變壓器局部放電電磁信號的特征提取與識別.pdf

1、變壓器是電力系統的樞紐性設備，其可靠安全的運行決定了電力系統的可靠性。絕緣老化是變壓器發(fā)生故障的主要原因，而局部放電是變壓器絕緣劣化的先兆及表現形式。所以對變壓器局部放電信號的研究有著重要意義。本文對變壓器局部放電電磁信號的去噪、特征提取和識別方法進行了探索和研究。主要研究工作如下：
　　本文分析了變壓器常見的三種局部放信號：氣隙放電、沿面放電和電暈放電。制備了這三種人工絕緣缺陷模型，通過試驗采集了這三種局部放電類型的電磁信號。因

2、為采集到的信號含有噪聲干擾，所以首先要去除噪聲。本文針對小波包閾值去噪算法中軟、硬閾值函數中的不足，對閾值函數進行了改進。通過對局部放電仿真信號的去噪分析與仿真驗證，改進后的小波包閾值函數算法的去噪效果較好。但小波包缺乏自適應性，并且變壓器局部放電電磁信號與測量系統以及測量的環(huán)境有關，給小波包基函數的選取造成一些困難。因此，本文把自相關函數和間隔閾值相結合的經驗模態(tài)分解(EMD)方法應用于變壓器局部放電電磁信號的去噪。通過仿真放電信號和

3、實際信號分析，該方法的去噪效果得到進一步提高。
　　對去噪后的變壓局部放電電磁信號進行EMD分解，得到若干個本征模態(tài)分量，通過相關系數法，選取含有主要信息的本征模態(tài)分量。提取了本征模態(tài)分量的兩種特征參數：分形維數和奇異值。
　　分形維數和奇異值作為分類特征量，采用BP神經網絡對變壓器局部放電類型進行識別。識別結果表明，兩種特征量都可以識別放電信號，奇異值的識別率要高于分形維數。
　　除此之外，本文還采用最小二乘支持向量

4、機(LSSVM)對局部放電進行識別。利用網格搜索法先進行粗略搜索，再精細搜索參數，進行參數尋優(yōu)，利用10-折交叉驗證法確定最優(yōu)模型。采用M-ary方法進行多分類。并采用標準支持向量機(SVM)和LSSVM兩種分類器對局部放電電磁信號進行分類，識別結果表明，兩種特征量的識別率都較高，而且它們的LSSVM識別率比SVM要高，并且訓練速度更快。并對比了LSSVM和BP神經網絡算法，兩種識別方法中，奇異值作為特征量的識別率都比分形維數高，LSS