组合电器局部放电超高频信号数学模型构建和模式识别研究

摘要

气体绝缘组合电器(GasInsulatedSubstation,简称GIS)具有占地面积小、运行安全可靠、维护工作量少、检修周期长等一系列优点,在电力系统得到了广泛的应用。然而,GIS内部不可避免的绝缘缺陷会逐步扩展并导致故障发生,最常见的电气故障特征是在绝缘完全击穿或闪络前发生局部放电(PartialDischarge,简称PD)。
　　研究表明,采用超高频(Ultra-highfrequency,简称UHF)法对GISPD信号检测,可以避开常规电气测试方法中难以避开的电晕放电等干扰,从而有效发现GIS内部存在的绝缘缺陷。GIS中常见的绝缘缺陷有金属突出物缺陷、自由金属微粒缺陷、绝缘子金属污染物缺陷、气隙缺陷等。
　　因此,针对GIS内不同绝缘缺陷的PD所激发的超高频电磁波,深入研究GIS内UHFPD信号特征,分别建立相应的数学模型并进行模式识别的研究,对于认识GIS中放电信号的传输特性、指导GIS放电检测、掌握GIS的绝缘状况和缺陷类型,以及指导GIS的检修工作和保证GIS的安全可靠运行有着十分重要的意义。为此,本文在分析国内外GIS局部放电检测、数学模型构建和模式识别研究状况的基础上,深入研究了不同绝缘缺陷UHFPD信号波形特征,首次构建了GIS内UHFPD信号数学模型,并提出了一种适合UHFPD信号模式识别的新方法。
　　其主要工作有:①采用UHF法对GIS模拟装置内所设计的4种绝缘缺陷物理模型进行了大量的PD试验,获取了4种典型GIS缺陷的物理模型分别在不同尺寸规格下、置于不同位置处、在不同电压等级下的UHFPD信号波形,对GIS内不同绝缘缺陷UHFPD信号特征做了深入研究和系统分析;②针对GIS内4种典型绝缘缺陷UHFPD信号特征,构建了GIS的UHFPD信号数学模型,给出了数学模型的参数值,并从拟合误差、能量分布和时频联合分析的角度证明了数学模型构建的正确性,最后将构建的数学模型应用于PD信号复小波去噪的理论仿真研究;③根据二元树复小波变换优良平移时不变特性的特点,提出了一种基于二元树复小波变换的时频特征空间构造方法,通过伸缩和平移等运算功能对UHFPD信号进行多尺度细化分析,综合选用了UHFPD信号在各频带投影序列的能量、在各个尺度下的极大值和统计参量,完备地描述了UHFPD信号的特性,构造了完整的UHFPD信号特征空间,并根据已建立的GIS内4种典型缺陷UHFPD数学模型,对特征子集进行验证,进一步证明了所构造特征空间的正确性;④深入研究流形学习中的LLE算法、ISOMAP算法、LaplacianEigenmap算法、KPCA等,提出了基于流形学习的UHFPD特征空间降维方法,可保持降低维数空间后的原有信号特性最大限度不变,并使降维处理后的UHFPD信号能量特征子集、极大值特征子集、统计特征子集作为组合神经网络分类器成员分类器的输入量,识别效果达到最优。

目录

摘要

ABSTRACT

1 绪论

1.1 GIS 局部放电信号数学模型建立及模式识别的意义

1.2 GIS 局部放电

1.2.1 可能引起 GIS 局部放电的原因

1.2.2 GIS 主要缺陷类型

1.2.3 SF_6气体的局部放电机理

1.2.4 GIS 局部放电检测方法

1.3 局部放电信号数学模型的研究现状

1.4 局部放电模式识别的研究现状

1.4.1 局部放电模式

1.4.2 局部放电模式特征空间构造

1.4.3 局部放电特征降维

1.4.4 人工神经网络在局部放电模式识别的应用

1.5 本文研究的主要内容

2 GIS 内绝缘缺陷的 UHF PD 信号波形特征分析

2.1 GIS 缺陷物理模型和采集系统

2.1.1 GIS 试验装置

2.1.2 GIS 局部放电物理模型

2.1.3 内置环超高频传感器

2.2 超高频局部放电试验步骤

2.3 试验结果及分析

2.4 本章小结

3 GIS 的 UHF PD 信号数学模型构建

3.1 数学模型的基本理论

3.1.1 数学模型的定义

3.1.2 数学建模的步骤

3.2 局部放电超高频信号数学模型构建

3.3 数学模型的检验与分析

3.3.1 误差分析

3.3.2 功率谱分析

3.3.3 时频分析

3.3.4 局部放电超高频信号数学模型参数的调整

3.4 局部放电超高频信号数学模型在去噪仿真中的应用

3.5 本章小结

4 基于二元树复小波变换的UHF PD 波形特征空间构造

4.1 二元树复小波变换

4.1.1 奇/偶（Odd/even）滤波器

4.1.2 Q-shift 滤波器

4.2 二元树复小波的平移不变性分析

4.3 基于二元树复小波变换的 UHF PD 波形特征空间构造

4.3.1 二元树复小波变换能量特征

4.3.2 二元树复小波变换模极大值特征

4.3.3 二元树复小波变换统计特征

4.3.4 算法的实现

4.3.5 特征构造的仿真分析

4.4 本章小结

5 基于流形学习和组合神经网络的UHF PD 信号识别研究

5.1 流形和流形学习

5.2 基于流形学习方法的 UHF PD 信号特征非线性降维

5.2.1 局部线性嵌入算法（LLE）的实现

5.2.2 等距映射算法（ISOMAP）的实现

5.2.3 拉普拉斯特征映射算法（Laplacian Eigenmap）的实现

5.2.4 核主分量分析（KPCA）算法的实现

5.3 基于组合神经网络分类器的 UHF PD 模式识别

5.3.1 组合神经网络的组合方式

5.3.2 组合神经网络在 GIS 内 UHF PD 信号中的应用

5.3.3 识别结果及分析

5.4 本章小结

6 结论与展望

致谢

参考文献

附录

A. 作者在攻读博士学位期间发表的学术论文

B. 作者在攻读博士学位期间参与的科研课题