基于ANFIS的油纸绝缘局部放电模式识别技术研究

为了研究自适应神经模糊推理系统（ANFIS）在油纸绝缘局部放电模式识别中的应用,针对大型电力变压器内常见的油纸绝缘局部放电缺陷,建立了3种基本局部放电缺陷模型,并在实验室中测取了各种缺陷类型的局部放电数据。通过对局部放电谱图的统计学计算以及分析,选取可有效表征局部放电类型的几个特征量．建立了ANFIS模型作为分类器,采用减法聚类生成规则,并利用梯度下降法和最小平方估计法相结合的混合学习算法进行训练,最后对该模型有效性进行测试。测试结果表明,不同类型局部放电的识别效果略有差异．但总体识别率达90％以上。研究结果表明,采用ANFIS进行局部放电模式识别,具有识别效果好、收敛速度快、稳定性高的优点。     

基于层次分析法的油纸绝缘局部放电模式识别

通过对局部放电的模式识别可以了解放电类型及严重程度,并在此基础上确定维护方案。为了对局部放电进行识别,建立了油纸绝缘中的5种典型缺陷模型;运用K-W检验从相间局部放电(PRPD)统计算子中提取出分类能力最强的11个特征;基于提取的特征,在小样本训练集的前提下,利用层次分析法对典型放电模型进行识别,同时和同种情况下使用人工神经网络的识别效果进行了比较。实验结果表明,在小样本训练集下,运用层次分析法得到了较好的识别效果,正判率均大于85%,优于人工神经网络,这为小样本训练集的情况下局部放电的快速识别奠定了基础。     

基于时间序列对油纸绝缘局部放电模式识别的研究

文中制作了5种典型的油纸绝缘局部放电模型,从局部放电的测量结果中提取出局部放电幅值的时间序列,对放电脉冲幅值的时间序列进行预处理,运用自回归模型对预处理的序列进行拟合,并将拟合所得的模型系数作为局部放电模式识别的特征向量,运用BP神经网络对这5种放电模型进行模式识别。笔者运用不同阶的自回归模型对局部放电脉冲幅值序列进行拟合,并在各阶的情况下分别对局部放电进行模式识别。结果表明,在运用4阶或6阶滞后模型对局部放电进行拟合时,能获得较高的正判率,均达到了80%以上。     

油纸绝缘直流局部放电的研究

主要研究了油纸绝缘的直流局部放电规律。实验结果表明,放电重复率随温度、电压的增加而增加。常温下在电压降到接近零时,放电次数较多,随着时间的延长,放电逐渐减少到无放电;但在高温下,能看到明显的熄灭电压。     

基于放电时差的局部放电模式识别的研究

为寻找一种无需校正、方便信号监测的局部放电模式识别方法,将局部放电脉冲间的时间差分布引入到局放放电的模式识别中,构造了放电相位、时间差与放电次数分布的三维谱图Hn(Δt,)φ,并分析提取了其灰度图象的盒维数与信息维数特征参量,最后以分形维数作为输入,径向基函数神经网络(RBFNN)作为模式分类器对5种人工油纸绝缘缺陷模型进行识别。研究表明,识别率均>90%并具有较强的抗干扰能力。     

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。     

油纸绝缘中局部放电的典型波形及其频谱特性

根据对变压器油纸绝缘内部常见缺陷的分析，进行了局部放电模型试验。通过考察不同类型放电的发展过程和电流脉冲的波形特征，发现油纸绝缘中产生的局部放电与空气中的放电过程表现出相似的发展规律。对应于不同的放电阶段，放电波形有较大差异，因而不同类型的放电脉冲具有不同的频谱特性。所得结果为深入研究绝缘介质中的局部放电的机理、放电脉冲在变压器绕组中的传播规律、局放检测系统的频率特性以及放电类型的波形识别提供了实验依据。     

基于遗传编程的绝缘内部局部放电缺陷模式识别

采用新的模拟进化技术——遗传编程，进行局部放电模式识别以区分不同的绝缘内部缺陷类型。制作了4种结构的人工缺陷模型以模拟发电机定子中典型的绝缘内部放电，从局部放电试验中获得二维和三维谱图特征，计算局放信号的矩特征值。首先用模糊方法将局部放电信号的矩特征表示为关于对象不确定知识的模糊特征，作为放电数据的预处理。再由遗传编程分类表达式进化生成局部放电缺陷类型判别函数，并采用递增式学习规则以提高最佳特征对局部放电缺陷分类的效果。另外，将Bootstrap统计模拟技术与遗传编程结合，以克服从小样本数据中进行知识获取的“瓶颈”。人工缺陷模型试验数据的测试结果表明，该方法在局部放电缺陷类型识别中得到了良好的识别效果。     

