基于改进Deformable DETR模型的多源局部放电识别方法及其应用

基于图像的局部放电识别方法大部分仅对单源局部放电谱图有效,无法识别多源局部放电谱图。为实现对多源局部放电谱图的识别,该文提出一种基于Transformer架构的局部放电Deformable DETR目标检测模型,收集典型单源局部放电和多源局部放电数据,生成局部放电相位角解析和极坐标相位分布解析谱图数据集。在Deformable DETR模型中引入去噪训练任务和贝叶斯优化算法,优化了局部放电目标检测模型;编写局部放电谱图采集和识别程序,并使用优化后的局部放电Deformable DETR模型对单源和多源局部放电谱图进行识别。结果表明:局部放电Deformable DETR模型不仅可有效识别出单源和多源局部放电的类型,而且大幅提升了局部放电类型识别的收敛速度和精度等性能。在对真实绝缘缺陷电动机的局部放电谱图识别中,局部放电Deformable DETR模型的识别准确率达到91%,证明该模型在实际应用中的有效性。

基于随机森林的变压器多源局部放电诊断

目前变压器多源局部放电诊断的方法主要是先对采集的放电脉冲进行分离,再对分离的脉冲群进行局部放电诊断。然而,应用于脉冲分离的聚类算法的聚类个数确定问题制约着该方法的实用性,且该方法对信号采集器的采样率有很高的要求。针对上述缺陷,在实验室条件下模拟匝间模型、油楔模型和针板模型3种放电模型,将多个单源放电数据与噪声融合,生成多源放电数据,用于研究多源放电诊断方法。局部放电模式识别领域中常用的分类器算法包括神经网络、支持向量机（support vector machine,SVM）和K邻近（K-nearest neighbor,KNN）等。随机森林（random forest,RF）算法具有无需特征选择、不易过度拟合的优点,但在局部放电模式识别领域中应用较少。利用神经网络、SVM、KNN以及RF算法对多源放电中有、无某种放电模式的数据进行学习,从而跳过脉冲分离环节。结果表明：在一定幅值范围的白噪声干扰下,RF算法在各模式的识别准确率均优于其它算法。利用实际噪声干扰下的多源局部放电数据对各算法进行验证,结果表明RF算法仍可对有、无匝间以及有、无油楔进行有效识别,但各分类器对有、无针板放电的识别效果均不理想。利用RF算法得到的3个识别模型可实现多源局部放电模式识别。

10kV开关柜多源局部放电信号分离方法

介绍了通过测量暂态地电压(TEV)检测10 k V高压开关柜局部放电的基本原理。利用短时傅里叶变换(STFT)分析开关柜不同类型放电下局放TEV信号的时间频率特性,通过试验证明不同放电TEV信号在时频特性上存在明显差异。对信号STFT时频分析结果提取信号的时间中心tc、频率中心fc以及中心矩μc3个特征参数用以多源放电信号分离。结果表明:开关柜多源局部放电TEV信号能够在tc-fc-μc三维空间内实现信号聚类与分离,比基于傅里叶变换的传统分离方法具有更优的信号分离效果。

基于虚拟阵列扩展的特高频多源局部放电DOA估计方法

基于特高频(UHF)的多源局部放电精确波达方向(DOA)估计是开放式电力设备局部放电(PD)检测的难点。论文利用压缩感知(CS)原理,以导向矢量矩阵作为压缩感知的基变换矩阵,以随机高斯矩阵作为测量矩阵,通过多测量矢量欠定系统正则化聚焦求解(RM-FOCUSS)信号重构算法,将传统的2×2特高频阵列虚拟扩展为N×N (N>2)阵列。并在局部放电信号聚焦及环境噪声抑制的基础上,利用多重信号分类(MUSIC)算法构建了局部放电信号空间谱,根据空间谱特征分布实现了对多局部放电源的准确定向。仿真结果表明,扩展4×4阵列的定向精度得到了大幅提升,方位角误差由传统2×2阵列的约10°下降至约4°。实际实验中以扩展4×4阵列为例,得到其方位角误差约为8°,俯仰角误差约为4°,局部放电定向数量从传统阵列的1个扩展到3个,进一步证明了论文所提方法的有效性。论文研究可为电力设备的局部放电检测提供参考。

基于t-SNE与CFSFDP算法的多源局部放电脉冲分类技术

为解决在进行多源局部放电脉冲分类时因等效时频特征分布重叠而导致的脉冲无法有效分离的问题,提出一种基于t-SNE与CFSFDP算法的局部放电脉冲分类技术。该技术首先通过一种相位同步装置同时采集放电脉冲信号与其对应的相位信息,以单一放电脉冲的时频谱图作为对象,通过t-SNE算法对频谱数据进行降维,再对降维结果进行CFSFDP聚类,最后结合由相位同步装置采集到的相位信息对不同放电脉冲的PRPD谱图进行重构进而进行下一步分析。实验结果表明,基于t-SNE与CFSFDP的方法能有效地将不同放电脉冲进行分类,结合相位同步装置重构出的PRPD谱图符合放电特征。

基于卷积神经网络的多源局部放电模式识别

为验证开关柜多源局部放电直接分类的可行性,设计了四种典型局部放电模型,采集单局部放电源和双局部放电源信号,并绘制PRPD图谱作为数据集,利用卷积神经网络(CNN)模型进行模式识别。实验以经典模型的性能作为参考,再对表现较好的模型进行优化,得到最终模型。实验结果表明,优化后的模型准确率均超过98.5%,且训练时长较经典模型明显减少,适用于多源局部放电模式识别。

基于辅助分类–边界平衡生成式对抗网络的局部放电数据增强与多源放电识别

为解决局部放电(partial discharge,PD)源诊断中放电样本的不平衡问题,并克服传统多源放电诊断方法对脉冲聚类分离效果的依赖,该文提出基于辅助分类–边界平衡生成式对抗网络(boundary equilibrium generative adversarial network with auxiliary classifier,AC-BEGAN)的PD数据增强与多源放电识别方法。首先,对PD脉冲进行同步挤压小波变换(synchrosqueezed wavelet transform,SWT)作为训练样本。然后,在训练稳定性优越的BEGAN基础上,融合条件信息和辅助局放脉冲分类任务构建AC-BEGAN模型,旨在提升模型的生成能力并条件式地扩充训练样本。最后,采用扩充均衡的训练样本微调该辅助分类任务以学习多源放电中各单次脉冲的类别,并将占主导的脉冲标签的组合确定为该多源放电类型。结果表明,该方法相比于传统数据增强技术可以有效地均衡脉冲样本,同时可以克服传统诊断方法对聚类分离效果的依赖,直接实现多源放电诊断。