局部放电大数据的并行PRPD分析与模式识别

随着在线监测的推广应用,输变电设备监测中心已在国内许多电网相继建立,在极端条件下很多电力设备的局部放电(partial discharge,PD)越限数据会蜂拥而至,其快速处理最具挑战性。针对传统局部放电相位分析(phase resolved partial discharge,PRPD)方法处理大数据时的效率低下问题,该文提出了基于Map Reduce编程模型的并行化PRPD分析算法(P-PRPD),实现了海量PD信号的并行基本参数提取、统计特征计算与放电类型识别。在实验室中构造了4种放电模型并采集了大量PD信号,对所提算法在拥有6台计算节点的Hadoop平台上进行了详细的性能评估和实验分析。实验和分析结果表明,该算法在处理海量PD信号时较传统方法具有显著的效率提升,模式识别总准确率达到90%,满足工程应用需求。

基于深度残差网络的GIS局部放电PRPD谱图模式识别

为了研究气体绝缘组合电器(gasinsulatedswitchgear,GIS)局部放电脉冲相位分布(phaseresolvedpartial discharge,PRPD)谱图的模式识别,解决传统的统计参数分析方法识别准确率低的问题,该文提出了一种基于深度残差网络的GIS局部放电PRPD谱图模式识别方法。首先,设计并搭建了GIS中4类典型局部放电缺陷的实验模型并采集实验数据;然后,利用条件生成对抗网络对PRPD谱图训练集进行数据扩充;最后,利用深度残差网络提取每类缺陷的PRPD谱图特征并将其分类。实验结果表明,该方法相较于普通卷积神经网络和统计参数分析方法,其识别准确率有明显提升,最高可达98.75%。研究结果表明所提方法能有效区分出GIS中4类典型的局部放电缺陷类型,在工程实际中有良好的应用前景。

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual network,DRN)模型与传统识别模型进行融合。实验结果表明:迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。

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。

高频电流脉冲法在抽水蓄能电站主变压器局部放电检测的应用

为应对常规高频电流脉冲法在测量局部放电时存在干扰信号,而导致影响局部放电判断的问题,本文通过模糊分类理论,取得了区分高频信号中局部放电信号和干扰信号的良好效果。结合局部放电产生机理,分析了不同类型局部放电信号在相位幅值(PRPD)谱图上的分布特征,并应用于脉冲信号的局部放电判断。测量了某抽水蓄能电站多台主变压器在不同工况下接地系统的高频电流脉冲,展示了环境噪声信号、具有固定相位特征的非放电信号等多种信号的PRPD谱图脉冲分布,判断了某台主变压器可能存在外部沿面局部放电情况。

GIS中典型缺陷局部放电的超声波检测

为了研究超声波法在GIS中局部放电检测中的应用,在实验室以一段220 kV电压等级的GIS母线腔体为试验对象,设计和模拟了GIS中典型的局部放电模型,使用超声波方法对其放电信号进行检测。实验结果表明,不同缺陷类型的超声信号在波形、幅值和PRPD图上会呈现出不同的特点,通过对GIS腔体不同位置的检测,可以精确的定位出缺陷位置。研究表明,超声的方法在检测GIS局部放电信号时有较好的灵敏度和精确的定位,检测结果为今后对GIS局部放电模式识别提供了试验依据。

高压交联电缆接头局部放电的电容耦合法检测及分析

为研究110kV交联电缆接内部绝缘缺陷的局部放电(partial discharge,PD)特性,设计并构造了5种典型绝缘缺陷,通过建立电缆接头局放试验研究平台,采用电容耦合法获取不同绝缘缺陷下的放电信号,构造出三维PRPD(phase resolved partial discharge)谱图表征缺陷放电状态,并采用单次放电脉冲时域波形的3、4阶特征参量萃取放电特性进行分析。研究试验结果显示,电容耦合法检测法可有效检测出电缆接头内部缺陷引起的局放,且不影响电缆接头及本体的绝缘性能;所构建的5种典型缺陷在工频电压激励下,放电脉冲序列在放电区间、放电重复率等统计特征有很大的不同,用时域波形的3、4阶特征参量所描述的放电特性也存在很大差异。这些特征可用作放电类型识别的依据。

