组合电器局部放电非线性鉴别特征提取与模式识别方法研究

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、检修周期长等突出优点，在城市电网建设和改造中得到广泛应用。 运行经验表明，与敞开式变电站相比，尽管GIS的运行可靠性高，但其内部不可避免的缺陷仍可能引起事故，而且在GIS各类故障中，绝缘故障占有较大比例。GIS电气故障最通常的故障特征是在绝缘完全击穿前发生局部放电(PD)，通过对GIS局部放电的在线监测，可以及时发现GIS内存在的缺陷，避免重大事故的发生。因此，深入研究GIS局部放电检测及其模式识别的方法，对于保证GIS的安全可靠运行、诊断GIS的绝缘状况和缺陷类型特征以及指导GIS的检修工作有着十分重要的意义。 本文在分析国内外GIS局部放电检测及其模式识别研究成果基础上，对适用于GIS局部放电现场检测的外置传感方法进行了深入研究，在PD模式识别中引入了Fisher鉴别分析及其推广算法，丰富了局部放电模式识别中有关特征提取的理论及方法。取得的主要成果有： (1)对GIS局部放电信号的外置传感检测技术进行了深入研究，研制成功了适用于GIS现场监测微带贴片天线传感器，其中：采用选择天线基板材料、厚度和形状、附加阻抗匹配网络等方法使微带天线频带展宽，达到了宽频带天线范围：工作频带340～440MHz、中心频率390MHz，相对带宽25.6﹪，实测增益达到了5.38dB；在结构上，对MPA天线背面和部分侧面采用金属材料屏蔽封装设计，提高了MPA天线的抗干扰能力。 (2)根据GIS中PD信号特征研制出了模拟内部缺陷的4种单一缺陷和3种混合缺陷物理模型，在实验室里采用微带天线传感器和高速局部放电采集系统获得了这7种绝缘缺陷产生局部放电的大量样本，构建出GIS局部放电ψ-q-n谱图及其灰度图像。 (3)通过对Foley-Sammon最佳鉴别变换算法和统计不相关鉴别矢量集算法的深入研究，提出了一种局部放电三维谱图的主分量分析-Fisher线性鉴别(PCASUODV)方法：其PCA算法将数据从超高维空间降至低维空间，在解决维数危机的同时，消除类内散度矩阵的奇异性，并且最大限度的保持了原有样本模式的结构分布；SUODV提取统计不相关的特征量集，消除了特征分量之间的相关性，从而有效地提高了PD模式识别的精度。 (4)提出了一种基于核的统计不相关鉴别矢量集(KSUODV)的PD模式识别方法：首先采用基于图像矩阵的主分量分析算法(MatPCA)，降低协方差矩阵的维数，使特征提取速度大大提高；然后以KSUODV解决在用线性方法对非线性分布的局部放电分类问题时识别率不够高的问题，其PD模式识别精度高于线性特征提取算法。 (5)针对局部放电图像识别领域中的维数问题和类内散布矩阵的奇异性问题，提出了一种压缩映射的子空间特征提取方法，不仅降低了特征提取维数，而且保证了映射后空间内总体散布矩阵的非奇异，从而使得Fisher鉴别分析及其推广算法在保证识别率的同时可提高算法效率。 (6)提出了一种基于小波变换的核特征提取方法：首先对原始PD三维谱图进行了三层小波分解，选用第三层的低频子图、水平方向子图和垂直方向子图的小波特征进行核特征提取；然后采用作者提出的串行特征融合方法，将三个子图的特征进行融合进行模式识别，提高了PD模式识别的精度。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

1绪论

1.1研究GIS局部放电检测及其模式识别的意义

1.2GIS局部缺陷类型分析

1.3GIS局部放电检测的研究状况

1.3.1非电检测法

1.3.2电气测试法

1.3.3各种主要检测方法的比较

1.4局部放电模式识别研究的研究状况

1.4.1放电模式

1.4.2局部放电模式特征参数提取

1.4.3局部放电模式识别分类决策

1.5本文的研究内容

2矩形微带贴片天线设计及局部放电信号三维谱图的获取

2.1引言

2.2天线接收原理及超高频外置三线的要求

2.2.1天线接收原理

2.2.2超高频外置天线的要求

2.3MPA传感器的设计

2.3.1MPA的结构与工作原理

2.3.2MPA频带的展宽

2.3.3MPA的参数计算和测试

2.3.4天线结构及现场安装设计

2.3.5MPA的实验室研究

2.3.6MPA的现场检测系统研究

2.4GIS缺陷模型及试验方案

2.4.1GIS缺陷模型

2.4.2试验方法和步骤

2.4.3局部放电三维分布谱图及其灰度图像

2.5本章小结

3PD三维谱图统计不相关最优鉴别矢量集算法的原理及方法

3.1引言

3.2线性鉴别分析

3.2.1线性鉴别函数

3.2.2Fisher线性鉴别

3.2.3Foley-Sammon(F-S)最佳鉴别变换

3.3统计不相关最优鉴别矢量集算法(SUODV)

3.4PD三维谱图的SUODV特征提取及模式识别方法

3.4.1小样本下的线性鉴别算法

3.4.2主分量分析

3.4.3算法的实现

3.5试验与分析

3.5.1PD图像的主分量提取

3.5.2模式识别结果

3.5.3投影轴数对识别率的影响

3.6本章小结

4基于核的GIS局部放电三维谱图非线性鉴别分析方法

4.1引言

4.2核方法理论基础

4.2.1核方法

4.2.2内积核

4.2.33Mercer定理

4.3基于核的统计不相关鉴别分析(KSUODV)

4.3.1核Fisher鉴别准则

4.3.2基于核的统计不相关鉴别分析方法

4.4基于核的统计不相关最优鉴别矢量集特征提取及模式识别方法

4.4.1基于图像矩阵的主分量分析(MatPCA)

4.4.2MatPCA和PCA的比较

4.4.3算法的实现

4.5试验与分析

4.5.1PD三维谱图的MatPCA降维

4.5.2模式识别结果

4.5.3算法时间的比较

4.6本章小结

5基于小波变换的核特征提取

5.1引言

5.2PD三维谱图的小波分解

5.2.1离散二维小波变换

5.2.2PD三维分布谱图的二维小波分解

5.2.3子图的选取和小波系数的预处理

5.3核的压缩映射统计不相关鉴别矢量集算法

5.3.1基于核的Fisher鉴别闪准则

5.3.2压缩映射的基本原理

5.3.3同构映射原理及问题的求解

5.3.4压缩映射子空间算法分析

5.4基于小波变换的核特征提取方法

5.4.1特征融合

5.4.2算法的实现

5.5试验与分析

5.5.1模式识别结果比较

5.5.2算法时间的比较

5.6本章小结

6结论与展望

致谢

参考文献

附录：作者在攻读博士学位期间发表的论文及参与的科研课题及申请的专利