基于小波包分解和支持向量机的局部放电识别方法研究

高压开关柜发生局部放电时产生的信号中存在着大量的信息,局部放电作为开关柜绝缘故障的重要征兆及表现方式,其类型的识别对于开关柜绝缘状态的评估具有重要的意义。为了准确地识别高压开关柜局部放电类型,提出了一种基于小波包分解和支持向量机(SVM-Wavelet)的局部放电识别方法,采用小波包分解的方法对局部放电信号进行分解并提取能量信息,组合成特征向量,在此基础上利用支持向量机(SVM)建立高压开关柜局部放电信号分类模型。结果表明小波包分析方法能很好地处理非线性、非平稳的局部放电信号,基于SVM-Wavelet的方法可以准确地识别局部放电类型。     

统计参数用于局部放电模式识别的研究

通过研究局部放电二维谱图的统计特性 ,对局部放电脉冲幅值谱图进行 Weibull分析 ,获得尺度参数 α和形状参数 β,从局部放电脉冲相位谱图中估计出统计算子 Sk、Ku ,用以上统计参数作为人工神经网络的输入 ,实现局部放电的模式识别。对设计的 5种典型人工绝缘缺陷进行了大量模拟实验 ,比较统计参数法与表列数据法的神经网络分类结果证明统计参数构造局部放电特征向量的方法能有效地识别放电模式     

基于相位谱图的开关柜局部放电模式识别方法

利用图像识别和模式识别理论,针对高压开关柜局放相位谱图特征提出一种基于二维最大准则法的提取和降维方法,并结合支持向量机(SVM)实现对开关柜内部局部放电类型分类识别。仿真计算表明该方法可直接对图片格式的相位谱图进行处理和识别,能避免因不同检测设备数据格式不同而造成的无法跨平台分析的问题;同时,采用二维最大准则法能对相位图谱进行大幅压缩,且在特征值nc=2和nr=7时,基于SVM的识别正确率可基本保持在90%以上。     

油纸绝缘气隙放电特征信息提取及其过程划分

油纸绝缘是油浸式电气设备的常用的绝缘方法,其一旦发生局部放电会引起绝缘的老化和破坏,及时了解局部放电的产生与发展特性能判断运行设备的潜伏性故障及其发展.论文对油纸绝缘气隙放电进行了研究,采用核主成分分析的方法对其统计特征算子进行了降维处理,提取了新的特征因子.采集局部放电发展过程中不同时刻的信号样本,对新的特征因子进行...     

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.     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

基于特征子集的变压器局部放电小样本类型识别

针对变压器局部放电有效经验样本缺乏时的小样本类型识别问题,提出了一种基于特征子集的集成概率神经网络分类方法 FS-EPNN。首先从4种变压器实验模型放电数据中提取了基于局部放电相位分布二维谱图的44个统计特征。其次,为了避免如PCA等传统降维方法造成的分类信息丢失,将样本的所有特征进行划分并组合成多个低维特征子集,然后根据相应特征子集下的所有样本分别构造基于PNN的基分类器,最后采取投票表决规则集成各基分类器结果识别样本的放电类型。实验结果表明,在小样本情况下,该方法与BPNN、基于PCA的PNN和单PNN方法相比进一步提高了局部放电类型的识别率。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

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.     

基于频率约束独立分量分析的开关柜局部放电故障识别

针对开关柜局部放电故障检测中窄带干扰等多种噪声消除难题,为提高故障识别率,提出了一种新的局部放电故障识别方法。借助射频电流互感器和高速数据采集系统采集局部放电混合信号,运用频率约束独立分量分析方法从混合信号中分离局部放电的有效信号,克服了其它信号频谱混叠的影响,大幅度提高了信噪比。以0.4~1.1 MHz和1.8~2.7 MHz 2个频带的功率谱构造故障识别的特征向量,采用最小二乘支持向量机对局部放电故障进行识别。通过搭建局部放电实验平台验证了算法的有效性,实验结果表明,开关柜局部放电故障的识别率达98.0%,所提供的识别算法具有良好的泛化能力。     

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。     

基于特高频法的高压开关柜局部放电监测及特征参量提取

在线监测局部放电是实现高压开关柜绝缘状态实时诊断及潜伏故障早期预警的必要手段,可有效避免电气火灾、停电等重大事故发生.特高频局部放电监测系统主要由特高频传感器、信号调理电路、采集主机及无线同步模块构成,具有灵敏度高、抗干扰能力强、非接触式检测等优点.此外,以高压开关柜导体表面电晕放电、绝缘体内部放电及表面放电典型绝缘缺陷为对象,提取并分析了放电相位-幅值区间分布及放电包络曲线的峰度、偏度、互相关系数等局部放电特征参量.     

