基于LDA和RBF神经网络的开关柜局部放电模式识别方法研究

针对传统信号特征提取方法存在高维数和无效信息过多的问题,提出了一种基于线性判别算法和径向基神经网络的开关柜局部放电模式识别方法。该方法将两种算法结合,达到识别速率和识别准确率双优的目的。首先,建立开关柜的3种超声波局部放电(PD)模型。然后,利用时频分析和小波分解,提取信号的时频特征和小波系数特征,通过线性判别算法(LDA)对提取的特征向量进行降维处理,最后利用径向基(RBF)神经网络对局部放电缺陷类型进行分类,其识别准确率均在90%以上,并且训练时间缩减50%以上,证明该识别方法具有实用性。

开关柜局部放电模式识别

针对高压开关柜局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于改进果蝇算法(FOA)优化的概率神经网络模型(PNN)的局部放电模式识别方法。作为一种新型的群体搜索随机优化算法,FOA算法具有原理简单、参数少,收敛快等优点。实验采集的局部放电信号进行处理并归一化,作为FOA-PNN神经网络的输入样本进行识别,并与传统算法进行比较。仿真实验证明:该算法可以有效地运用到局部放电模式识别中,为开关柜局部放电诊断供了一条新途径,具有良好的研究价值和发展前景。

基于T-F聚类和PRPD图谱分析的配网电缆局部放电类型识别研究

对配网电电缆中的局部放电类型进行识别对于监测电缆运行状态、提升电缆寿命具有重要意义,然而用于模式识别的指纹库一般都是基于单一缺陷构造的。当存在随机干扰源或多局放源时,基于传统的脉冲幅值-时间序列的宽带检测系统在放电模式的识别过程中会出现误判情况。针对配网电缆的局部放电缺陷,提出一种利用等效时频分析、模糊C均值聚类结合PRPD谱图实现对局部放电类型的分类识别方法,该方法首先根据脉冲波形特征值进行分类,之后通过PRPD图谱进行识别,可有效解决传统直接识别方法无法正确判断多局放源的问题。首先建立了局部放电测试系统,采集测量得到不同类型的局部放电波形。然后通过等效时频分析,将原始放电的时域波形转化为T-F模式,之后采用模糊C均值聚类分析将T-F模式下的数据分类,对每一类放电脉冲提取PRPD图谱识别其放电类型,实现配网电缆多放电源局放信号的准确分类与识别。试验结果表明,在多个单一局放源和两种混合局放源放电情况下该方法能够对其放电类型进行有效的分类和识别。

基于统计特征的变压器超高频局部放电信号识别与分析

变压器中局部放电由于随机性强且易受外界干扰所以难以检测。基于120 MVA变压器进行长期超高频局部放电信号监测,通过放电信号绝对数量和相对分数两个特征量,从统计行为的角度分析了不同局部放电信号的统计行为特征。结果表明变压器中存在3种主要局部放电信号源,其中一种相对分数达48%的信号具有放电绝对数量多、幅值高、放电数量随时间变化稳定的特点,由此得出其主导了变压器中的局部放电活动。该分析方法能有效识别局部放电模式和放电行为特征。

基于局部放电的电力变压器油纸绝缘状态评估关键问题分析

目前局部放电(PD)已作为绝缘状态质量监控的重要指标,但基于局部放电的变压器油纸绝缘状态评估并无广泛工程应用。为此,总结基于局部放电的变压器油纸绝缘状态评估的研究成果,并提出需要深入研究的方向与未来发展趋势,以为后续研究提供基础。通过讨论分析油纸绝缘局部放电特性、油纸绝缘局部放电模式识别、油纸绝缘老化评估及油纸绝缘缺陷发展程度诊断4个问题,得出:不同电场类型下,油纸绝缘局部放电的起始放电特性和波形特性差异较大;在局部放电模式识别中,时间序列谱图与相位分辨局部放电(PRPD)谱图相结合的识别率最高,可达95%;图谱多元特征量的提取、降维、分类以及识别是老化评估的必要步骤;局部放电程度可分为起始、发展、严重、危害4个阶段。研究表明针对不同问题的特征量灵敏度分类以及缺陷诊断与老化评估的综合分析是需要深入研究的方向。此外,多维信息融合评估是未来变压器油纸绝缘在线评估的发展趋势。