本文選題：局部放電 + 模式識(shí)別��； 參考：《華北電力大學(xué)(北京)》2016年碩士論文

【摘要】：局部放電是電力設(shè)備運(yùn)行中的常見現(xiàn)象,它不僅表征著設(shè)備的絕緣強(qiáng)度、運(yùn)行情況等重要信息,而且長期的放電也會(huì)擴(kuò)大缺陷導(dǎo)致?lián)舸�。因�?對(duì)局部放電進(jìn)行正確有效的種類識(shí)別,對(duì)于設(shè)備監(jiān)測和故障診斷有著非常重要的意義。目前,在局放識(shí)別中經(jīng)常使用的BP神經(jīng)網(wǎng)絡(luò)算法,可以從一定程度上實(shí)現(xiàn)有效判別,但是由于其訓(xùn)練機(jī)制上的限制,其識(shí)別能力有限,改進(jìn)的空間并不大。而近年來在模式識(shí)別領(lǐng)域出現(xiàn)的深度學(xué)習(xí)方法,從一定程度上克服了BP神經(jīng)網(wǎng)絡(luò)的上述缺點(diǎn),已經(jīng)越來越廣泛地應(yīng)用到各類識(shí)別領(lǐng)域,并得到了較好的效果。為了改進(jìn)神經(jīng)網(wǎng)絡(luò)在局放模式識(shí)別的應(yīng)用現(xiàn)狀,本文主要研究引入深度學(xué)習(xí)機(jī)制來實(shí)現(xiàn)局部放電模式識(shí)別。具體來說,為了研究各類局部放電的特性,建立用于識(shí)別研究的樣本庫,本文搭建了基于脈沖電流法的局放測試平臺(tái)。針對(duì)局部放電中常見的內(nèi)部放電、沿面放電和電暈放電三個(gè)基本類別,設(shè)計(jì)實(shí)驗(yàn)?zāi)Ｐ筒⑦M(jìn)行了油紙絕緣、合成絕緣材料氣隙、空氣中沿面、SF6中沿面、空氣中針板、SF6中針板6個(gè)細(xì)分組別的測試。分別采集了各組實(shí)驗(yàn)的放電發(fā)展期特征數(shù)據(jù),整理成每個(gè)組別的典型樣本集,用于訓(xùn)練和測試。為了優(yōu)化網(wǎng)絡(luò)性能,避免輸入維度過高帶來的過擬合,本文又提出了基于參量分布的蒙特卡洛方法,作為對(duì)局放實(shí)驗(yàn)的補(bǔ)充。通過對(duì)放電量和放電相位兩個(gè)維度進(jìn)行統(tǒng)計(jì)分布研究求取二維隨機(jī)變量的聯(lián)合概率分布。并設(shè)計(jì)了模擬實(shí)驗(yàn),可以實(shí)現(xiàn)參數(shù)可控、統(tǒng)計(jì)分散的樣本擴(kuò)容�；谝陨蠘颖�,本文對(duì)局部放電三個(gè)類別、6個(gè)組別分別進(jìn)行了識(shí)別。研究對(duì)比了BP神經(jīng)網(wǎng)絡(luò)和基于自動(dòng)編碼機(jī)的深度學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別性能差異。結(jié)果表明,自編碼網(wǎng)絡(luò)的識(shí)別效果整體優(yōu)于BP神經(jīng)網(wǎng)絡(luò),其總體識(shí)別率更高,識(shí)別率的輸出更為穩(wěn)定。但相應(yīng)的訓(xùn)練時(shí)間也有所增長。因此,本文認(rèn)為基于自動(dòng)編碼機(jī)的深度學(xué)習(xí)網(wǎng)絡(luò),因其訓(xùn)練機(jī)制上的改進(jìn),識(shí)別效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。這也為利用深度學(xué)習(xí)方法處理局放模式識(shí)別的進(jìn)一步研究提供了參考依據(jù)。
[Abstract]:Partial discharge (PD) is a common phenomenon in the operation of power equipment. It not only represents the important information of insulation strength and operation of the equipment, but also extends the defects and leads to breakdown. Therefore, it is very important for equipment monitoring and fault diagnosis to identify PD correctly and effectively. At present, BP neural network algorithm, which is often used in PD recognition, can realize effective discrimination to a certain extent, but because of its limited training mechanism, its recognition ability is limited, and the improvement space is not large. In recent years, the deep learning method in the field of pattern recognition has overcome the shortcomings of BP neural network to a certain extent, and has been more and more widely used in all kinds of recognition fields, and got better results. In order to improve the application of neural network in PD pattern recognition, the depth learning mechanism is introduced to realize PD pattern recognition. Specifically, in order to study the characteristics of various partial discharges and establish a sample library for identification research, a partial discharge test platform based on pulse current method is built in this paper. Aiming at the three basic types of internal discharge, surface discharge and corona discharge, the paper designs the experimental model and carries on the oil-paper insulation, the synthetic insulation material air gap, the surface discharge in the air and the middle side of SF _ 6 in the air. Test of 6 subdivision groups of needle board in SF 6 in air. The characteristic data of the discharge development period of each group were collected, and the typical samples of each group were collected for training and testing. In order to optimize the network performance and avoid the over-fitting caused by the high input dimension, a Monte Carlo method based on parameter distribution is proposed as a supplement to the partial discharge experiment. The joint probability distribution of two-dimensional random variables is obtained by statistical distribution of discharge quantity and discharge phase. The simulation experiment is designed, which can realize the expansion of the sample with controllable parameters and statistical dispersion. Based on the above samples, three types of PD are identified, and six groups are identified. The difference of recognition performance between BP neural network and depth learning network based on automatic coding machine is studied and compared. The results show that the recognition effect of the self-coding network is better than that of the BP neural network, and the overall recognition rate is higher and the output of the recognition rate is more stable. But the corresponding training time has also increased. Therefore, this paper considers that the recognition effect of the deep learning network based on the automatic coding machine is better than that of the traditional BP neural network because of the improvement of its training mechanism. It also provides a reference for the further research of PD pattern recognition by using the deep learning method.
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM855

