局部放電信號干擾抑制與識別方法研究.pdf

1、絕緣劣化是引起電氣設備故障的重要原因,如果能在電氣設備絕緣裂化的早期就將其檢測出來,并及時更換,將會有效地減少事故的發(fā)生,局部放電檢測是反映電氣絕緣設備劣化情況的有效有段。局部放電檢測屬于瞬態(tài)微弱信號的測量,而檢測現場的電磁干擾通常比較嚴重,因此信號檢測的干擾抑制是局部放電檢測的一個技術難點。目前,局部放電的故障診斷還是以閾值分析為主,當放電量達到危險放電量的最小值時發(fā)出警告信號,但不同的絕緣缺陷對絕緣系統(tǒng)的破壞程度有明顯的差異,對局部

2、放電缺陷類型識別分類是目前局部放電檢測另一個研究重點。
　　局部放電信號檢測中最主要的干擾是白噪聲。白噪聲從時域上看是雜亂無章的,屬于寬頻信號,當前較為常見的方法是利用小波變換技術對白噪聲干擾進行抑制,其效果也較為顯著。本文對小波變換的各種去噪算法進行了比較分析,發(fā)現去噪中最常用的閾值算法在估計信號的小波分解系數時,直接將分解系數幅值大小作為判斷標準,沒有利用小波系數的相關性,在干擾比較嚴重的情況下去噪效果并不穩(wěn)定。針對這種情況,

3、本文將小波閾值算法與空域相關算法有機結合,同時給出一種新的閾值選擇方法,對信號進行聯合去噪,取得了比較理想的效果。
　　局部放電具有一定的隨機性,因此一般會對多個工頻周期的信號進行統(tǒng)計,得到局部放電信號的統(tǒng)計圖譜,在識別過程中需要利用放電圖譜的圖像特征對局部放電的缺陷類型進行模式分類。分形特征是一種參數少,模式區(qū)分能力較強的特征參數,因此本文對局部放電圖譜分形特征的提取方法進行了深入研究,并在提取散點圖的分形特征時對傳統(tǒng)的盒維數計

4、算方法做了改進。分形特征僅僅描述了散點的集局部自相似性和復雜程度,不能對散點集從整體上進行描述,本文結合散點集的分布重心特征,與分形特征共同組成特征向量,作為識別輸入向量,在試驗中對幾種特征向量識別效果進行對比,試驗結果表明,本文所提取的特征向量模式區(qū)分能力更強。
　　BP神經網絡是局部放電識別中一種常用分類器,但是傳統(tǒng)BP算法存在缺陷,制約了該分類器在實際中的應用,本文利用粒子群(PSO)算法對BP網絡進行優(yōu)化。如果用傳統(tǒng)的PS