油纸绝缘内部气隙缺陷电劣化过程中局部放电的测量与模拟

对油纸绝缘内部扁平气隙缺陷模型进行连续局部放电试验,在不同阶段进行局部放电相位谱图(phase resolved partial discharge pattern,PRPD)的采集。发现由局部放电导致的介质电劣化过程中其局部放电表现可分为5个阶段,前4个阶段的PRPD谱图具有很大的差别。采用基于局部放电物理过程的放电模型进行了计算机模拟,利用计算机模拟对谱图变化原因作了解释。通过对比计算机模拟过程中模型参数的变化和试验结果,对电劣化过程中缺陷气隙内部的物理变化过程进行了研究。研究结果为通过局部放电测量判断介质电劣化的发展状态提供了试验及理论依据。

基于局部放电主成分因子向量的油纸绝缘老化状态统计分析

提出一种新的局部放电模式——脉冲相位分布(17RPD)模式特征参数提取方法,用于油纸绝缘老化阶段的判定。通过对油纸绝缘内部气隙模型的加速老化试验,以及老化过程中局部放电信号的定期采集,采用主成分因子分析方法,从传统的PRPD图谱统计特征参量中提取出一组新的局部放电主成分因子向量。新的主成分因子不仅彼此之间完全独立,而且各自具备清晰的物理意义,并最大程度地概括了PRPD图谱所包含的信息。基于不同老化阶段的主成分因子向量聚类分析表明,它对油纸绝缘的老化状态判别结果可以为绝缘状态诊断提供具有重要参考价值的信息。

高压交联聚乙烯电缆附件局部放电特性分析

构建了110 kV电缆中间接头内部4种典型绝缘缺陷物理模型,通过建立电缆附件局部放电(partial discharge,PD)试验研究平台,获取不同绝缘缺陷模型下的放电数据,并构造了三维放电图谱,分析了单次脉冲的时频域特征及放电统计特性。试验结果显示,在起始放电阶段各缺陷下的放电脉冲波形比较稳定,时频特性有明显差异,其随机性主要表现为脉冲峰值的波动,而放电区间、放电重复率等统计特征也有很大不同,这些特征可用作放电类型识别的依据。

基于多特征信息融合技术的局部放电模式识别研究

针对单一特征信息分析模式独立辨识不能有效、可靠地判断出局部放电(PD)类型致使识别"误诊"的问题,以及为了最大限度地利用特高频(UHF)传感器所获取的丰富绝缘状态信息,利用放电时间、放电相位分布及UHF能量与放电量相关性等3类特征信息的共性和差异性进行融合互补,提出一种基于多特征信息融合的PD模式识别方法。通过在一套三相分箱式真实GIS(ZF-10-126)试验平台上实测所得的PD试验信息进行分析其结果表明:3类特征信息独立辨识各类缺陷的准确度存在较大差异性和不确定性,但有着各自优势。而采用D-S证据理论进行3类特征信息融合PD模式识别技术,可对3类特征信息独立识别法各自存在的不足进行互补,具有更高更准确的辨识率和可靠性。至此验证了所提方法的有效性与正确性。

基于K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用

局部放电相位谱图(phase resolved partial discharge pattern)是局部放电模式识别普遍采用的重要方法。但在中高压电缆在线局放监测系统中,电缆中的电压信号难以直接获取,使得局放相位谱图分析的开展遇到了重大的挑战。为此,在多年局放理论研究和局放现场应用研究的基础上,提出了基于K-Means聚类的局部放电相位谱图自动模式识别技术。该技术通过信号提取、坐标变换、K-Means聚类、中心点平移、模式判断的流程,克服了电缆局放监测中相位信息难以直接获取的缺点,能对来自三相的局部放电信号进行自动识别判断。5个应用实例证明,该方法能对电晕放电、内部放电、沿面放电和干扰信号做出准确的判断,必将在电缆在线监测系统中获得广泛的应用。

