局部放电的极坐标谱图及模式识别

为了对电缆的局部放电试验结果进行分析,文中提出了一种利用放电信号的脉冲幅值q与相位角φ的余弦和正弦函数乘积绘制极坐标谱图的方法,指出了该谱图的特点。结合3种电缆接头放电模型的试验结果,分析了不同放电类型的谱图特征。提取了极坐标谱图的若干有关分布和对称的特征信息,形成了16维的特征向量,用人工神经网络方法进行了放电的模式识别研究。     

基于相位分解法的局部放电模式识别

介绍了一种对局部放电脉冲进行相位分解而得到的指纹图.和用它对局部放电识别的方法及仪器。     

固体绝缘开关柜局部放电模式识别优化算法

电力设备内部绝缘缺陷引起的局部放电,含有可用于绝缘状态评估的特征信息。可以有效识别不同局部放电的类型。现有基于传统BP神经网络或SVDD模式识别方法在函数参数选择自主性很强,但由于不同放电类型的特征量在分布上是重叠、非线性的,BP神经网络容易陷入局部最优,识别率不高,SVDD算法在自由金属微粒缺陷识别效果不好。文中对SVDD算法提出了改进,在AP聚类与GPAM-PSO优化算法基础上提出一种用于固体绝缘开关柜局部放电模式识别的SA-SVDD算法。以解决传统模式识别算法在参数选择、训练方法上的不足,通过训练不同放电类型下的分类器,以达到准确识别不同放电类型。仿真结果显示该方法能自主识别不同PD类型,识别率、收敛速度较传统方法有较大提高,以便电力人员准确判断局部放电类型并制定相对应的抢修方案。     

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。     

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。     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

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Logistic模式树的开关柜局部放电识别方法

局部放电类型的判定对于设备绝缘状态的评估具有重要的意义。笔者在简单介绍Logistic模式树的基础上,将这种方法应用于局部放电的类型判别。文中首先介绍了实验室模拟的4种典型局部放电以及暂态对地电压(TEV)信号的采集,讨论了特征量的选择标准,然后提取12个鲁棒性强的特征量作为放电类型的识别标识,用于Logistic模式树的建立。结果表明基于Logistic模式树的分类器结构简单明确,而且具有良好的识别效果。     

基于 PLS-SVM 的开关柜局部放电检测方法

超声波检测法是高压开关柜局部放电检测的一种有效方法,但目前基于超声波信号检测原理开发的局部放电检测产品主要有信号幅值检测、将信号降频至音频从而监听检测,具有检测结果不够准确、对检测人员要求较高等缺点。该研究提出了一种基于偏最小二乘(partial least squares,PLS)特征降维和支撑向量机(support vector machine,SVM)的开关柜局部放电检测方法,首先计算超声音频信号的声学特征,并采用PLS进行降维处理,然后采用SVM分类器来区分局放和非局放音频信号。实验结果表明,所提方法比传统阈值方法具有更高的识别准确率,并且降低了对检测人员的要求,具有更好的普适性。     

开关柜局部放电分析定位

受开关柜结构紧凑特点的制约,巡检过程中对放电类型分析和放电位置确定存在一定困难.综合利用特高频法和高频电流法对某220 kV变电站开关柜套管放电缺陷进行分析并定位,应用特高频法发现开关柜放电信号后,结合特高频时差法和高频电流定位,分析确定放电原因并最终通过解体验证了检测结果,说明放电位置判断正确.     

开关柜内局部放电原因分析

综合利用超声波法和特高频法对某开关柜套管放电缺陷进行分析并定位.应用特高频法发现开关柜放电信号后,结合超声波法和特高频时差法定位,分析确定放电原因并最终通过解体验证了检测结果.     

基于BAGAN-CNN的局部放电模式识别

电力设备发生局部放电为小概率事件,现场检测出的局部放电脉冲相位分析图谱样本具有数量稀少、样本类别比例不平衡的问题,导致难以训练出能够准确判断局部放电类型的分类器。为了扩充并平衡不同种类局部放电样本的数量,提高局部放电模式识别准确率,提出一种基于BAGAN-CNN的局部放电模式识别方法。首先,构建BAGAN(Balancing GAN)网络模型,解决原始ACGAN损失函数矛盾的问题,使BAGAN生成器能够生成样本种类稀少的局部放电数据。然后,将原始样本和增强样本作为分类器输入,构造卷积神经网络,自动提取局部放电特征,并通过Softmax层进行分类。实验表明,通过BAGAN生成的数据相比于其他数据扩充方法,能够生成更高质量局部放电样本;相较于传统分类器,CNN分类器的识别准确率更高。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

基于人工神经网络的开关柜局部放电超声波检测方法

采用超声波法对开关柜中的各种典型局部放电特征进行研究,建立了开关柜局部放电模型、局部放电超声波测量系统;以20-40 kHz和80-140 kHz两个特征超声频段功率谱的归一化面积作为三层BP神经网络的输入向量,实现了开关柜局部放电模式的识别.实验结果表明该方法对局部放电模式识别率高,为开关柜绝缘故障在线检测系统开发开...     

基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

基于BP人工神经网络的局部放电模式识别

本文介绍了ＢＰ人工神经网络在局部放电模式识别中的应用,结合实际现场情况提出了一部局部放电特性的提取方法,并在此方法基础上开发出局部放电模式识别系统,然后利用此系统对空气火花放电和油中火花放进行了模式识别实验,实现结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。     

基于特高频法识别配电站房开关柜的局部放电类型研究

随着城市配电网的快速发展,对供电可靠性的要求也越来越高,配电站房开关柜作为城市配电网络重要的组成部分,其安全稳定运行的性能直接影响着整个城市人民生活,因此其重要性不言而喻。但由于环境影响,施工工艺等因素,配电站房开关柜中常常会有局部放电的现象,影响设备的稳定运行,危害电力系统的安全。开关柜的局部放电总的分类可分为四大类:内部放电、表面放电、尖端放电和悬浮放电。不同的局部放电类型相应的特点以及对开关柜的损害都是不一样的。基于此,采用特高频法对开关柜的局部放电类型进行识别研究,不仅可以加深对局部放电的了解,具有实际的实践意义,还能为进一步的局部放电定位奠定扎实的理论基础。     

35 kV开关柜局部放电检测分析

通过对35 k V开关柜进行带电测试,发现柜内存在局部放电。利用特高频及高频传感器进行准确定位,停电检查后发现开关柜中穿柜套管的等电位接触不良造成悬浮放电。针对开关柜的结构设计缺陷,采取改变等电位连接的方式,并提出了针对此类缺陷的防范措施。