基于软打分机制——多模态融合的真实开关柜局部放电模式识别方法

局部放电类型与开关柜早期绝缘劣化程度密切相关,准确识别开关柜局部放电类型是改善开关柜运行状态,保障电网安全的重要手段。文中设计了真实开关柜中易产生的尖端放电、悬浮电位放电、强垂直分量沿面和弱垂直分量沿面放电4种局部放电类型。利用特高频传感器、暂态地电波传感器、超声传感器和高频电流线圈对开关柜的局部放电进行多模态融合检测,分析了同一缺陷下不同传感器的检测灵敏度以及不同缺陷类型的谱图特性。提取谱图的放电密度分布特征参量为正负峰值差Dpn、边沿积分差值Dei、前端均值差Dav、前端放电数占比Pfd和相位横向跨度Tr。提取谱图的轮廓特征参量为与缺陷标准轮廓的相关系数r。将所提取的特征参量融合得到表征开关柜局部放电模式的新特征体系,并提出了一种基于软打分机制的开关柜局部放电模式识别方法。该方法解决了传统识别方法谱图特征单一、识别准确率低、识别类型不精准的问题,为开关柜设备的在线监测和故障诊断提供了理论依据。     

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。     

变压器内部放电故障诊断系统的设计与研究

研究了以统计图谱为基础的局部放电特征向量,并以特征向量为基础开发研制了变压器内部放电故障诊断系统,系统通过在220k V实体变压器上进行试验验证,证明了特征向量提取的有效性和故障识别算法的准确性。     

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。     

环网柜局部放电带电检测技术分析与应用——以广州供电局为例

局部放电带电检测技术是在不影响供电可靠性前提下发现开关柜内部绝缘缺陷的有效方法之一.简要描述了这项技术的基本原理及其在广州配电网中的推广使用情况.通过对4起典型应用案例进行分析,认为有必要开展开关柜局部放电在线检测技术的研究,进一步加强开关柜内部局部放电发展趋势与早期故障预警方法研究,建立指标值与各种因素如环境温湿度的统计特性,研究局部放电各阶段的变化特点,提出适合于现场的早期故障有效预警方法.     

特高压变压器油纸绝缘典型缺陷局部放电特征

变压器绝缘在制造及运行过程中难免产生缺陷,本文针对特高压变压器典型夹持结构进行了典型含缺陷油纸绝缘局部放电特性分析。根据特高压变压器夹持结构绝缘建立了实验室研究模型,用以模拟绝缘含空腔及金属异物等典型绝缘故障模型。采用脉冲电流法对缺陷试样进行了局部放电特性测试,获得了局部放电起始电压、放电量q-相位φ、放电次数n-相位φ、放电次数n-放电量q等特征参数,提取出峭度K_u、偏斜度S_k、相位中值μ、不对称度Q等统计算子特征参数,对比了局部放电不同阶段下各绝缘缺陷的放电特征图谱。结果表明,含有空腔及金属杂质的缺陷对油纸绝缘局部放电影响明显,其中金属杂质影响最严重。通过对比不同试样的平均放电量相位分布图谱H_qn(φ)与放电次数相位分布图谱H_n(q)可有效对局部放电原因进行分类。     

开关柜红外可视化及超声波局部放电在线监测系统研究与应用

针对开关柜绝缘故障及热故障较多问题,介绍了基于红外可视化及超声波局部放电的开关柜在线监测系统。系统主要由监测模块、交换机、综合监测单元、平台层及应用层构成,监测模块实时采集开关柜电缆室内红外温度场及超声波局部放电状态信息,向平台层及应用层传送标准化数据、分析结果、预警信息,实现了开关柜局部过热、绝缘劣化等缺陷的诊断及故障前预警。     

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。