环氧树脂绝缘高频电热联合老化中局部放电特性分析

电力电子变压器长期运行于高频正弦电压下,其绝缘更易受到局部放电作用影响从而导致老化失效。为此以环氧树脂材料为研究对象,模拟电力电子变压器的运行条件,在30 k Hz、4 kV的正弦电压和温度120℃下开展了电热联合加速老化试验,研究了不同老化阶段下绝缘的高频局部放电特征。实验结果表明:高频正弦电压下残余电荷扩散少,放电连续,放电相位范围超过90°,局部放电频繁冲击绝缘材料;随着老化时间的增长,高相位上的最大放电幅值由0.02 V增加到0.03 V,局部放电相位分布谱图(PRPD)中第2簇"三角"特征更为明显,统计参量Sk能较准确地反应绝缘的老化状态;同时,随着绝缘缺陷表面有效起始电子产生概率的变化,放电量和放电次数总体呈上升趋势,局部放电的相位范围向两端扩展。

基于自适应双阈值的局部放电基本参数提取

局部放电基本参数自动化提取是高压设备局部放电在线PRPD分析的一项关键技术。针对现有方法因缺乏有效的参数选取方案导致适用性差的问题,提出了一种基于自适应双阈值的局部放电基本参数提取新方法。该方法利用放电幅值阈值和放电间隔阈值对PD信号的所有局部极值点进行双重过滤得到有效放电脉冲及其参数。为了减少整个处理过程的人工干预,提出采用最大类间方差法自适应选取上述双阈值。实验室中所测信号分析结果表明,所提方法能有效地提取PD信号的基本参数,对总数643例放电进行检测仅漏检13例、误检0例,且对80 MHz高采样率的放电信号的检测时间仍低于0.3 s,在准确性与计算效率上均优于现有方法。

变压器局部放电测量系统的设计与实现

用研制的局部放电脉冲信号测量系统检测了几种典型的变压器局部放电模型。通过试验提取局部放电信号中的关键参数 ,根据放电图谱对典型的放电模型进行模式识别 ,可为变压器局部放电的指纹诊断。

ODPS平台下的电力设备监测大数据存储与并行处理方法

计算性能是制约电力大数据应用(基于大数据的故障诊断、预测等)的关键问题。利用分布式存储、并行计算加速此类数据密集型应用是目前较有效的手段。尝试利用阿里云开放数据处理服务(ODPS)存储并加速电力设备监测大数据分析过程。以变压器局部放电(PD)数据相位图谱分析(PRPD)为例,提出了适合高采样率、时序性强的局部放电信号数据存储方法。采用ODPS扩展MapReduce模型(MR2)设计了"Map-Reduce-Reduce"方式的PD信号宏观特征提取方法,提出了并行化PRPD分析算法(ODPS-PRPD),实现了大量PD信号的并行基本参数提取、统计特征计算与放电类型识别。在实验室中构造了4种放电模型并采集了大量PD信号,分别在ODPS平台上和实验室自建的Hadoop平台上进行了性能评估和成本分析。实验分析和结果表明,ODPS-PRPD将大量的中间过程数据(PD谱图数据等)一直保存在内存中,相比自建Hadoop MapReduce平台性能明显提升,并在数据可靠性、服务可用性以及成本方面具有明显优势。

电力变压器典型局放模型的放电信号图谱

根据电力变压器内实际存在的典型局部放电类型设计制作几种相应的放电模型并对其在空气中和模拟的变压器油箱内进行了局放试验，获得了ｑ－。ｎ－…两种放电图谱，以利于对变压器局部放电的模式进行识别。

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Sk-Ku图谱的发电机局部放电数据分析

为了分析发电机的局放严重程度,针对局放的二维相位分布图谱,文中构造了局放的Sk-Ku图谱,并通过两个具体的发电机实例进行了对比分析。分析结果表明,Sk-Ku图谱能有效地表征出局放的严重程度,不同发电机局放严重程度之间具有一定的可比性。局部放电量和放电次数的Sk-Ku图谱均呈现二次曲线的性状,随着局放严重程度的增加,图谱整体有从1、2象限向3、4象限移动的趋势,数据的变化范围出现大幅度的减小。