开关柜局部放电信号统计特征及模式识别研究

作     者：贾晨昊 

作者单位：华北电力大学 

学位级别：硕士

导师姓名：赵涛

授予年度：2022年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 080803[工学-高电压与绝缘技术] 08[工学] 

主      题：局部放电 高压开关柜 威布尔分布 放电严重程度 分类识别 

摘      要：在电力系统中,开关柜是负责接收和分配电能的设备,是重要的中间设备,是电力系统的“中转站,起着枢纽作用。保证开关柜的正常运行是保障电力系统运行稳定性的关键。在长期运行中开关柜内由于电、热、化学等因素将导致局部放电现象,可能引发绝缘故障发生。为此,本文针对开关柜内局部放电信号的统计特征及分类识别进行了研究。搭建了高压开关柜局部放电实验平台,设计了超声传感器、TEV传感器以及工作现场中典型的放电模型,通过模拟开关柜内部局部放电,获取了不同电压等级下超声、TEV的局部放电信号数据,为后续局部放电数据样本特征统计分析以及分类识别提供数据支持。进行了局部放电数据样本特征统计分析,获得了表征局部放电严重程度的阈值参数。首先基于实验获得的不同电压下超声、TEV局部放电信号数据,采用脉冲峰值识别方法,处理获得了实验所取得的超声、TEV局部放电信号数据的幅值信息。然后对比6种概率分布情况的检验程度参数,选择了威布尔分布和最小极值分布对开关柜局部放电超声、TEV信号进行统计特征分析,基于局部放电信号幅值与形状参数、尺度参数之间的关系分析,提出了局部放电严重程度的阈值划分依据,确定了开关柜局部放电状态分类阈值参数。采用支持向量机和BP神经网络对相同数据样本下的超声、TEV信号进行了放电严重程度分类识别。首先,提取超声、TEV放电信号特征量,进而对比考察了支持向量机和BP神经网络两种识别模型下的放电严重程度的识别率。结果表明,支持向量机和BP神经网络都能够非常有效地识别出没有发生放电,BP神经网络的放电严重程度识别率要略优于支持向量机。分类识别结果在一定程度上也验证了威布尔分布阈值参数的正确性。