基于PRPD图谱的气体绝缘开关柜多缺陷局部放电模式识别

针对目前不断提高的电压等级,局部放电现象不再是单独一种,可能存在多缺陷同时放电的情况,局部放电类型的模式识别,对监测设备的运行状态具有重要意义。然而多缺陷所产生的局部放电信号存在混叠现象,给识别带来困难。为了能够识别多缺陷局部放电,从PRPD图谱入手,提取图谱的矩特征和灰度共生矩阵特征,将其组合后的7维特征采用支持向量机算法进行分类。该方法可有效解决多缺陷放电信号混叠导致的传统信号特征无法提取的问题。搭建实验模型,共采集了四种单一典型缺陷和三种混合缺陷放电的PRPD图谱,比较了矩特征、灰度共生矩阵特征和组合特征的识别率,结果表明利用组合特征不仅在识别速度上有较大的提升,而且识别率也能够得到提高,可以有效地识别出单一缺陷和混合缺陷,验证了该混合特征的有效性。

基于PRPD图谱多特征融合的局部放电类型识别研究

局部放电(partial discharge,PD)信号的检测能够为电力系统提供绝缘缺陷诊断和运行状态评估。现有的局部放电类型识别算法难以有效识别相似度较高的绝缘缺陷,限制了其应用范围。为此,提出一种基于PRPD(phase resolved partial discharge)图谱多特征融合的局部放电类型识别算法。该算法利用卷积神经网络(convolutional neural network,CNN)提取局部放电PRPD图谱图像特征,将图像特征与PD信号统计特征进行有效融合,利用融合特征识别局部放电类型。在实验室环境下建立了4种局部放电模型,并进行了模拟对比实验。实验结果表明,相比传统的支持向量机(support vector machine,SVM)和反向传播神经网络(back propagation neural network,BPNN)算法,所提出方法的正确识别率分别提高了12.82%和19.70%,对相似度较高的缺陷类型也能进行有效识别,算法具有较好的鲁棒性。

基于多层特征融合CNN的变压器PRPD图谱识别

智能化的分类算法在局部放电模式识别中应用良好,但是需要人工提取特征,因而存在特征丢失和识别效率低的问题。文中对传统的卷积神经网络进行多层特征融合的改进,并用于局部放电模式识别,以预处理后的PRPD图谱为输入,自动提取图谱特征,并进行深层和浅层的特征融合以防止特征丢失,最后输出分类结果。此外文中算法还对传统CNN的池化策略进行改进,使用最大二均值池化,进一步保留了图谱的有效特征。实验结果表明,相比于传统的人工提取统计特征再输入分类器的模式,特征融合CNN的识别正确率更高,达91.21%,且耗时更少。

基于随机森林的发电机定子线棒局部放电图谱特征识别方法

发电机定子线棒局部放电的在线监测和故障诊断对于电机故障预警、故障定位和指导机组检修有重要意义。目前存在部分不同类型局部放电相似度高,模式识别方法计算时间过长的问题,需要高精度和高效的识别方法,为此提出一种基于随机森林的定子线棒局部放电识别方法。制备了6种类型定子线棒,用特高频天线检测局部放电信号,基于相位分布局部放电(PRPD)图谱比对,提出参数幅值不对称度。基于随机森林方法识别缺陷类型,计算特征重要性,选择有效特征。最后,可视化特征相似度,与传统反向传播(BP)神经网络方法对比,验证有效性。结果表明:随机森林算法可以有效识别人工缺陷定子线棒局部放电,总体识别正确率达到93.33%。筛选半数特征后,随机森林比BP神经网络的准确率提高了10.83%,特征选择对随机森林的准确率影响很小,但识别效率大幅提高。随机森林在少量特征时识别准确率、计算时间都明显优于神经网络。幅值不对称度参数的重要性排在全部特征前1/3,具有推广价值。

