油纸绝缘典型缺陷局部放电特征提取与模式识别研究

摘要

电力变压器是电力系统中最关键的设备之一，其安全可靠运行对电网至关重要。而局部放电是引起电力变压器绝缘老化和绝缘故障的主要因素，不同局部放电类型对绝缘损害的程度不同，其形成的机理也各有差异。因此，针对不同的局部放电类型进行模式识别，对快速诊断变压器绝缘状态及辨识故障位置具有重要意义。本文深入研究分析了局部放电机理及危害，通过搭建局部放电实验平台对4种典型的缺陷模型进行试验，研究各种类型的放电图谱并对提取统计特征参数进行定量分析。本文主要内容如下：
　　首先，根据CMII标准制作了4种典型的放电模型，用于模拟不同类型的油纸绝缘变压器局部放电故障缺陷。通过在高压实验室搭建局部放电实验平台及检测电路，利用脉冲电流法检测放电产生的脉冲信号，并分析研究了不同种类缺陷模型的放电特性，总结其放电机理及波形特征。
　　其次，在研究小波变换消噪方法的基础上，采用db8小波对实测局部放电信号进行5层分解，滤除含有的噪声干扰。根据局部放电相位分布PRPD模式，绘制得到各放电类型的二维、三维谱图，并提取能够表征图谱特性的30个统计特征，为后续量化分析识别各放电类型提供依据。
　　第三，应用主成分分析和核主成分析法对提取的30个统计特征参数进行降维处理，并将两者的降维效果进行对比。结果表明：运用主成分分析法降维后得到9个新特征量，而利用核主成分分析法降维后只需6维数据特征，且前三个主成分的累计贡献率已达到降维目的。降维后的特征量明显减少，综合变量保留了原数据的特征信息，为后续多分类支持向量机对局部放电类型识别奠定了基础。
　　第四，构造多分类优化参数支持向量机SVM分类器用于不同类型局部放电的识别。首先采用网格搜索算法实现支持向量机的参数优化，将降维后的局部放电综合特征作为分类特征量，并将训练集采用5折交叉验证法寻找最优训练SVM模型；然后，结合M-ary分类思想，将支持向量机的两类分类问题扩展为多类分类领域；最后，将测试数据分别输入到未优化SVM和优化参数多分类SVM模型中进行分类测试识别。比较各分类器的识别准确率及可靠性。实验结果表明，该方法计算速度快，且获得了较好地识别效果，适用于局部放电类型识别。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

变量注释表

1 绪论

1.1变压器局部放电的研究背景及意义（Background of the Subject）

1.2 变压器局部放电类型及危害（ The Types and Harms of Transformer Partial Discharge）

1.3变压器局部放电研究现状（Research Status of Partial Discharge in Transformer）

1.4本文主要研究内容及目标（The Main Research Contents of this Paper）

2变压器油纸绝缘局部放电实验装置及方法

2.1 引言（Introduction）

2.2 油纸绝缘典型故障缺陷局部放电实验（The Partial Discharge Testin Transformer Oil-paper Insulation）

2.3局部放电实验步骤及方法（The Experiment Steps and Methods of Partial Discharge）

2.4本章小结（Summary of the Chapter）

3变压器油纸绝缘局部放电特征量提取

3.1 引言（Introduction）

3.2基于小波变换的局部放电样本数据去噪（The De-noising Method Based on Wavelet Transform）

3.3局部放电统计特征量的提取（Feature Extraction of Partial Discharge Signal）

3.4典型缺陷局部放电图谱分析（The Pattern Analysis ofPartial Discharge）

3.5本章小结（Summary of the Chapter）

4 基于核主成分分析的局部放电特征量研究

4.1 引言（Introduction）

4.2主成分分析（Principal Component Analysis）

4.3核主成分分析（Kernel Principle Component Analysis）

4.4基于核主成分分析的特征信息降维（The Dimension Reduction Analysis of Characteristic Parameters Based on Kernel Principal Componen Analysis）

4.5本章小结（Summary of the Chapter）

5基于多分类支持向量机算法的局部放电类型识别

5.1支持向量机（Support Vector Machine）

5.2 支持向量机参数寻优（Support Vector Machine Parameters Optimization ）

5.3多分类支持向量机局部放电类型识别（ThePattern Recognition of Partial Discharge Based on Multiple Classification Support Vector Machine）

5.4本章小结（Summary of the Chapter）

6结论与展望

参考文献

作者简历

学位论文数据集