基于深度学习的变压器局部放电分析和诊断方法研究

发布时间：2020-06-12 03:33

【摘要】：在电力系统的正常运行中,电力变压器的稳定性有着很大的作用。一旦电力变压器发生故障,它将产生不可估量的影响。电力变压器故障的主要原因之一就是电力变压器内部局部放电。因此分析电力变压器局部放电,是检测电力变压器故障、维护电网安全稳定的重要途径。在分析电力变压器局部放电信号的基础上,本文从两个方面进行了研究,一是考虑到放电信号中无用的噪声干扰比较多,如果直接进行信号分析,效果非常差,本文首先对放电信号进行消噪处理,保证信号的稳定;二是考虑到传统方法的局限性,本文利用深度学习的方法,搭建出一种适用于局部放电信号识别的神经网络。在分析变压器的局部放电信号时,首要问题是消除放电信号中的干扰并确保放电信号的稳定性。放电环境中干扰产生的原因有很多,最普遍的是窄带干扰及白噪声干扰。针对这种干扰,本文提出一种基于传统小波迹方法的平稳小波迹阈值消噪方法,该方法有良好的去噪效果。此方法对信号进行平移,消除小波基的平移依赖性,改善了奇异点附近的特性,减少随机振荡的影响。通过选择合适的阈值、小波基和分解层数,得到信号消噪的最优值,进而构建一个适用于局部放电信号研究的平稳小波迹阈值消噪方法。结合MATLAB仿真实验信号和部分某变电站实测数据,该方法消噪效果很好。在消除放电信号中的无用的噪声干扰之后,对放电信号进行模式识别。传统的识别方法中,特征提取是故障诊断的关键步骤,而特征提取多依赖于个人经验并具有某些局限性。针对这种局限性,本文提出了基于卷积神经网络的局部放电模式识别方法,将时域波形输入到卷积神经网络模型。通过卷积层提取特征,避免特征提取与选择的人工操作,增强识别的智能性,同时局部感知与权值共享两特性加快了样本的训练速度,更好的适应了如今大数据时代。基于Alexnet模型训练并识别放电图像,通过调整卷积神经网络的卷积层、全连接层等结构优化网络,大大降低神经网络的神经元数量和计算量,减少训练时间,识别效果也优于传统方法。
【图文】：

手写识别,学习方法,故障诊断,文献

经成功地将深度自动编码器应用于图像特征表示[64]。文献[65]使用深度自动编码器来获得紧凑图像高级描述并基于此执行图像检索。文献[66]训练了从粗到细的自动编码器来完成定位关键点的任务。玻尔兹曼机（BM）是 Hinton 等人[67-69]提出随机递归神经网络，是通过学习数据的内部特征来解决问题的人工神经网络之一。文献[70-74]介绍了一些受限玻尔兹曼机的应用场景和优化处理，并取得了良好的效果。深度神经网络通常指完全连接的神经网络，其通常用于诸如图像和语言识别的区域中。在图像识别领域，由于它将图像数据转换成一维数据，因此忽略了图像的空间几何关系。因此图像识别领域的识别率低于卷积神经网络，并且由于相邻层之间的完全连接，要训练的参数很大，并且大量参数进一步限制了完全连接的神经网络模型结构的深度和广度。卷积神经网络是近年来受到广泛关注的识别方法，在 2012 年 ImageNet大规模视觉识别挑战赛中，深度卷积神经网络模型取得了很好的效果[76-77]。卷积神经网络最初是由 LeCun 等人提出的，用于手写字符图像的识别，其网络结构如图 1-1 所示：

频谱,局部放电,仿真信号,频谱

华北电力大学硕士学位论文2.2 仿真信号分析2.2.1 仿真信号电力变压器局部放电信号通常是高频信号，在信号传输期间，由于外部干扰，很容易产生振荡和衰减。因此，一般局部放电信号通常是衰减振荡型脉冲信号，所以本文可以用衰减震荡性脉冲信号的数学模型来等效：/1( ) sin2tcs t Ae f t (2-6)如图 2-1 (a)所示，在 MATLAB 中仿真出，频率为 5GHz 的局部放电信号,信号的幅值 A 为 10mV，，衰减系数为 7μs，振荡频率cf 为 20MHz。由于现场监测局部放电信号受外部干扰比较严重，尤其是窄带干扰及白噪声干扰，所以在 MATLAB 中给衰减振荡脉冲信号添加相应干扰。染噪信号如图 2-1 (b)所示。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TN911.4;TM855

【相似文献】