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐劍,黃成軍,錢勇;多態(tài)性局部放電簇的小波提取算法[J];上海交通大學(xué)學(xué)報(bào);2005年S1期

2 買買提·努爾;石海珍;齊鐵東;;局部放電帶電巡檢技術(shù)的應(yīng)用研究[J];科技創(chuàng)新與應(yīng)用;2013年02期

3 D.Train;徐光澤;;運(yùn)行中的高壓電壓互感器局部放電的測量[J];變壓器;1978年02期

4 沈文琪;;用計(jì)算機(jī)計(jì)測局部放電[J];電力電容器;1985年03期

5 斯特列漢格·B;李建明;;局部放電起始和熄滅電壓的含義[J];西南電力;1988年02期

6 張鵬輝,于欽學(xué),任文娥;局部放電在線窄帶檢測系統(tǒng)的研究[J];高電壓技術(shù);2000年01期

7 李新,孫才新,廖瑞金,李劍,顧樂觀;識(shí)別局部放電的新特征量——分維數(shù)的研究[J];高電壓技術(shù);2000年01期

8 趙中原,邱毓昌,馬翠姣,羅俊華,馮江,袁檢,蔡慶;分形學(xué)在局部放電特征提取中應(yīng)用初探[J];高電壓技術(shù);2001年01期

9 李劍,孫才新,陳明英,杜林,袁志堅(jiān);局部放電識(shí)別中分維數(shù)分布的研究[J];高壓電器;2001年02期

10 李劍,孫才新,杜林,李新,周nv;局部放電灰度圖象分維數(shù)的研究[J];中國電機(jī)工程學(xué)報(bào);2002年08期

相關(guān)會(huì)議論文 前10條

1 李剛;韓立臏;朱鐵劍;;數(shù)字式局部放電測試系統(tǒng)的研制[A];’02全國電工測試技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2002年

2 朱祖松;張紅斌;;局部放電現(xiàn)場測試技術(shù)[A];’02全國電工測試技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2002年

3 冉漢政;劉華昌;于成龍;;直流局部放電測試系統(tǒng)的研制[A];中國工程物理研究院科技年報(bào)（2005）[C];2005年

4 王靜;唐炬;魏剛;李劍;;統(tǒng)計(jì)參數(shù)用于局部放電模式識(shí)別的研究[A];’02全國電工測試技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2002年

5 虞蒼璧;高勝友;李福祺;談克雄;;使用組合神經(jīng)網(wǎng)絡(luò)的電容器模型局部放電模式識(shí)別研究[A];’02全國電工測試技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2002年

