电力电缆局部放电检测及模式识别 .pdfVIP

电力电缆局部放电检测及模式识别

局部放电是一种常见的电气放电现象，它是电气设备在长期运行时绝缘发生

损坏的一种征兆。局部放电类型与程度与绝缘缺陷紧密相关，放电信号识别的目

的就是要准确找出信号来源，判断其危害性。因此，局部放电的模式识别技术的

实现就具有相当重要的学术价值和工程实用性。

随着深度学习的方法的提出和不断发展，各种类型的网络结构和优化算法相

继被提出。深度学习的方法能够对大规模的数据进行处理，使用无监督的学习来

提取输入的特征，并用深层次的结构发现输入的深层次特征[1]。因此，深度学

习的发展和不断广泛应用，为局部放电模式识别和故障诊断开拓了新的研究方

向。

1.局部放电检测

1.1局部放电检测方法

本文在实验采集数据过程中，运用的传感器是一种基于Rogowski线圈（简

称罗式线圈）原理制作成的电流传感器。

罗氏线圈具有准确度高、体积小、成本低、适合量产等优势，已经在如电子

式电流互感器等测量装置中得到了应用。

1.2罗氏线圈的工作原理

Rogowski线圈是由单导线均匀密布缠绕在由构成的一个环形骨架上构成

的，线圈一般为两层，被测电流会成度角穿过骨架圆环的中心点时，就会在环形

骨架的横截面上产生变化的交变磁通，并且会随着线圈一次侧的电流改变而变

化，随之会在线圈的二次侧绕组上感应到电流和电动势，而且二次侧的感应电动

势与一次侧输入信号电流成微分比例关系，这样一来就可以在二次侧绕组上接一

个采样电阻组成采样回路，然后就能通过采样电阻两端的电压来分析其自积分变

换过程，最后就能得出一次侧采样信号变化过程的规律。

2.局部放电实验

2.1电树放电实验

对于电树放电，设置油纸绝缘模型，进行如下实验。为不同加压阶段的局部

放电特性，首先应当测量观察试品的耐压特性[3]。对模型进行阶梯升压，并观

察其现象。

局部放电在约交流电压有效值3.5kV出现，此时属于局部放电起始阶段，放

电次数和放电量都较小，放电点在工频正、负半周上的分布范围很小，放电量只

有100pC左右，且均匀状随机分布。随着电压有效值升高到约6kV后，局部放

电的放电次数大大增加，放电量逐渐增加到近数百至数千pC的数量级内。并逐

渐表现出工频相位和放电量上的分布规律。局部放电逐渐发展到工频全相位分

布，特征逐渐不明显，此时已经接近了临近击穿状态。为了保护试验设备免受击

穿冲击，实验不再升压，而是逐步将电压归零。之后，并在有效值6kV附近多

次测量。

2.2气泡放电实验

气泡放电为空气中针板电极模型[5]。对试品进行阶梯升压，并观察放电的

起始、发展和临近击穿阶段。

局部放电最初出现在工频相位90°附近，放电重复率较小。发展阶段工频正

半周的放电重复率和放电量有着显著的增长。最大放电量逐步增加到10nC数量

级。继续加压后，放电分布的范围进一步增大。实验出现了短暂的电弧击穿现象，

并时常伴随着爆裂的声音。

3.基于神经网络的局部放电模式识别

3.1模式识别特征量的提取

本文提取的放电特征量[4]是放电脉冲幅值附近的200个点，所以BP网络的

输入神经元个数是200，BP神经网络的输出相量代表的局部放电模式类型，对

应于本文模拟实验的两种放电模型，输出相量元素为2个，所以BP网络的输出

神经元个数为2，每一个神经元对应一种放电模式类型。表3-1列出了2种模式

类型的信号。

BP网络隐含层神经元个数过少或过多都将导致神经网络的学习能力不够或

归纳能力很差。隐含层神经元个数太多，网络学习能力强，但网络的计算和数据

的存储量很大；根据输入层和输出层的数目，经过反复仔细调试，最终选择隐含

层神经元为10个。

BP网络的训练[6]是一个反复计算调整的过程，首先随机产生权值介于（-1，

1）之间的权值相量初始矩阵。计算从输入层到隐含层的输出，然后计算隐含层

输出到输出层的输出；按照误差反馈计算方法，修正权值矩阵[7]；如此重复前

向和反向计算，直到实际输出和导师信号的误差在允许范围之内。

将四种放电模式各20组特征量输入到BP网络，以完成网络的学习过程。

随后再将每种放电模式剩余的20组特征量输入到已经学习好的BP网络进行识

别，表5-2为识别的结果。表中正确率。为输出量中被认为是正确识别的的总

数，而是进行识别的样本总数如果一个输