特征图谱时频信号放电识别算法研究与现场应用

高压电气设备局部放电检测通常夹杂干扰信号,造成分析与判断困难,干扰信号抑制是局部放电识别和故障判断的前提。基于局部放电信号时频分布特征,采用等效持续时间T和等效频率带宽F来表征局部放电宽带脉冲波形的时频特征,构建等效时频特征图谱(T-F谱图),再进行聚类分析即可实现不同放电类型和噪声的分离。利用特征图谱分类法对高压开关柜局部放电信号进行噪声抑制与脉冲分类,验证该方法对局部放电混合信号分离的有效性。     

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。     

电缆局部放电波形特征与脉冲传播研究

为了研究电缆头局部放电的波形特征,制作了6种故障电缆头进行了局部放电试验,获取了典型的局放波形信号。对信号提取特征参数包括等效时间和等效频率,可以对波形信息进行有效表达,以区分不同类型的放电和噪声。结合脉冲在长电缆中传播的试验结果,分析了传播前后特征参数的变化情况,结果可用于测试信号的分类和定位。     

人工智能在局部放电检测中的应用(一):去噪与故障定位

局部放电会加速电力设备绝缘老化,是电力设备状态评估的重要监测指标.局部放电的研究领域主要包含放电信号的去噪、缺陷类型的模式识别、设备状态评估以及放电源的故障定位,其中人工智能算法能够有效解决局部放电检测中的非线性拟合和最优解等问题.本文介绍了局部放电的检测手段,对人工智能算法在局放信号去噪和放电源故障定位两部分中的应用进行了综述,并指出了当前研究中的不足之处和解决策略.     

波形特征与统计特征相结合的局部放电脉冲分类方法

当不同类型的局部放电脉冲具有相似的波形特征的时候,应用等效时频特征进行脉冲的分类将遇到一定的困难。笔者在保证每个网格中包含有足够的样本数量用于统计分析的原则下,对局部放电脉冲等效时频谱图进行网格状划分与合并。对每个网格内的脉冲,提取该网格内所有脉冲信号的6个统计参数,连同该网格内所有脉冲的平均等效时长和平均等效频率一起共8个参数作为分类的特征量。将每个网格中的所有脉冲视作同一类型的放电,对从各个网格中提取的特征量进行聚类分析,从而得到每个网格的分类结果,达到脉冲分类的目的。该方法将局部放电模式识别中常用的统计特征与放电脉冲的波形特征结合起来,应用该方法对于两类模拟缺陷所产生的局部放电信号进行了分类,其综合分类结果优于直接采用等效时频特征的分类方法,而且两类脉冲分类的准确性比较均衡。研究结果表明,该方法可以在一定程度上提高分类的准确率,实现对不同类型的放电脉冲之间以及放电脉冲与干扰脉冲之间的有效分离。     

数学形态滤波在局部放电信号分析中的应用研究

介绍了数学形态滤波的基本原理与形态滤波器的构建.针对油纸绝缘典型局部放电故障模型的局部放电信号的分析问题,提出一种基于开、闭运算的级联组合数学形态滤波器的新方法.通过将数学形态滤波器用于复杂局部放电信号中的脉冲干扰的实例分析,说明该方法对局部放电信号的干扰噪声有很好的滤波效果,实现了高频信号无时滞、无相移的滤波处理,表...     

局部放电UHF脉冲干扰的排除与信号的聚类分析

为了排除变压器局部放电信号中的各种信号干扰中的脉冲干扰信号,提出了利用内外信号对比法及相间信号对比法排除外部脉冲型干扰信号,并应用于500kV三相分体式变压器的局部放电现场监测。通过提取工频周期上特高频检波脉冲信号的特征参数,选取脉冲初始相位、平均脉冲幅值、脉冲次数3个特征参数,采取灰聚类与模糊聚类相结合的方法对排除干扰后的数据进行了聚类分析,实现了对部分干扰信号的排除以及特高频信号的分类。对分类后的疑似放电信号的现场特高频检波信号进行统计分析,通过分析PRPD谱图对变压器的局部放电活动做出了诊断说明。通过分析表明,提出的方法能够有效排除干扰信号,便于提取局部放电故障信息。     

封闭环境空气局部放电组分研究

大量电力设备长期工作在封闭或半封闭环境中,经常发生局部放电,导致放电区域空气组分发生变化.为研究在局部放电条件下封闭环境中空气组分的变化规律,设计3种不同的缺陷模型模拟电力设备常见放电故障类型,搭建局部放电实验平台,基于电化学检测技术对系统进行标定.分析持续放电条件下空气组分的变化规律,根据局部放电过程中放电量大小表征...     

基于密度峰值聚类算法的局部放电脉冲分割

局部放电(PD)信号处理是电力设备绝缘状态评估的基础,而特征量提取又是信号处理的关键环节。特征量提取包括局部放电脉冲分割和放电特征量提取两个步骤。放电脉冲分割提取是后续PD信号特征提取及故障分类的前提。为尽可能保留放电信息,同时减少人工干涉,该文提出了一种基于聚类算法的PD脉冲分割提取方法。该方法采用小波分解算法进行滤波处理,使用噪声抑制比(NRR)表征滤波效果;以所有局部放电信号半波脉冲为对象,计算各半波脉冲的能量(即信号瞬时值平方对时间的积分),从而使该方法能更准确地描述局部放电过程。应用Otsu算法自适应计算能量阈值并结合密度峰值聚类算法(DPC)实现PD脉冲的自动分割。在实验室建立了三种不同类型局部放电模型,采集得到10组电晕放电、11组悬浮放电和30组锥板放电数据,以对该文方法进行验证。结果都取得了80%以上的识别率,比同类算法更高或相当,表明了该文方法的优越性。     

局部放电在线监测信号中周期脉冲干扰的抑制

根据大型电气设备局部放电脉冲和干扰脉冲的信号特征差异,对相似脉冲进行分组,进而达到提取局部放电信号的目的.计算机仿真结果表明,这种方法有效地抑制对局部放电在线监测有较大影响的周期型脉冲干扰.