基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

超高频局部放电检测发现变压器疑似放电现象

电力变压器绝缘状况的好坏直接影响着电力系统的安全运行。随着电力系统的发展和电压等级的提高,局部放电已经成为电力变压器绝缘劣化的主要原因之一,因而局部放电的检测与评价也就成为变压器绝缘状况检测的重要手段。通过九江供电公司一次实测案例,结合测量中所遇到的情况及应对手段进行分析,得出最终的分析结果,对生产实践中出现的类似问题的分析与解决具有一定借鉴作用。     

基于自适应线性神经元的高压电缆状态监测及故障定位方法研究

高压电缆的早期故障往往是由电应力过大和电缆老化造成的。如果这种故障在短时间内以电流尖峰的形式出现,则可能出现永久性故障。为了检测高压电缆中的早期故障,提出了一种基于累积和算法以及自适应线性神经元的监测策略,从而检测单相瞬变和区分早期故障。累积和算法对噪声具有鲁棒性。在仿真中对所提出的方法进行测试,结果显示所提出方法可实现高精度和高速故障定位,验证了其有效性。