使用组合神经网络的电容器模型局部放电模式识别的研究.pdfVIP

使用组合神经网络的电容器模型 局部放电模式识别研究 虞苍璧 高胜友 李福棋 谈克雄 (清华大学电机系，北京 100084) 摘 要:设计了5种反映电力电容器中局部放电现象的典型模型，使用研制的局部放电声发射信号数字化检 测装置 采集了模型放电声信号的大批数据。气晾放电信号的持续时间较短.易与其它类型放电区分开。依据 信号时域和频域图形.油隙放电与油纸沿面放电的特性较接近.而油纸绝缘中金属杂质放电则与套管表面放 电相近 使用组合神经网络来识别爪种典型放电模式.结果表明组合神经网络是有效的.可根据声信号特征来 识别电力电容器的局部放电模式 关词‘’电“电“”’局””电’”发”臀v”网络 前言 电力电容器局部放电的模式识别，对于分析绝缘状况、判断故障类型或部位、改进电容器设计及工 艺.具有重要意义。由于设备的电容量大.对电容器的局部放电检测，电测法的应用有困难，有时甚至无 法实现。检测放电的声发射信号，不受设备电容量的限制，抗电磁干扰的能力也较强，且便于局部放电定 位，因此声测法常用于电力电容器的局部放电检测川。 通过电容器生产现场和实验室内的局部放电测试，发现放电声信号大致可区分成两大类，它们的波 形持续时间明显有别。为此，根据电容器中可能出现的局部放电形式，设计了5种典型放电模型，检测了 一批放电声信号，探索这5种局部放电声信号的波形特点。气隙放电声信号的持续时间极短，易于与其 它放电类型区分开。对其它4种放电类型，采用单神经网络和组合神经网络进行局部放电模式识别。结 果表明，根据声信号的波形特点，对电力电容器进行局部放电模式识别是可行的，组合神经网络的方法 更为可靠、有效。 1 局部放电声信号 使用研制的局部放电微机化声发射检测装置[_1来采集局部放电声信号。装置包括超声传感器、前置 放大器、预处理单元、数据采集卡和工控机。传感器吸附在试验模型的钢板外壳上，捕获的局部放电声信 号经放大、处理、采样，数据保存在工控机中，可作进一步的分析和提取信号特征。采集放电声信号的采 样率为10MHz，长度为512k个数据点。在检测声信号的同时观察局部放电的电信号，以作参考。 没计和制作的5种典型放电模型分别反映了如下的局部放电形式:(a)气隙放电;(b)油隙放电; 。〔)油纸沿面放电;(d)油纸绝缘中悬浮电位金属杂质放电;(e)套管表面放电。本文以下用字母a^e 分别代表5种放电类型。图1代表性地给出5种类型局部放电声信号的时域波形和频域图形 根据信 号波形.模型局部放电声信号主要可以分为两类。 第一类包括气隙、油隙和油纸沿面放电，信号如图2(a,b,c)所示。特点为:波形持续时间较短，一般 不超过2m,，气隙放电的甚至只有几PS;幅值比较大 一般在200mV以上;波形上升比较快.下降比较 慢，呈衰减振荡波形;频谱能量相对集中在频率较高的范围。 第二类包括悬浮电位金属杂质和套管表面放电，信号如图2(d,e)所示。特点为:波形持续时问较 长一 般为6--8ms;幅值相对较低 一般在300mV以下;波形上升时间和下降时问基本上相等，大概各 占整个波形一般;频谱能量相对集中在频率较低的范围。 一 11 一 2 模式识别工具 0 U 门 翻 夺 牙 。 在模式众多或部分模式的特征比 ‘ 较接近时，以组合神经网络作为模式识 盆 j U n 一 之 3 、 别工具较为适宜Ca.a:这种神经网络是 名 n U 按照一定的法则或原理，由多个独立网 络集成而成。对电容器模型放电的声信 /，