基于深度残差网络的GIS局部放电模式识别技术研究

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD)特征表现较复杂,传统局部放电模式识别方法因特征选取具有较强的主观性,其放电类型分类的准确性和鲁棒性均较差。针对这一问题,文中将局部放电的PRPD数据转化为局部放电灰度图,构建深度残差网络对局部放电灰度图进行自适应特征提取,深度挖掘放电灰度图中不同局部放电类型的特征模式,实现局部放电模式的识别,实际实验表明,文中所提方法对局部放电类型的识别同时具有较高的准确率和鲁棒性。     

基于核典型相关分析融合的XLPE电缆局部放电模式识别

提出使用核典型相关分析方法提取XLPE电缆接头局部放电信号PRPD图谱特征信息,并使用K最近邻分类算法实现不同绝缘缺陷模式的高准确率识别。利用YJV-26/35 k V型电缆及其附件设计了4种典型绝缘缺陷,使用脉冲电流检测获取局部放电样本信息,绘制了PRPD图谱并应用于样本数据,研究不同特征向量下的识别效果,在适合维数最终获得较高识别正确率。相对于传统电力设备模式识别方法,不但可以有效反映信号非线性特征,并可以将多种特征进行有效融合,消除冗余特征。     

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,耗时更少。     

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...     

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 net￣work,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D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

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。     

变压器套管局部放电的特征与识别

变压器套管的局部放电是引起绝缘劣化,导致套管着火和爆炸的重要原因,现有的套管局部放电测量需要利用套管末屏的接地线,操作复杂,且容易受地网中的脉冲信号干扰。为了解决这个问题,文中提出了一种基于特高频技术的变压器套管局部放电检测及模式识别方法。根据实际套管典型缺陷,在实验室以110 kV变压器出线套管为试验对象,制造了套管顶部悬浮、套管末屏引线接触不良、套管下部均压环悬浮模型、套管下瓷套沿面放电这4种缺陷模型。利用传统脉冲电流和特高频检测方法,测量了局部放电特性,对比分析了脉冲电流PRPD、特高频PRPD、NV图谱的特征。研究结果表明:套管缺陷局放特高频PRPD谱图与脉冲电流法所测结果基本一致;根据PRPD、NV图谱的形态特征,可以辨识出套管局部放电缺陷类型及可能的放电部位。文中的研究成果对推动套管局部放电带电检测有重要意义。     

基于荧光光纤检测GIS局部放电的多重分形谱识别

为了获取SF6气体绝缘电器(GIS)局部放电(PD)光信息特征,完善了反映GIS内部4种典型绝缘缺陷的物理模型,并利用研制的PD荧光光纤传感系统,获取了用绝缘缺陷模型产生的PD光信号,构建出了相应的φ-u-n三维图谱及其灰度图像。同时,针对简单分形特征不足以描述PD灰度图像而导致模式识别率较低的问题,采用具有分析灰度图像丰富特征信息能力的多重分形谱技术,提出了一种计算PD光信号灰度图像的多重分形谱概率算法。然后通过对多重分形谱中各特征信息的物理意义分析,提取了用于PD模式识别的特征量,并选用改进共轭梯度算法的反向传播(BP)神经网络作为分类器。研究结果表明:多重分形谱可有效描述PD灰度图像不均匀程度及其不同层次的几何结构特征,用于分类识别4种典型绝缘缺陷产生的PD时正确率均87%,优于用盒维数与信息维数作为特征量的识别。     

基于Hu矩、Zernike矩和小波矩的局部放电识别分析

为了分析不同图像矩特征在局部放电中的识别效果,将基于局部放电相位分辨(Phase-Resolved Partial Discharge,PRPD)模式的φ-q-n三维图谱转化为二维灰度图,基于灰度图的矩特征对局部放电进行模式识别,不同的矩特征,图像的识别率相差较大。采用Hu矩、Zernike矩和小波矩对3种局部放电类型进行模式识别,结果表明:基于Hu矩和Zernike矩表征图像全局信息的特点,其图像识别率较低;而基于小波多分辨率特性的小波矩,不仅可以反映图像的全局信息,而且能够表征图像的局部信息,其图像的识别率达到100%,拓展了矩特征在局部放电模式识别中的应用。