6 劉華昌;;電容器直流局部放電指紋分析[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

7 錢勇;黃成軍;姚林朋;郭燦新;高明月;江秀臣;;地鐵直流電纜局部放電故障分析[A];08全國電工測試技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2008年

8 于成龍;吳偉;;基于超高頻傳感器的變壓器局部放電定位方法[A];第十屆沈陽科學(xué)學(xué)術(shù)年會(huì)論文集（信息科學(xué)與工程技術(shù)分冊(cè)）[C];2013年

9 王中龍;張營;戴嘉彤;王澤眾;史琳;李歡歡;;一種識(shí)別局部放電類型的新方法[A];山東電機(jī)工程學(xué)會(huì)2012年度學(xué)術(shù)年會(huì)論文集[C];2012年

10 彭煒文;田慕琴;宋建成;溫敏敏;;礦用隔爆型干式變壓器典型局部放電模式識(shí)別[A];第24屆全國煤礦自動(dòng)化與信息化學(xué)術(shù)會(huì)議暨第6屆中國煤礦信息化與自動(dòng)化高層論壇論文集[C];2014年

相關(guān)重要報(bào)紙文章 前2條

1 通訊員 李想 聶津;福州電業(yè)局局部放電測試技術(shù)通過鑒定[N];中國電力報(bào);2005年

2 記者 祁文運(yùn);山西公司三科技項(xiàng)目通過驗(yàn)收[N];國家電網(wǎng)報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 韓帥;頻變電—熱應(yīng)力對(duì)高頻電力變壓器絕緣特性的耦合作用機(jī)制[D];山東大學(xué);2015年

2 鄭書生;變壓器繞組中局部放電特高頻定位方法研究[D];華北電力大學(xué);2015年

3 金虎;基于多參量的GIS局部放電發(fā)展過程研究及嚴(yán)重程度評(píng)估[D];華北電力大學(xué);2015年

4 羅楊;局部放電對(duì)聚酰亞胺薄膜的損傷特性及材料改性研究[D];西南交通大學(xué);2014年

5 楊霽;基于小波多尺度變換的局部放電去噪與識(shí)別方法研究[D];重慶大學(xué);2004年

6 牛海清;高壓直流局部放電的模糊識(shí)別及去噪策略[D];華南理工大學(xué);2009年

7 常文治;電力電纜中間接頭典型缺陷局部放電發(fā)展過程的研究[D];華北電力大學(xué);2013年

8 劉帆;局部放電下六氟化硫分解特性與放電類型辨識(shí)及影響因素校正[D];重慶大學(xué);2013年

9 金卓睿;變壓器局部放電超高頻監(jiān)測分形天線與最優(yōu)小波去噪及信號(hào)識(shí)別研究[D];重慶大學(xué);2008年

10 畢為民;變壓器局部放電監(jiān)測中以小波包去噪和統(tǒng)計(jì)量識(shí)別放電模式的研究[D];重慶大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 史曉東;局部放電超聲波傳感器檢測技術(shù)研究[D];河北大學(xué);2015年

2 吳炬卓;中壓電纜局部放電帶電檢測的白噪聲抑制和放電類型識(shí)別方法研究[D];華南理工大學(xué);2015年

3 陳武奮;局放的高頻電流和超聲信號(hào)與SVR估計(jì)模型研究[D];昆明理工大學(xué);2015年

4 曾志明;改進(jìn)的OGA-SVM及其在氣體絕緣系統(tǒng)局部放電識(shí)別上的應(yīng)用[D];華南理工大學(xué);2015年

5 夏燁;智能GIS設(shè)備檢測平臺(tái)局部放電模擬技術(shù)的研究[D];華北電力大學(xué);2015年

6 劉昌標(biāo);GIS特高頻局部放電特征量優(yōu)選及類型識(shí)別研究[D];華北電力大學(xué);2015年

7 張曉涵;油紙絕緣復(fù)合電壓下氣隙模型局部放電發(fā)展過程研究[D];華北電力大學(xué);2015年

8 賈薇;基于LabWindows_CVI的變壓器局部放電超聲波定位系統(tǒng)[D];電子科技大學(xué);2015年

9 董愛雪;高壓電氣設(shè)備局部放電智能視頻監(jiān)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

10 褚鑫;油紙絕緣典型缺陷局部放電特征提取與模式識(shí)別研究[D];中國礦業(yè)大學(xué);2015年

，

本文編號(hào)：1928426