论文部分内容阅读
针对复杂强电磁干扰环境下电力设备局部放电故障状态的实时动态检测问题,本文融合超声波与紫外脉冲两种非电气检测技术,研制了一种抗强电磁干扰的低成本、高性能、便携式电力设备局部放电声光联合检测系统。针对电力设备局部放电检测干扰因素多,样本不均衡和样本误分类等问题导致的故障状态识别准确性低、稳定性差,本文设计了一种两阶段Stacking-Bagging集成学习模型,在高压电缆和变压器两种场景的应用中,表现优于传统的模式识别模型,包括K最近邻(KNN)、支持向量机(SVM)、随机森林(RF)、极端梯度提升树(XGB)和轻量级梯度提升机(LGB),可实现局部放电故障状态高准确性、高稳定性识别。具体工作如下:(1)首先调研局部放电检测技术的研究现状,分析了各检测方法的特点,结合本课题的实际应用需求,并考虑到联合检测的优势,提出了超声波和紫外脉冲联合检测的系统方案。(2)基于系统方案进行实现,硬件部分完成了传感器选型、声光信号驱动设计以及系统主控模块的选择。软件部分完成了声光信号采集、融合处理以及实时存储、显示和预警等功能的程序设计,并设计了系统交互显示界面,实现的系统具有抗干扰、非接触、成本低、便携式等优点,经过现场测试验证了系统有效性。(3)结合声光信号特点,搭建了电力设备局部放电信号的特征工程。首先进行数据预处理(异常值检测、去噪、标准化),然后从多分析域角度提取了局部放电信号特征,并通过特征选择和多视角可视化手段,验证了特征的可分辨性。(4)分析了集成学习算法原理,从多场景下局部放电故障状态识别的问题和难点出发,并结合本文检测系统采集的局部放电信号特点,设计了一种两阶段的Stacking-Bagging集成学习模型,详细描述了建模流程,并分析了模型的特点。(5)基于现场环境搭建了高压电缆和变压器两种场景下的局部放电信号数据库,比较了本文设计的两阶段Stacking-Bagging集成学习模型和五种传统模式识别模型的识别效果,并进行了模型的稳定性分析。试验结果表明,Stacking-Bagging集成学习模型在高压电缆场景中平均识别率达到98%以上,在变压器场景中平均识别率达到99%以上,比其他五种单模型更优,且识别稳定性最高,验证了该模型的高准确性、高稳定性特点。