基于MDS的电缆局部放电模式识别 .pdfVIP

  1. 1、本文档共9页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

基于MDS的电缆附件局部放电模式识别

张安安;杨林;何嘉辉;高春林;李茜

【摘要】针对电缆附件局部放电特征参数提取时,由于数据量不足难以形成图谱而

导致特征提取困难这一问题,提出一种相位分割方法,同时结合多维尺度分析法

(MDS)对特征值进行降维优化,识别出具有较高分类能力的最优特征量.通过在工频

周期内对局放信号进行等角度分割,在每个分割区域进行特征值提取,获取更细微更

具体的特征参数,再通过MDS对特征值降维优化以提高识别的速度和准确度.通过

电力电缆附件典型缺陷的实验对比,结果表明该方法能在数据较少的情况下,较好地

提取出特征值,且能得到更准确的识别结果.

【期刊名称】《电子科技大学学报》

【年(卷),期】2019(048)002

【总页数】6页(P202-207)

【关键词】电缆附件;多维尺度分析法;局部放电;模式识别;相位分割

【作者】张安安;杨林;何嘉辉;高春林;李茜

【作者单位】西南石油大学电气信息学院成都610500;西南石油大学电气信息学

院成都610500;西南石油大学电气信息学院成都610500;西南石油大学电气信息

学院成都610500;西南石油大学电气信息学院成都610500

【正文语种】中文

【中图分类】TM835

交联聚乙烯(crosslinkedpolyethylene,XLPE)电力电缆有着较好的电气性能和耐

热性能,且其质量轻、安装容易和敷设方便,被大量地用于城市地下电网[1-3]。

电力电缆的大量使用,使得与之配套的电力电缆附件也得到了蓬勃的发展[4-5]。

然而,由于受安装工艺、敷设环境、外力破坏、使用情况等众多因素的影响,电缆

会出现绝缘缺陷甚至发生绝缘击穿事故,其中又以电缆中间接头和终端头附件绝缘

故障比例为多[6]。电缆附件在电力系统应用越来越广泛,它的运行状况直接关系

到电力系统的安全和稳定运行[7]。在故障发生之前或发生初期有效地检测电缆附

件受损状态,对电力系统安全稳定运行具有重要的现实意义[8-9]。国内外普遍认

为对XLPE电力电缆及其附件绝缘状况评价的最佳方法是进行局部放电监测,并对

其进行模式识别和分类[10]。

在模式识别和分类过程中,选择恰当的放电特征参数非常重要,其结果也将直接影

响分类器的识别效果。就目前而言,常用的局部放电特征提取方法主要包括统计特

征参数法[11-12]、分形特征参数法[13-14]、图像矩特征参数法[15]、波形特征参

数法[16]及小波分解法[17]等。诸多特征提取方法中,统计特征参数法中各个参数

都具有较为明确的物理意义,且对于不同的图谱具有较好的区分能力,因此受到了

广泛的关注。然而,统计特征参数的提取需要构建局部放电相位图谱(phase

resolvedpartialdischarge,PRPD),而PRPD图谱需要采集较多的局放数据,使

得特征提取的工作量十分巨大。

本文提出一种相位分割方法,即在工频周期360°范围内对信号进行等角度分割,

对每个区域得到的更细微更具体的统计算子进行分析,在数据量较少的情况下,保

证了特征值的精确性。为避免区域分割造成的特征值维数较高,直接送入分类器后

造成分类器不收敛或收敛困难这一问题,利用MDS进行降维,最终得到具有较高

分类能力的低维特征量来表征局部放电信息的特征参数,送入BP神经网络分类器

和支持向量机分类器分类识别,与统计特征参数的识别结果进行对比。

局放识别中,比较常用的特征参数有偏斜度、陡峭度、峰值个数、起始放电相位和

正负半波相关系数等统计特征参数[13,18-19]。这些参数都是基于整个放电周期或

者正负半周期的关系,如偏斜度代表局放相位图谱相对于正态分布而言局部放电特

征图谱的偏斜程度,陡峭度表示局放相位图谱相对于正态分布而言局部放电特征图

谱的凸起程度,正负半波相关系数描述的正负半周期的相似程度等[20]。

相比较统计特征参数,本文方法从另一个角度出发,即考虑到工频相位中的放电细

节部分,在整个放电周期上进行等角度分割,从分割后的相位窗中分别提取特征值,

所以该方法不需要大量的数据构成PRPD图谱。其中,放电峰值电荷、平均放电

量和放电次数,作为绘制局放图谱的重要参数,在本文方法中,在不同的相位窗分

别进行统计计算,归一化后形成原始特征参数。从而保证在不漏失局部放电特征的

前提下,得到了更加细微的特征信息。特征值提取具体步骤为:首先将m个工频

周期信号

文档评论(0)

186****8661 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档