局部放电模式识别特征量提取方法研究与特征量相关性分析

摘要

电气绝缘在高压电力设备中起着极其重要的作用，绝缘系统的状况直接决定着电力主设备运行的可靠性。局部放电是导致绝缘劣化的重要因素，在线监测局部放电信号并识别放电类型，能够及时发现绝缘内部缺陷及放电发展程度，防止事故发生。因此，对局部放电模式识别的研究具有非常重要的工程应用价值和学术意义。为此，本文作者在国内外现有工作的基础上，通过大量的实验室局部放电实验，研究了局部放电模式识别特征量的提取方法及特征量间的相关性。对特征量的提取方法及特征量间的相关性进行综合分析比较的结果，为局部放电模式识别特征量的提取提供了一定的依据。本文的主要工作和结论如下： 制作了电晕放电模型、气隙放电模型、沿面放电模型和相应电极，在实验室中模拟空气中电晕放电、油中电晕放电、固体绝缘内气隙放电、空气中沿面放电和油中沿面放电这五种绝缘缺陷。在双层屏蔽室中对五种绝缘缺陷模型进行了大量的实验室实验，获取了大量有价值的放电样本数据。 本文采用四种方法对实验获取的局部放电样本提取了局部放电的特征量，主要提取了局部放电的三维谱图表列数据、统计特征、分形特征和局部放电灰度图象的矩特征这四种特征量。选用BP人工神经网络作为模式识别分类器，对提取的四种特征量分别进行识别。识别结果表明矩特征和三维谱图表列数据有较好的识别效果；统计算子和分形特征提取的特征维数较少，但识别率较前者低。 本文对提取的统计特征、分形特征、矩特征之间的相关性进行了分析。对于统计特征和分形特征的相关性分析表明：特征量之间的相关性很弱，可以继续增加一些有效的特征量，以提高分类识别率；对矩特征量的相关性分析表明：五个四阶矩μ40，μ04，μ31，μ13，μ22中的μ04，μ31，μ13，μ22之间的相关性很强，可以去掉这四个特征，仅保留一个四阶矩μ40，BP人工神经网络识别结果表明分类识别能力并没有下降，但由于特征的数目减少了，分类识别时间缩短，同时，识别系统的复杂度也降低了。

目录

文摘

英文文摘

1绪论

1.1局部放电在线监测模式识别的意义

1.1.1局部放电产生的原因及种类

1.1.2模式识别的概念、方法及原理

1.1.3模式识别分类器的概念及基本任务

1.1.4局部放电模式识别的发展现状

1.2局部放电模式识别特征量提取方法

1.3本文研究的主要目的和任务

2局部放电的实验装置及方法

2.1引言

2.2放电模型及实验装置

2.2.1放电模型

2.2.2局部放电模拟实验装置

2.3实验方法及过程

2.4小结

3局部放电模式识别特征量提取方法研究

3.1引言

3.2特征选择与提取

3.3类别可分性准则

3.3.1基于距离的可分性准则

3.3.2基于熵函数的可分性准则

3.3.3基于概率分布的可分性准则

3.4特征提取方法

3.5常用的局部放电模式分类器

3.5.1前馈网络

3.5.2自组织特征映射网络

3.5.3自适应共振网络

3.6局部放电模式识别特征量提取

3.6.1三维表列数据

3.6.2统计特征参数

3.6.3分形特征参数

3.6.4矩特征参数

3.7局部放电的人工神经网络识别

3.7.1 BP网络

3.7.2识别结果

3.8小结

4特征量相关性分析

4.1引言

4.2衡量特征量相关性的几个参数

4.3统计特征量、分形特征量之间的相关性分析

4.4矩特征量之间的相关性分析

4.5小结

附表A

5结论

致谢

参考文献

作者在攻读硕士学位期间发表的论文目录