深度学习在局部放电模式识别中的应用

摘要

局部放电是电力设备运行中的常见现象，它不仅表征着设备的绝缘强度、运行情况等重要信息，而且长期的放电也会扩大缺陷导致击穿。因此，对局部放电进行正确有效的种类识别，对于设备监测和故障诊断有着非常重要的意义。
　　目前，在局放识别中经常使用的BP神经网络算法，可以从一定程度上实现有效判别，但是由于其训练机制上的限制，其识别能力有限，改进的空间并不大。而近年来在模式识别领域出现的深度学习方法，从一定程度上克服了BP神经网络的上述缺点，已经越来越广泛地应用到各类识别领域，并得到了较好的效果。为了改进神经网络在局放模式识别的应用现状，本文主要研究引入深度学习机制来实现局部放电模式识别。
　　具体来说，为了研究各类局部放电的特性，建立用于识别研究的样本库，本文搭建了基于脉冲电流法的局放测试平台。针对局部放电中常见的内部放电、沿面放电和电晕放电三个基本类别，设计实验模型并进行了油纸绝缘、合成绝缘材料气隙、空气中沿面、SF6中沿面、空气中针板、SF6中针板6个细分组别的测试。分别采集了各组实验的放电发展期特征数据，整理成每个组别的典型样本集，用于训练和测试。为了优化网络性能，避免输入维度过高带来的过拟合，本文又提出了基于参量分布的蒙特卡洛方法，作为对局放实验的补充。通过对放电量和放电相位两个维度进行统计分布研究求取二维随机变量的联合概率分布。并设计了模拟实验，可以实现参数可控、统计分散的样本扩容。
　　基于以上样本，本文对局部放电三个类别、6个组别分别进行了识别。研究对比了BP神经网络和基于自动编码机的深度学习网络的识别性能差异。结果表明，自编码网络的识别效果整体优于BP神经网络，其总体识别率更高，识别率的输出更为稳定。但相应的训练时间也有所增长。
　　因此，本文认为基于自动编码机的深度学习网络，因其训练机制上的改进，识别效果优于传统BP神经网络。这也为利用深度学习方法处理局放模式识别的进一步研究提供了参考依据。

目录

声明

摘要

第1章 绪论

1．1 课题背景及研究的目的和意义

1．2 局部放电检测和模式识别的国内外研究现状

1．2．1 局部放电检测的研究现状

1．2．2 局部放电模式识别的研究现状

1．3 目前研究存在的问题

1．4 课题研究内容

第2章 常见局部放电的实验设计和测量

2．1 局部放电测量系统设计

2．2 局部放电的实验模型

2．3 系统检验与标定

2．4 实验过程和现象分析

2．4．1 内部放电实验

2．4．2 沿面放电实验

2．4．3 电晕放电实验

2．5 本章小结

第3章 局部放电分布的统计学模拟

3．1 计算机辅助生成局部放电数据

3．2 局部放电参量的统计学分析

3．3 基于参量统计的蒙特卡洛模拟

3．4 本章小结

第4章 BP神经网络与深度学习网络原理

4．1 有监督学习与无监督学习

4．2 神经网络及其算法

4．2．1 神经网络的结构

4．2．2 反向传导(BP)算法

4．3 深度学习简介

4．3．1 浅层网络与深层网络

4．3．2 深度学习的训练机制

4．3．3 深度学习的主流模型

4．4 自动编码机原理

4．5 本章小结

第5章 应用自编码网络处理局部放电数据

5．1 样本库的设计

5．2 对局部放电基本类别进行识别

5．3 对局部放电的组别进行识别

5．4 训练时间的对比

5．5 本章小结

第6章 结论与展望

6．1 结论

6．2 工作展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