关键词：
电力电缆
振荡波
局部放电
支持向量机
粒子群优化
数据采集
摘要：
电缆在生产制造及投运中,会出现故障造成突发性断电,给人们的生活乃至社会的经济带来不便与损失。调查发现电缆故障80%的概率是由于绝缘缺陷造成的,而局部放电信号的检测能够反映电缆的绝缘状态。常用的电缆局部放电检测方法有在线检测和离线检测两种,其中离线检测中的振荡波局部放电检测方法因与工频电压具有等效性、电气干扰小,得到了广泛应用。现有的振荡波局部放电检测技术主要解决局部放电源定位的问题,对局部放电类型识别的研究相对较少,且识别的准确率不高,不能给后续电缆修复工作提供有利支持。因此,本文深入研究振荡波检测系统(Oscillating Wave Test System,OWTS),仿真分析了电缆产生局部放电的原因,研究振荡波电压下的局部放电识别算法,以准确判断出电缆缺陷类型,提高后续电缆修复的效率,预防电缆事故的发生。首先,本文研究了电缆绝缘检测技术的国内外发展现状,阐明电力电缆产生局部放电的原因以及深层机理,分析了振荡波局部放电检测系统的工作原理。针对传统气隙型经典三电容模型未包含感应电荷概念的问题,提出了一种利用系统电容变化量和电缆结构电阻电容建立的改进气隙型局部放电模型。在SIMULINK中对振荡波局部放电信号检测系统搭建模型进行仿真,证明了所搭建模型的正确。其次,研究多种模式识别方法,针对支持向量机(Support Vector Machine,SVM)模型中正则因子和核函数参数对算法分类精度有显著影响,而现有寻参算法不能快速准确地寻找到最优值的问题,提出了改进DE-PSO优化算法,其利用粒子群优化(Particle Swarm Optimization,PSO)算法前期搜索能力强、收敛速度快的优点,结合差分进化(Differential Evolution,DE)算法具有从群体中筛选出更优个体的特性寻找参数最优解,以提高振荡波电压下的局部放电识别准确率,提升参数寻优效率。在MATLAB中对所提算法进行仿真验证,结果表明该算法能够快速有效的寻找到支持向量机的正则因子和核函数参数值,且该参数构建的支持向量机分类器识别准确率有所提高。最后,分析电缆中间接头缺陷产生的局部放电类型,并根据产生原因制作了四种电缆接头缺陷模型,搭建了振荡波局部放电检测系统的实验平台。针对振荡波系统下的局部放电类型多,传统模式识别建模复杂、识别准确率低的问题,提出了一种基于改进DE-PSO的M-ary多分类最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)算法用以识别振荡波下局部放电类型,从而判断电缆绝缘状态。该算法采集四种类型的局部放电信号,根据各种类型信号之间的差异提取特征向量作为模式识别分类器的输入,基于M-ary多分类思想构建由两个分类器组成的局部放电模式识别机器,每个分类器选择最小二乘支持向量机作为模型,应用改进DE-PSO算法求解支持向量机最优参数,使用训练集数据训练机器以获得最优性能,最终达到能够通过任一振荡波下电缆局部放电信号判断出电缆缺陷类型,进而判断电缆绝缘状态的目的。通过现场采集数据进行验证,结果表明了所提算法能够对振荡波下局部放电信号进行类型识别,判断评估电缆绝缘状态,为后续电缆修复工作提供理论依据。
欢迎来到三峡大学图书馆！