油纸绝缘直流极性反转试验及局部放电测量

对油纸绝缘缺陷模型在极性反转过程中局部放电特征图谱以及空间电荷特性进行了研究,实现了对油纸绝缘极性反转过程中局部放电信号和空间电荷的测量。     

基于局部放电能量的油纸绝缘典型缺陷放电严重程度评估方法

变压器内部缺陷引发的局部放电会导致油纸绝缘老化与损伤,甚至造成威胁变压器安全运行的绝缘故障。为探究基于局部放电信号的变压器缺陷严重程度评估方法,文中搭建了球—板、柱—板、针—板3种典型缺陷模型,得到局部放电相位谱图、放电次数和放电量等特征参量随时间的变化规律,发现球—板和柱—板模型下放电次数、针—板模型下平均放电量由上升到下降这一变化趋势的改变,可作为放电后期的判断依据。在此基础上,引入放电能量对放电强度进行量化表征,分析了缺陷类型和放电发展阶段对放电能量的影响规律,据此可将放电严重程度划分为起始、发展和危险3个等级。研究成果可为不同缺陷类型下的局部放电严重程度评估提供参考依据。     

基于统计参数的自适应网络推理系统在局部放电缺陷识别中的应用

高压电力设备在发生绝缘劣化的早期,内部会出现局部放电现象,笔者依据检测得到的局放信号,提出了采用基于统计参数的自适应网络推理系统进行绝缘缺陷模式识别的方法。自适应网络推理系统是神经网络和模糊逻辑的结合,通过模糊逻辑进行识别系统建模,利用神经网络训练系统参数。设计并实验了4种绝缘缺陷模型,对多周期的局放信号进行相位分布及幅值分布统计,提取表征局放特性的统计参数,总结了不同缺陷模型局放特征的区别。实际的检测结果表明,经过训练后的局放缺陷识别系统,能够有效地对各种缺陷的样本数据进行分类,达到良好的识别效果。     

基于PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱...     

再论模式识别法在油中放电超声定位中的研究

在电力变压器的局部放电在线检测中,放电点定位是一个非常重要的环节。由于在检测过程中各种干扰的存在,通常所得到的放电点到达超声传感器的时间或时延和实际结果有一定的误差,所以,定位算法是决定定位结果是否成功的关键。针对模式识别算法在变压器超声定位中存在的某些缺陷,提出了新的改进算法,在模式识别的逼近过程中增加了扰动这个中间环节作为跳出局部最优的手段。算例表明,和传统的模式识别相比,改进算法除了能够大大提高运算程度以外,还能够有效地取得全局最优点。     

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。     

油纸绝缘沿面放电及发展机理

相对于气体介质放电理论,对工程复合绝缘介质放电物理过程的机理研究甚少。论文对交流耐压下的油纸绝缘沿面放电进行了机理分析和仿真研究。基于气体中沿面放电和液体中流注理论,论文认为沿面放电缺陷模型中的高压电极与油纸绝缘交界面处的三角形区域的高场强将导致初始电子发射。在沿面放电的发展过程中,由于电、热和机械应力的作用下,油纸绝缘系统会产生微小的气泡。在外加电场的作用下,微小气泡导致的电场畸变以及气泡中的电子崩可能是导致沿面放电发展甚至击穿的主要原因。通过COMSOL有限元分析软件,建立了基于真实实验模型的仿真物理模型,对其电场分布进行了计算,并研究了微小气泡等环境因素对于沿面放电发展过程的影响。仿真结果验证了上述机理分析的正确性。     

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。     

基于F-P光纤超声传感器和概率神经网络的油中局部放电模式识别研究

F-P光纤超声传感器具有灵敏度高、抗干扰能力强、电绝缘性良好等诸多优点,可在油中检测局部放电发出的超声信号。为了识别F-P光纤超声传感器所测局部放电信号的故障类别,建立了油楔、悬浮、尖端和沿面4种典型的局部放电模型,并进行了相关的试验研究。针对超声脉冲波形研究了一种信号特征参数提取的方法,实现了特征参数的提取,然后应用概率神经网络对超声信号进行智能模式识别,分析了识别效果。建立的4种局部放电模型能够产生稳定的超声信号,满足试验要求,并提取了超声脉冲波形特征参数,对其运用概率神经网络进行模式识别分析,结果发现识别效果良好,有较高的识别正确率。