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。     

利用局部放电评价GIS典型缺陷危险性的研究

采用脉冲电流法测量局部放电PRPD谱图,4054示波器获取局部放电信号的脉冲波形,研究了针板缺陷不同间隙距离下局放的起始电压、击穿电压和放电量;针板缺陷从发生局部放电到击穿整个过程PRPD谱图、放电脉冲的变化情况。研究结果表明,间隙距离越小,针板间隙发生局部放电后越危险;局部放电从产生到击穿可分为3个阶段,即放电起始阶段、放电发展阶段和邻近击穿阶段,以上结果为利用局部放电判断GIS运行状态提供了有效的判据。     

几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。     

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。