基于随机森林的高压电缆局部放电特征寻优

高压电缆局部放电(简称局放)新特征的构建与优化选择是提升识别精度、优化识别效率、增强监测参数可视化效果的重要手段。提出了一种基于随机森林的局放特征优选新方法。在实验室构建了5种类型的电缆人工缺陷,通过加压测试获取局放原始数据,并提取了3500个局放脉冲和3500个典型干扰信号脉冲,构建了1235个局放特征。基于上述样本,开展了基于随机森林的特征寻优,分别获得了局放和干扰信号特征排序结果和不同类型局放信号的特征排序结果,并通过反向传播神经网络(back propagation neural network,BPNN)和支持向量机(support vector machine,SVM)对优选排序结果进行了验证。结果表明,局放和干扰识别的有效特征参数主要是表征信号快慢的特征和小波组合特征;不同类型局放识别的有效特征参数主要是小波组合特征。结果证明,随机森林算法是一种有效的电缆局放特征优选方法,并有望推广到其他电力设备局放的特征寻优。     

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。     

XLPE电缆典型缺陷局部放电特性研究

实时准确地监测电缆内部绝缘缺陷的局放量对电缆状态的评估意义重大。介绍了一种基于新型差分电容传感器的内置局部放电检测系统,该系统可精准测量检测部位的局部放电。同时设计并构造了3种绝缘缺陷模型,分别采用内置式局部放电检测系统和试验室局部放电检测系统对缺陷电缆接头进行局部放电检测,试验结果证明该检测系统与试验室局部放电检测系统的放电相位及相应趋势完全一致,验证了该系统的可靠性。最后分析3种缺陷模型下获得的PRPD谱图,结果表明不同缺陷模型的局部放电信号特征明显,能真实反映电缆接头放电机理,为进一步进行放电类型的模式识别提供了试验依据。     

基于小波变换和HOG特征的变压器局部放电类型识别方法

不同类型的电力变压器局部放电对变压器绝缘造成的破坏程度不同,正确识别变压器局放类型对于评价变压器的绝缘状况至关重要.提出一种基于小波变换和梯度直方图(HOG)特征的变压器局放模式识别方法,首先根据变压器绝缘缺陷结构特点,设计制作了3种典型的局放缺陷模型,在实验室搭建测试平台并采用脉冲电流法获取变压器局放数据;其次对局放信号进行小波时频变换,获取局放信号的时频谱图并对该时频谱图进行灰度化和归一化处理;最后利用HOG算法提取局放时频谱图上的特征参量并送入分类器,实现变压器不同类型局部放电的模式识别.识别结果表明,该方法的平均识别准确率高达98％,能够有效识别变压器放电类型.     

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。     

基于时间反演技术的电力电缆局部放电定位方法

时延估计与相速度的频变特性是影响电缆局部放电定位精度的主要原因。该文提出了一种基于时间反演技术的电力电缆局部放电定位方法,该方法无需直接对局放时延进行估计并考虑了相速度的频变特性。通过双指数局放模型模拟实际局放信号,考虑了不同传输距离、不同信噪比、不同量化误差以及不同采样率对定位精度的影响,验证了该方法的可行性。最后利用振荡波局部放电测试系统对实验室一条长为498m的10kV XLPE电缆中的半导电层搭接不良缺陷进行了局部放电测试试验,考虑了2种不同类型的局放波形,并利用不同方法对2种不同类型的局放信号进行定位,验证了该方法的有效性和准确性。结果表明,该方法相比于传统的峰值法、相关法以及能量法都具有更高的定位精度。     

基于点对称变换的乙丙橡胶电缆终端缺陷诊断

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法.首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像...     

