时间阶段局部放电灰度图像的小波矩特征参量。通过对特征参量的无监督系统聚类分析,建立一种基于聚类-多级支持向量机(support vector machine,SVM)的不同放电阶段识别机制,将整个放电过程划分为了初始阶段、发展阶段、稳定阶段、预击穿阶段,为局部放电发展特性研究提出了一种创新方法。     

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。     

GIS局部放电深度分层放电类型诊断方法研究

现有的GIS局部放电类型诊断主流采用单一分类器直接进行多类型划分,该方法对类间交叉重叠区域敏感,且受单一分类器固有缺陷的影响。文中提出了一种深度分层放电类型诊断方法,以逐层二分决策实现多类划分,在分层决策中优先进行良性样本的区分,将交叉重叠区域分类问题放至深层节点进行,且在每个二分节点处可择优选用不同分类器。设计了5种典型的GIS放电模型,从放电PRPD谱图、U-Δt序列谱图的统计特征、图像特征出发,构造了16个特征参量,探索了不同分层深度值下的诊断分类正确率,并与传统直接分类方法进行了比较。结果表明:深度分层诊断相比于直接识别诊断,总体识别正确率提高了20%,尤其对直接识别诊断误判率大的沿面、颗粒类缺陷,识别正确率提升明显(30%)。     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

交流XLPE电缆典型绝缘缺陷的PD特性与类型识别

针对交联聚乙烯(XLPE)电缆及其附件常见的9种绝缘缺陷类型,制作了相应的缺陷模型,研究了9种缺陷在不同电压下的局部放电特性。发现不同缺陷的谱图形状、放电的相位分布等表现出不同特点,每种缺陷的放电重复率与平均放电量均随着电压的升高而增大,其中气隙缺陷的最大放电量和放电重复率高于其他缺陷,电树枝缺陷的放电重复率最低。对不同缺陷的局部放电谱图进行了特征量提取,并利用基于L-M算法的BP神经网络,实现了故障类型的识别,最低识别率达到89.17%,取得了较好的识别效果。