基于局部放电相位图谱和油中溶解气体信息融合的油纸绝缘缺陷识别方法

基于单一检测手段的变压器故障诊断方法难以对油纸绝缘的同一类型缺陷进行细化识别,无法满足深远海风电快速发展背景下电力系统对设备运行可靠性的要求。因此,本文提出了一种基于局部放电相位(PRPD)图谱和油中溶解气体分析(DGA)信息融合的油纸绝缘缺陷识别方法,设计并制作了6种电极模型,模拟变压器中不同电场不均匀系数的沿面放电典型缺陷,并采集其PRPD及DGA数据;分别采用卷积神经网络(CNN)和反向传播神经网络(BPNN)对6类缺陷的PRPD图谱和DGA特征向量进行模式识别;提出基于D-S证据理论的CNN-BPNN信息融合模型,实现基于PRPD图谱与DGA数据的联合诊断。结果表明:基于D-S证据理论的CNN-BPNN模型可有效纠正单一判据模型的错误输出,并降低分类结果的不确定度,当PRPD图谱输入维度为8×8、16×16、32×32时,融入DGA特征向量的模型识别准确率分别为93.21%、97.53%、99.17%,较PRPD图谱单一判据模型的识别准确率分别提升了4.81%、2.78%、0.84%,该模型可有效融合局部放电的电气物理信息和化学产物信息,既提高了缺陷识别准确率,又增强了输出结果的置信程度,且降低了数据存储要求,可为变压器智能运维提供精确、可靠、轻量的缺陷识别方法。

基于Storm的变压器PRPD参数提取与模式构造

随着局部放电数据增多,为了提高放电数据的参数提取和模式构造的效率,将放电数据参数分析与Storm相结合,设计并使用Storm平台下双阈值过滤参数提取算法。该算法在框架组件中分别对各个阶段进行编程实现,通过数据流连通,将其产生的任务提交至集群完成,有效提取基本参数并且绘制图谱。实验结果表明,该算法与Storm框架结合具有低延迟和高吞吐量,能够提高处理效率。

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。

变压器油纸绝缘沿面放电缺陷发展特征及阶段识别方法

沿面放电是变压器油纸绝缘最常见的一种局部放电形式。采用恒压法对油纸绝缘沿面放电缺陷进行长期加压试验,通过分析沿面放电过程中的放电特征量、放电图谱以及扫描电镜（scanning electron microscopy,SEM）微观特征,提出沿面放电阶段可划分为3个典型阶段：放电起始阶段（S1）、放电发展阶段（S2）以及放电预击穿阶段（S3）。S1阶段放电相位主要分布于30？~90？和210？~270？,放电量不超过100 p C;S2阶段相位主要分布于0？~160？和180？~330？,放电量达到3000 p C;S3阶段放电相位几乎覆盖满第二、四象限,放电分布在0？~360？区间,放电量略微增大至3500 p C。微观形貌结果表明,随着放电程度加深,绝缘纸板纤维逐渐被打断、聚合,纤维排列杂乱化加剧,纸板表面碳化带向电极外侧延伸,同时宽度变大。在沿面放电的发展过程中,Hn（φ）图谱的偏斜度ks（10）（ks-）以及陡峭度uk（10）（uk-）的变化呈不规则的＂U＂型结构,峰值数peaksn（10）（peaksn-）随着放电程度加深逐渐增大。通过采用带特征选择的遗传优化支持向量机算法,对不同放电发展阶段的27维PRPD统计特征量进行了识别,结果表明该算法可以对沿面放电阶段进行准确识别,并且较模糊k近邻分类器和人工神经网络具有更高的识别率。

TEV与HFCT法测量开关柜局部放电的特性对比

探究了暂态对地电压(transient earth voltage,TEV)法对于开关柜局部放电现象的检测性能,并与脉冲电流检测的效果进行了对比。研究了二者对于不同类型局部放电的检出能力;分析了2种方法测量下4种局部放电PRPD(phase resolved partial discharge)图谱的相似性与差异;通过统计特征参数计算研究了2种检测方法的测量结果随外施电压变化而变化的趋势。结果表明,与传统的高频脉冲电流检测法(highfrequency current transformer,HFCT)相比,暂态对地电压法对于开关柜局部放电的测量信噪比较低,检测效果稍逊,但更适用于微弱尖端放电。从PRPD图谱上来看,2种方法在不同类型局部放电的脉冲幅值特征与相位区间上具有很强的一致性,但在脉冲集中度等方面存在一定区别。随外施电压变化,TEV与HFCT得到的偏斜度、陡峭度变化趋势一致,2种方法均能有效反映局部放电的放电特征。

基于卷积神经网络与特高频技术的局部放电模式识别研究

局部放电是导致电力设备绝缘性能劣化并最终导致绝缘失效的主要因素之一,传统方法检测设备局部放电操作复杂、需要依靠人工定期巡检,不能对设备绝缘状态进行实时监测。由于局部放电发生时会向外辐射高频电磁波信号,提出一种基于特高频技术的局部放电在线监测及相位分辨的局部放电(PRPD)图谱构建方法。使用所提方法获取局部放电脉冲的幅值及时间信息构建PRPD图谱,将PRPD图谱进行网格化处理得到36×30的灰度图像,最后采用卷积神经网络算法对4种典型放电类型图谱进行分类识别。