关键词：
电力电缆
局部放电
模式识别
卷积神经网络
在线监测
摘要：
高压电力电缆作为电力系统的重要设备,被广泛应用于建筑、制造、通信等领域。但电力电缆会存在制作工艺不良、安装运输不当和绝缘层老化等问题,从而导致其绝缘故障的产生。研究发现,电力电缆的局部放电现象能反映其绝缘受损程度。本文在分析了局部放电产生原因及形成过程的基础上,建立了局部放电模型并进行仿真。针对传统模式识别算法输入特征有限、识别过程繁琐等问题,研究了一种基于卷积神经网络的局部放电模式识别算法,并对其卷积核初始化方法加以改进。对于长距离敷设的电力电缆,传统局部放电检测方法是逐点测量,在后台对测量数据进行离线分析,但无法实时掌握电力电缆的绝缘状态信息。因此,本文深入研究并设计了分布式高压电力电缆局部放电在线监测系统,以达到实时在线监测的目的。本文主要工作如下:
首先,本文论述了电力电缆在线监测技术的国内外现状及方法,阐述了局部放电检测技术和局部放电模式识别方法在电力电缆中的应用。分析了局部放电产生原因及类型,并以气隙放电为例,深入研究了局部放电现象从建立到熄灭的过程。利用XFdtd仿真软件,以双指数衰减模型为激励源,建立三种类型的局部放电仿真模型,添加探针耦合器获取局部放电时域信号。通过改变探针耦合器的位置,来代替绝缘故障产生的位置,以获取局部放电数据集。
然后,针对传统局部放电模式识别方法需搭配特征提取方法,存在增加工作量,引入主观因素等问题,故研究了一种基于卷积神经网络的模式识别算法。该算法无需结合特征提取步骤,并且在网络训练过程中可自动提取输入图谱特征。对局部放电原始数据进行脉冲提取、短时傅里叶变换和数据预处理步骤,将处理后的局部放电时频谱图作为特征输入。参照卷积神经网络的设计原则,本文搭建并训练了卷积神经网络模型,并用训练完成后的网络对测试集进行了模式识别验证。考虑到卷积核初始化对模型的影响,研究了采用稀疏自编码器预训练的方法,对卷积核参数逐层初始化。验证结果表明,经过SAE预训练后,不仅提高了局部放电类型的识别正确率,还有效地缩减了训练时间。
最后,为实现对电力电缆运行状态进行监测的功能,本文设计并开发了分布式高压电力电缆局部放电在线监测系统,主要由监测终端、无线网络、系统后台和监控中心构成。监测终端主要实现对局部放电信号采集与预处理,重点对高低频信号调理电路、高低频A/D转换电路、处理器模块、通信模块等进行设计。系统后台通过无线通信方式接收各监测终端的局部放电信息进行存储,并使用基于卷积神经网络的局部放电模式识别算法辨别局部放电类型。监控中心通过无线通信方式与系统后台进行数据传输,并完成局部放电信息的常规数据处理、图像显示处理和音频输出处理。同时,采用Qt/Embedded框架实现图形用户界面设计,在LCD显示屏上实现查看局部放电信息、显示局部放电图谱、设置故障预警等功能。
欢迎来到三峡大学图书馆！
