关键词:
局部放电
去噪
自适应变分模态分解
PRPD三维图谱
模式识别
PSO-SVM
摘要:
电力电缆输电是电力输送的主要形式之一,其中交联聚乙烯(cross-linked polyethylene,XLPE)电缆凭借其良好的电气及机械性能,成为电力电缆的主流产品,但关于其绝缘状态检测及故障诊断等运维技术的研究相对滞后。局部放电(Partial Discharges,PDs)是导致电缆绝缘劣化和老化的主要形式之一。故障发生早期,由于局部缺陷引起的放电信号非常微弱,传统的预防性试验很难检测到异常信号,无法满足电缆安全运行需求。本文针对电缆局部放电在线模式识别技术开展研究。首先,搭建了电缆局部放电实验平台,根据电缆局放模式识别的要求,设计并制作了实验电路以及外导电层爬电、绝缘内部气隙、绝缘表面划伤、绝缘表面金属污秽等四种典型缺陷。对缺陷电缆加压,通过高频电流传感器(HFCT)耦合局部放电脉冲实现局放信号检测,采集放电数据并获取PRPD三维图谱。分析了缺陷时域局放波形与PRPD图谱特点,为后续模式识别打下基础。电缆工作环境复杂,通过电磁耦合元件检测到的局放信号受噪声干扰严重,从含噪信号中有效提取局放信号是实现信号预处理及模式识别的关键环节。本文提出一种基于自适应变分模态分解(AVMD)-小波包的去噪方法。首先运用AVMD将周期性窄带干扰、高斯白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤除;之后,利用自适应小波包法滤除高斯白噪声,实现复杂噪声滤除。实验结果表明,相对于现有方法,本文方法抑制噪声效果更明显,去噪后信号与真实局放信号具有很高的相似度。为了增强不同缺陷局放特征的差异性,提出一种统计与矩特征相结合的特征融合提取方法。首先,采用PD相位分布(Phase Resolved Partial Discharge,PRPD)模式构造PRPD三维图谱,并据此生成φ-q图谱、φ-q图谱、φ-n图谱以及二维灰度图谱。由φ-q图谱、φ-q图谱提取出偏斜度、陡峭度、局部峰点数等5个特征参数作为时域特征,主要描述图谱的整体几何特征;利用二维灰度图像提取对应的矩特征,并综合两类特征生成新的特征向量。实验表明,该特征优于现有统计特征,作为模式识别的特征输入,可获得更高的分类准确率。在基于支持向量机的模式识别模型中,惩罚因子C和核参数g不同取值组合直接决定了分类器最终的分类结果。本文提出基于粒子群优化算法的支持向量机(PSO-SVM)作为模式识别的分类器。支持向量机通过粒子群的迭代进行逐步寻优,获取到个体极值pbest与全局极值gbest,通过两个极值不断更新速度与位置,最终获取支持向量机最佳参数C与g,实现更精确的支持向量机分类模型。而传统的支持向量机算法并没有明确的分类依据,在参数寻优中无法获取全局最优解,分类模型不够精确。识别结果表明,基于PSO-SVM算法的模式识别分类器的最终的分类结果要明显优于传统支持向量机的分类结果。