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。     

考虑振荡波衰减特性的电缆局放模式识别方法

局部放电诊断是对电缆状态进行评估的重要手段,振荡波电压法是有较好应用前景的一种测试方法。该文提出了一种考虑振荡波周期衰减特性的电缆缺陷类型识别算法,所设计的神经网络综合利用周期内的放电特性和周期间的时序信息。首先,为便于提取放电特征的同时保留周期间的时序信息,将原始放电数据转换为周期相位分布模式。随后,从每个周期内提取3种典型放电参量,再通过卷积神经网络对其进行特征提取,融合后得到组合序列特征。最后,将组合特征送入循环神经网络进行处理,利用全连接层对缺陷类型进行分类识别。为验证算法的有效性,对4种人工缺陷电缆进行振荡波试验和分析,结果表明:该文算法的识别准确率达92%,优于其他常用识别算法,振荡波周期间蕴含的时序信息对识别效果有显著提升;此外,考虑振荡波衰减特性的方法对振荡波电压下的电缆局放类型识别具有普适性,可作为一个通用方法对其他算法进行优化。     

基于LSTM算法的高压交联电缆线路振荡波局部放电检测方法

高压交联电缆线路承担的高电压、大容量电力输送任务存在复杂性。针对线路振荡波局部放电检测准确度较差,难以进行缺陷定位的问题,提出基于长短期记忆（LSTM）网络算法的高压交联电缆线路振荡波局部放电检测方法。应用振荡波电压法搭建高压交联电缆线路振荡波局部放电检测框架。基于小波包分解算法,提取典型局部放电信号特征,通过LSTM网络算法识别与检测振荡波局部放电信号,消除局部放电信号中的噪声。根据原始振荡波与反射振荡波到达测试端的时间差,结合振荡波传播速度,确定高压交联电缆线路缺陷位置,实现电缆线路振荡波的局部放电检测。试验结果表明,所提方法的局部放电信号识别准确度更高,电缆线路缺陷定位更精准,实际应用性能较佳。     

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。     

基于随机决策森林的高压电缆局部放电模式识别北大核心CSCD

不同类型的高压电缆局部放电(简称局放)模式识别是该领域的难题。部分电缆局放类型之间相似度较大,识别困难。针对该问题,文中提出了一种基于随机决策森林(RF)的高压电缆局放模式识别方法。首先,制作了5种高压电缆人工缺陷,结合IEC 60270—2015系统和高频电流互感器(HFCT)进行实验,获取局放数据,并进行局放特征提取。其次,介绍了随机森林算法的原理和基于随机森林的高压电缆局放模式识别流程。最后,基于实验所得数据开展了局放模式识别方法有效性验证,确定了随机森林每个节点处特征子集中特征个数、节点分裂规则、树的棵数3个参数,并与传统的决策树、BP神经网络和支持向量机(SVM)3种方法进行比较。结果显示,与上述3种方法相比,随机森林算法对高相似度局放识别能力更强。     

基于多尺度纹理特征的EPR电缆终端故障诊断方法

高速铁路列车中乙丙橡胶(EPR)电缆终端常因制作过程中操作不当而导致出现多种缺陷,造成终端局部放电甚至击穿的现象,对检测到的局部放电信号进行准确分类仍然是亟待解决的难题。分别制作了含尖端、环切划伤、金属微粒、气隙4种典型缺陷的终端试样,通过试验记录了各类试样的放电谱图信息。基于试验得到的局部放电谱图库,提出通过图像金字塔理论,构建多尺度局部放电谱图空间,并从中提取1阶纹理统计量、2阶纹理统计量及高阶纹理统计量作为缺陷类型识别的特征参量。同时,结合随机森林算法,基于gini指数完成了特征空间寻优工作,实现了对缺陷类型的正确分类。结果表明：通过随机森林算法,多尺度纹理特征的模型误差率和分类准确率明显优于单尺度纹理特征,能较好地对终端典型缺陷进行分类;同时,由于气隙缺陷和划伤缺陷的放电机理存在相似性,二者缺陷处的局部放电特征同样存在相似现象,因此气隙缺陷和划伤缺陷的分类较易出现误差,导致其识别率偏低,还需针对其图像特征参数和识别算法继续开展研究。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

