基于马尔可夫转移场和CBAM-CNN的换流变压器油纸绝缘局部放电识别

针对换流变压器油纸绝缘由交-直流复合电压引起的局部放电的复杂性和随机性问题,提出了一种基于马尔可夫转移场和CBAM-CNN(convolutional block attention module-convolutional neural network)的换流变压器油纸绝缘局部放电识别方法。首先,搭建了交-直流复合电压下的局部放电测试平台,并根据IEC 60243设计了4种典型缺陷模型;然后,获取不同缺陷下的局部放电数据,通过计算相邻时间间隔局部放电数据的马尔可夫转移矩阵,按时间顺序排列每个概率来扩展马尔可夫转移矩阵,以形成局部放电马尔可夫转移场;最后,通过CBAM-CNN架构对局部放电类型进行识别。实验结果表明：以马尔可夫转移场对相邻局部放电数据进行关联能够有效缓解数据的复杂性和随机性,提出的CBAM-CNN识别架构极大地提升了运行稳定性和诊断性能。该方法能够准确地识别局部放电类型,识别率达到96%左右,为换流变压器故障诊断和状态检修策略提供了可靠手段。