论文部分内容阅读
[摘要]高压电器绝缘缺陷容易引起局部放电,对局部放电属性进行模式识别,可以找出产生局部放电的原因,从而可以预防事故的发生,本文结合以上内容分析小波神经网络在局部放电模式识别中的应用,结果表明它能对局部放电模式进行有效识别。
[关键词]局部放电 模式识别 神经网络
一、概述
高压电器中存在着如金属突起、自由移动的金属粒子、绝缘内部气隙等形式的绝缘缺陷,这些绝缘缺陷将会在一定的条件下在高压电器内部引起局部放电,从而引发事故,为此需要对高压电器定时进行检修维修,这样必然会造成人力财力方面的浪费。解决的办法就是利用局部放电的模式识别技术。模式识别理论诞生于20世纪60年代,70年代被首次应用于局部放电识别中。进入90年代,神经网络理论开始应用于局部放电模式识别领域。
研究发现,局部放电信号虽然很微弱,但它却包含有关绝缘的丰富信息。对局部放电进行模式识别,从而确定引起局部放电的绝缘缺陷类型,有利于电力系统中高压电器运行状态监测、预报和维护方案的确定。
对局部放电模式的识别关键是对局部放电信号的时域特征和频域特征进行分析研究。但局部放电时频特征量大,若要使模式识别率达到更高,就必须将这些无用的时频特征从特征向量中剔除出去——模式分类器,模式分类器的质量直接影响到局部放电模式识别率。传统模式分类器BP神经网络,其识别率受隐层单元数目的影响大,如何选择隐层单元数目却没有理论依据指导。小波神经网络是小波变换和神经网络相结合构造的一种新型网络,它具有很高的网络学习速度,能最大限度地对信号进行特征提取,对函数的逼近效果好。因此,小波神经网络作为一种新型的模式分类器,在局部放电模式识别领域得到应用。
二、局部放电信号的采集
实践证明不同电场分布导致的局部放电具有不同的表现形式。依据高压电器运行过程发生局部放电故障统计数据,可以将局部放电形式归纳为极不均匀电场、不均匀电场和稍不均匀电场分布条件下,绝缘介质局部发生放电的表现。为此,作者制作尖对尖、尖对板、球对板三种局部放电模型,用以模拟上述三种不同电场分布情况下的局部放电。运用脉冲电流法采集局部放电信号,采集到的局部放电信号经由同轴传输线C1通过DSO-2902数据采集装置直接输送到计算机内指定存储单元,由自行研制的局部放电数据采集软件系统对计算机内的信号数据进行操作,如下图所示。
由上式可以看出,当对正交小波神经网络进行训练时,其待定的参数只有隐层和输出层之间的权值,待训练参数少,所以正交小波神经网络学习速度快。同时,对于正交小波神经网络,当训练样本数N无穷增大时,网络输出将无限逼近网络的期望输出,即说明有较高的模式识别率。
综上所述,正交小波神经网络能对局部放电模式进行有效的识别,它在局部放电模式识别领域具有一定的普遍意义。
(作者单位:黑龙江建筑职业技术学院;黑龙江哈尔滨理工大学)
[关键词]局部放电 模式识别 神经网络
一、概述
高压电器中存在着如金属突起、自由移动的金属粒子、绝缘内部气隙等形式的绝缘缺陷,这些绝缘缺陷将会在一定的条件下在高压电器内部引起局部放电,从而引发事故,为此需要对高压电器定时进行检修维修,这样必然会造成人力财力方面的浪费。解决的办法就是利用局部放电的模式识别技术。模式识别理论诞生于20世纪60年代,70年代被首次应用于局部放电识别中。进入90年代,神经网络理论开始应用于局部放电模式识别领域。
研究发现,局部放电信号虽然很微弱,但它却包含有关绝缘的丰富信息。对局部放电进行模式识别,从而确定引起局部放电的绝缘缺陷类型,有利于电力系统中高压电器运行状态监测、预报和维护方案的确定。
对局部放电模式的识别关键是对局部放电信号的时域特征和频域特征进行分析研究。但局部放电时频特征量大,若要使模式识别率达到更高,就必须将这些无用的时频特征从特征向量中剔除出去——模式分类器,模式分类器的质量直接影响到局部放电模式识别率。传统模式分类器BP神经网络,其识别率受隐层单元数目的影响大,如何选择隐层单元数目却没有理论依据指导。小波神经网络是小波变换和神经网络相结合构造的一种新型网络,它具有很高的网络学习速度,能最大限度地对信号进行特征提取,对函数的逼近效果好。因此,小波神经网络作为一种新型的模式分类器,在局部放电模式识别领域得到应用。
二、局部放电信号的采集
实践证明不同电场分布导致的局部放电具有不同的表现形式。依据高压电器运行过程发生局部放电故障统计数据,可以将局部放电形式归纳为极不均匀电场、不均匀电场和稍不均匀电场分布条件下,绝缘介质局部发生放电的表现。为此,作者制作尖对尖、尖对板、球对板三种局部放电模型,用以模拟上述三种不同电场分布情况下的局部放电。运用脉冲电流法采集局部放电信号,采集到的局部放电信号经由同轴传输线C1通过DSO-2902数据采集装置直接输送到计算机内指定存储单元,由自行研制的局部放电数据采集软件系统对计算机内的信号数据进行操作,如下图所示。
由上式可以看出,当对正交小波神经网络进行训练时,其待定的参数只有隐层和输出层之间的权值,待训练参数少,所以正交小波神经网络学习速度快。同时,对于正交小波神经网络,当训练样本数N无穷增大时,网络输出将无限逼近网络的期望输出,即说明有较高的模式识别率。
综上所述,正交小波神经网络能对局部放电模式进行有效的识别,它在局部放电模式识别领域具有一定的普遍意义。
(作者单位:黑龙江建筑职业技术学院;黑龙江哈尔滨理工大学)