基于随机森林的发电机定子线棒局部放电图谱特征识别方法

发电机定子线棒局部放电的在线监测和故障诊断对于电机故障预警、故障定位和指导机组检修有重要意义。目前存在部分不同类型局部放电相似度高,模式识别方法计算时间过长的问题,需要高精度和高效的识别方法,为此提出一种基于随机森林的定子线棒局部放电识别方法。制备了6种类型定子线棒,用特高频天线检测局部放电信号,基于相位分布局部放电(PRPD)图谱比对,提出参数幅值不对称度。基于随机森林方法识别缺陷类型,计算特征重要性,选择有效特征。最后,可视化特征相似度,与传统反向传播(BP)神经网络方法对比,验证有效性。结果表明：随机森林算法可以有效识别人工缺陷定子线棒局部放电,总体识别正确率达到93.33%。筛选半数特征后,随机森林比BP神经网络的准确率提高了10.83%,特征选择对随机森林的准确率影响很小,但识别效率大幅提高。随机森林在少量特征时识别准确率、计算时间都明显优于神经网络。幅值不对称度参数的重要性排在全部特征前1/3,具有推广价值。     

基于距离的互相关算法在电力电缆局部放电定位中的应用

电力电缆局部放电源定位是找出电缆局部缺陷的有效手段之一。为了解决传统互相关算法的定位结果受采样频率和电缆相速度频变特性影响大的问题,提出了一种基于距离的互相关算法用于电力电缆局放源定位。首先介绍了基于距离的互相关算法的基本原理,然后利用MATLAB建立了局放传播模型验证了该方法的有效性,研究了不同传播距离,不同采样频率和不同信噪比对定位精度的影响。最后利用振荡波测试平台对250 m的10 kV XLPE电力电缆进行局部放电试验,利用不同方法对局放信号进行定位,验证了该方法的优越性。仿真和实测结果表明,由于该互相关算法是直接以距离为自变量,不需要进行时延估计,因此该方法相较于传统的互相关方法具有更高的定位精度。     

高压交联电缆接头局部放电的电容耦合法检测及分析

为研究110kV交联电缆接内部绝缘缺陷的局部放电(partial discharge,PD)特性,设计并构造了5种典型绝缘缺陷,通过建立电缆接头局放试验研究平台,采用电容耦合法获取不同绝缘缺陷下的放电信号,构造出三维PRPD(phase resolved partial discharge)谱图表征缺陷放电状态,并采用单次放电脉冲时域波形的3、4阶特征参量萃取放电特性进行分析。研究试验结果显示,电容耦合法检测法可有效检测出电缆接头内部缺陷引起的局放,且不影响电缆接头及本体的绝缘性能;所构建的5种典型缺陷在工频电压激励下,放电脉冲序列在放电区间、放电重复率等统计特征有很大的不同,用时域波形的3、4阶特征参量所描述的放电特性也存在很大差异。这些特征可用作放电类型识别的依据。     

中压电缆局部放电双通道同步测量方法的应用研究

针对不同长度中压电缆的模拟缺陷,进行了局部放电检测与定位研究,根据研究结果总结现有局部放电检测方法的局限性,提出一种新的双通道无线远程局部放电缺陷诊断定位的新技术、新方法,并在10kV中压电缆进行局部放电模拟缺陷测试和现场成功应用,验证了该方法在现场应用中的有效性。     

110kV及以上电缆典型缺陷的智能识别研究

为了提高电力电缆现场测试过程中缺陷类型判断的准确性与灵敏性,通过阻尼振荡波电压法对存在人工缺陷的电缆终端进行局部放电测试,采集不同缺陷下的局部放电信号并提取放电特征量以构造局部放电智能模式识别分类器,经实验验证,所构造的智能模式识别分类器能够在短时间内较准确地判断并输出显示缺陷类型,一定程度上简化了现场检测中的工作量并提高了工作效率。     

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。