GIS局部放電診斷技術(shù)與應(yīng)用

　　本書所取得的主要成果有 ：①設(shè)計了 GIS內(nèi)部 4種典型絕緣缺陷的物理模型 ，在小型實驗平臺上分別進(jìn)行了基于 UHF法和化學(xué)法的 PD模擬實驗 ，從實驗中獲取了 4種 PD的 UHF波形數(shù)據(jù)和 SF6分解組分信息 ，初步建立了兩種檢測方法的信息數(shù)據(jù)庫。②盡管 UHF法避免了大量低頻噪聲的干擾 ，但是變電站現(xiàn)場的周期性窄帶噪聲、脈沖型噪聲及隨機(jī)白噪聲仍然會對檢測系統(tǒng)造成嚴(yán)重干擾。本書在分析 UHF PD信號頻譜特性的基礎(chǔ)上 ，發(fā)現(xiàn) PD脈沖具有以某一頻率為中心 ，向左右兩側(cè)衰減的特征 ，并且中心頻率位于譜圖上的局部極大值點處。為此 ，本文提出了基于改進(jìn) Protrugram和小波變換的 UHF PD信號噪聲抑制算法。首先，依次通過數(shù)學(xué)形態(tài)學(xué)濾波、包絡(luò)提取及閾值設(shè)定獲取譜圖上的局部極大值點 ，作為 PD脈沖的候選中心頻率。其次 ，依據(jù)峭度值這一指標(biāo)對所有候選中心頻率進(jìn)行高斯測試 ，排除虛假中心頻率 ，并計算真實中心頻率對應(yīng)的頻寬，實現(xiàn) PD脈沖的頻譜定位。最后 ，通過小波去噪法去除與 PD脈沖同頻段的白噪聲。仿真和實測數(shù)據(jù)分析表明 ：同單純的小波去噪算法和基于集合經(jīng)驗?zāi)B(tài)分解 （Ensemble Empirical Mode Decomposition， EEMD）的自適應(yīng)閾值算法相比 ，本書所提算法不僅具有更好的噪聲抑制能力 ，而且能更好地保留信號中的 PD信息成分。 ③針對 UHF PD模式識別算法在 UHF PD信號受到噪聲干擾后分類準(zhǔn)確率下降的問題 ，本書提出了基于 S變換 （Stockwell Transform， ST）結(jié)合奇異值分解的 UHF PD信號分類算法。首先 ，對 UHF PD波形進(jìn)行 S變換 ，獲取信號的時頻幅值矩陣。其次 ，依據(jù)信號中有效信息的分布區(qū)域?qū)r頻幅值矩陣劃分成 12個子矩陣 ，并對每個子矩陣進(jìn)行奇異值分解 ，提取每個子矩陣的奇異值占比和奇異熵組成一個 24維的特征參量。最后 ，采用基于粒子群算法 （Particle Swarm Optimization， PSO）優(yōu)化的支持向量機(jī) （ Support Vector Machine， SVM）為分類器實現(xiàn) PD的分類識別。研究結(jié)果表明 ：在不去噪的情況下 ，所提分類算法能夠達(dá)到 98. 3%的分類準(zhǔn)確率 ;對信號加噪后 ，即使信號的信噪比低至 -10 dB，所提分類算法依然能夠達(dá)到 88. 3%的分類準(zhǔn)確率。④本書綜合已有研究成果 ，選擇 SOF2、 SO2F2、 CF4、 CO2及 SO2為觀測組分。在分析 PD下 SF6分解機(jī)制 ，觀測組分的生成特性及電力行業(yè)相關(guān)標(biāo)準(zhǔn)的基礎(chǔ)上 ，提出選取 SO2作為 PD判別的特征分解組分。針對現(xiàn)有分解物現(xiàn)場檢測技術(shù)的不足 ，提出采用紫外光譜法對 SO2進(jìn)行現(xiàn)場檢測。 SF6及其主要分解產(chǎn)物的紫外光譜吸收特性研究表明 ：只有 SO2在 290~310 nm波段存在類正弦的周期性峰谷波動特征 ，適合在該波段對 SO2進(jìn)行定量檢測。⑤針對光譜信號受隨機(jī)噪聲干擾后 SO2定量精度下降的問題 ，本書首先采用一階導(dǎo)數(shù)法對光譜信號進(jìn)行基線校正 ，隨后提出了基于奇異譜分析的自適應(yīng)光譜信號去噪算法 ，實現(xiàn)了自適應(yīng)的譜線平滑和微量 SO2特征識別。針對奇異譜分析技術(shù)中有效奇異值選取的問題 ，該算法從模糊數(shù)學(xué)的角度將奇異值分成三個部分 ，分別對應(yīng)信號、噪聲及信號和噪聲的混合區(qū)域 ，并通過模糊 C均值聚類得到混合區(qū)域內(nèi)奇異值對信號部分的隸屬度。最后 ，采用偏小二乘回歸 （Partial Least Squares Regression， PLSR）模型對 SO2進(jìn)行定量檢測。結(jié)果表明 ：采用所提去噪方法后 ，紫外檢測系統(tǒng)能夠識別低至 0. 5 μL /L的 SO2。

暫缺《GIS局部放電診斷技術(shù)與應(yīng)用》作者簡介