GIS局部放电诊断技术与应用

本书所取得的主要成果有:①设计了GIS内部4种典型绝缘缺陷的物理模型,在小型实验平台上分别进行了基于UHF法和化学法的PD模拟实验,从实验中获取了4种PD的UHF波形数据和SF6分解组分信息,初步建立了两种检测方法的信息数据库。②尽管UHF法避免了大量低频噪声的干扰,但是变电站现场的周期性窄带噪声、脉冲型噪声及随机白噪声仍然会对检测系统造成严重干扰。本书在分析UHFPD信号频谱特性的基础上,发现PD脉冲具有以某一频率为中心,向左右两侧衰减的特征,并且中心频率位于谱图上的局部极大值点处。为此,本文提出了基于改进Protrugram和小波变换的UHFPD信号噪声抑制算法。首先,依次通过数学形态学滤波、包络提取及阈值设定获取谱图上的局部极大值点,作为PD脉冲的候选中心频率。其次,依据峭度值这一指标对所有候选中心频率进行高斯测试,排除虚假中心频率,并计算真实中心频率对应的频宽,实现PD脉冲的频谱定位。后,通过小波去噪法去除与PD脉冲同频段的白噪声。仿真和实测数据分析表明:同单纯的小波去噪算法和基于集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)的自适应阈值算法相比,本书所提算法不仅具有更好的噪声抑制能力,而且能更好地保留信号中的PD信息成分。③针对UHFPD模式识别算法在UHFPD信号受到噪声干扰后分类准确率下降的问题,本书提出了基于S变换(StockwellTransform,ST)结合奇异值分解的UHFPD信号分类算法。首先,对UHFPD波形进行S变换,获取信号的时频幅值矩阵。其次,依据信号中有效信息的分布区域将时频幅值矩阵划分成12个子矩阵,并对每个子矩阵进行奇异值分解,提取每个子矩阵的奇异值占比和奇异熵组成一个24维的特征参量。后,采用基于粒子群算法(ParticleSwarmOptimization,PSO)优化的支持向量机(SupportVectorMachine,SVM)为分类器实现PD的分类识别。研究结果表明:在不去噪的情况下,所提分类算法能够达到98.3%的分类准确率;对信号加噪后,即使信号的信噪比低至-10dB,所提分类算法依然能够达到88.3%的分类准确率。④本书综合已有研究成果,选择SOF2、SO2F2、CF4、CO2及SO2为观测组分。在分析PD下SF6分解机制,观测组分的生成特性及电力行业相关标准的基础上,提出选取SO2作为PD判别的特征分解组分。针对现有分解物现场检测技术的不足,提出采用紫外光谱法对SO2进行现场检测。SF6及其主要分解产物的紫外光谱吸收特性研究表明:只有SO2在290~310nm波段存在类正弦的周期性峰谷波动特征,适合在该波段对SO2进行定量检测。⑤针对光谱信号受随机噪声干扰后SO2定量精度下降的问题,本书首先采用一阶导数法对光谱信号进行基线校正,随后提出了基于奇异谱分析的自适应光谱信号去噪算法,实现了自适应的谱线平滑和微量SO2特征识别。针对奇异谱分析技术中有效奇异值选取的问题,该算法从模糊数学的角度将奇异值分成三个部分,分别对应信号、噪声及信号和噪声的混合区域,并通过模糊C均值聚类得到混合区域内奇异值对信号部分的隶属度。后,采用偏小二乘回归(PartialLeastSquaresRegression,PLSR)模型对SO2进行定量检测。结果表明:采用所提去噪方法后,紫外检测系统能够识别低至0.5μL/L的SO2。