GIS局部放電診斷技術(shù)與應(yīng)用

　　本書(shū)所取得的主要成果有 ：①設(shè)計(jì)了 GIS內(nèi)部 4種典型絕緣缺陷的物理模型 ，在小型實(shí)驗(yàn)平臺(tái)上分別進(jìn)行了基于 UHF法和化學(xué)法的 PD模擬實(shí)驗(yàn) ，從實(shí)驗(yàn)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(cè)方法的信息數(shù)據(jù)庫(kù)。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(chǎng)的周期性窄帶噪聲、脈沖型噪聲及隨機(jī)白噪聲仍然會(huì)對(duì)檢測(cè)系統(tǒng)造成嚴(yán)重干擾。本書(shū)在分析 UHF PD信號(hào)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(diǎn)處。為此 ，本文提出了基于改進(jìn) Protrugram和小波變換的 UHF PD信號(hào)噪聲抑制算法。首先，依次通過(guò)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(diǎn) ，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(duì)所有候選中心頻率進(jìn)行高斯測(cè)試 ，排除虛假中心頻率 ，并計(jì)算真實(shí)中心頻率對(duì)應(yīng)的頻寬，實(shí)現(xiàn) PD脈沖的頻譜定位。最后 ，通過(guò)小波去噪法去除與 PD脈沖同頻段的白噪聲。仿真和實(shí)測(cè)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(yàn)?zāi)B(tài)分解 （Ensemble Empirical Mode Decomposition， EEMD）的自適應(yīng)閾值算法相比 ，本書(shū)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(hào)中的 PD信息成分。 ③針對(duì) UHF PD模式識(shí)別算法在 UHF PD信號(hào)受到噪聲干擾后分類(lèi)準(zhǔn)確率下降的問(wèn)題 ，本書(shū)提出了基于 S變換 （Stockwell Transform， ST）結(jié)合奇異值分解的 UHF PD信號(hào)分類(lèi)算法。首先 ，對(duì) UHF PD波形進(jìn)行 S變換 ，獲取信號(hào)的時(shí)頻幅值矩陣。其次 ，依據(jù)信號(hào)中有效信息的分布區(qū)域?qū)r(shí)頻幅值矩陣劃分成 12個(gè)子矩陣 ，并對(duì)每個(gè)子矩陣進(jìn)行奇異值分解 ，提取每個(gè)子矩陣的奇異值占比和奇異熵組成一個(gè) 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(lèi)器實(shí)現(xiàn) PD的分類(lèi)識(shí)別。研究結(jié)果表明 ：在不去噪的情況下 ，所提分類(lèi)算法能夠達(dá)到 98. 3%的分類(lèi)準(zhǔn)確率 ;對(duì)信號(hào)加噪后 ，即使信號(hào)的信噪比低至 -10 dB，所提分類(lèi)算法依然能夠達(dá)到 88. 3%的分類(lèi)準(zhǔn)確率。④本書(shū)綜合已有研究成果 ，選擇 SOF2、 SO2F2、 CF4、 CO2及 SO2為觀測(cè)組分。在分析 PD下 SF6分解機(jī)制 ，觀測(cè)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(duì)現(xiàn)有分解物現(xiàn)場(chǎng)檢測(cè)技術(shù)的不足 ，提出采用紫外光譜法對(duì) SO2進(jìn)行現(xiàn)場(chǎng)檢測(cè)。 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(lèi)正弦的周期性峰谷波動(dòng)特征 ，適合在該波段對(duì) SO2進(jìn)行定量檢測(cè)。⑤針對(duì)光譜信號(hào)受隨機(jī)噪聲干擾后 SO2定量精度下降的問(wèn)題 ，本書(shū)首先采用一階導(dǎo)數(shù)法對(duì)光譜信號(hào)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(hào)去噪算法 ，實(shí)現(xiàn)了自適應(yīng)的譜線平滑和微量 SO2特征識(shí)別。針對(duì)奇異譜分析技術(shù)中有效奇異值選取的問(wèn)題 ，該算法從模糊數(shù)學(xué)的角度將奇異值分成三個(gè)部分 ，分別對(duì)應(yīng)信號(hào)、噪聲及信號(hào)和噪聲的混合區(qū)域 ，并通過(guò)模糊 C均值聚類(lèi)得到混合區(qū)域內(nèi)奇異值對(duì)信號(hào)部分的隸屬度。最后 ，采用偏小二乘回歸 （Partial Least Squares Regression， PLSR）模型對(duì) SO2進(jìn)行定量檢測(cè)。結(jié)果表明 ：采用所提去噪方法后 ，紫外檢測(cè)系統(tǒng)能夠識(shí)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(jiǎn)介