关键词:
局部放电
等效时频法
模糊C均值聚类算法
聚类有效性
支持向量机
在线监测
模式识别
摘要:
当电力电缆由于各种原因而出现绝缘劣化时,就会产生局部放电现象。通过对其产生的局部放电信号进行监测以及对放电类型进行识别,就可以对电力电缆的绝缘情况做出判断,为系统及时检修或更换电力电缆提供理论依据。
目前,国内的局部放电监测识别系统大多都是基于单个人工缺陷模型而设计的,而当监测环境中存在多个局放源或干扰源时,将导致系统可能无法对放电模式做出准确的判断。解决这一问题的关键就是如何将不同类型的放电信号以及干扰信号相互分离开来,基于这一思想本文采用改进的模糊C均值聚类算法并结合支持向量机算法建立了一套局部放电在线监测与故障诊断系统。
通过对放电信号时域以及频域信息的分析,并引入等效时宽与等效频宽的概念,提取放电脉冲信号的等效时宽与等效频宽将其作为分类的特征量。并对等效时频公式进行了拓展,如果需要更多的信息来描述放电脉冲的特征可以通过拓展公式提取更多的特征量来描述放电脉冲的信息。
模糊C均值聚类算法是目前广泛使用的一种聚类分析算法,由于此算法是通过迭代爬山法实现的,因此算法对初始化特别敏感容易陷入局部极小点而得不到全局最优解。针对这一问题本文采用了动态更新聚类中心的方式,巧妙的解决了这一问题。同时,此算法还需要预先给定聚类数,但是如果我们预先给定的聚类数不合适,将导致数据的真实结构被破坏。针对这一问题,本文提出了新的聚类有效性函数用于判断最佳聚类数,系统会基于此函数输出最佳聚类数及最优分类结果。
在模式识别上,本问采用了传统的PRPD统计算子构成放电指纹特征向量,并结合支持向量机算法对放电模式做出判断。支持向量机算法是模式识别中的一种新的智能算法,且算法具有许多的优势。通过对试验结果的分析,我们可以得出采用等效时频法提取用于分类的特征量并基于改进的FCM聚类算法可以对放电脉冲序列进行准确的分类,并采用支持向量机算法对放电模式进行识别,其识别结果可以达到令人满意的成度。这为研制基于单个缺陷模型的局部放电识别系统提供了试验和理论依据。