论文部分内容阅读
变压器在电力系统的稳定运行中有着重要的作用,为输变电系统的关键设备,一旦发生故障,很有可能引起局部乃至大面积的停电,造成严重的损失。在现场监测过程中,局部放电现象时有发生,但是各种电磁干扰及振动干扰很严重,单一的带电检测技术难以判别、无法定位,对变压器的运行检修造成了重要影响,为了更加有效率的排查和识别变压器的放电故障,非常有必要开展针对变压器局部放电检测中干扰的识别与分类研究。本论文主要聚焦变压器存在电晕千扰下得局部放电检测与模式识别,主要内容包括:分析变压器运行环境中存在的干扰类别与特征图谱以及不同检测方式下的抗干扰方法,通过分析某500kV变电站变压器#1和#2局部放电检测的过程以分析不同检测方式下的主要干扰源以及排除方法,搭建变压器实验模型以获取局部放电信号并采用BP神经网络算法进行识别,识别效果良好。主要研究结果如下:(1)主要介绍了现场变压器局部放电检测中的一些常见干扰类型,包括悬浮干扰、电晕干扰、振动干扰等,然后结合工作实际提出了针对不同局部放电方法及如何识别干扰并简单处理的措施,最后总结出一些抗干扰方法,为变压器局放检测存在干扰信号时的模式识别问题提供一种解决思路。(2)分析某500kV变电站电压器局部放电检测过程,提出了用于变压器局部放电检测的声电联合检测技术,对声电联合检测技术中背景噪声测量及滤波器选择、设备测量点选择、局部放电检测及定位等作出详细说明,并通过现场变压器的局部放电检测,对存在的干扰信号情况及其对局部放电造成的影响进行研究分析,为下文研究干扰下的变压器局部放电故障识别提供了实践依据。(3)搭建了变压器实验模型,在变压器内部设置了气隙放电模型、悬浮放电模型、沿面放电模型、球对板放电模型、板对板放电模型与尖端放电模型六种放电类型,在外部设置电晕干扰,采集在电晕干扰下的六种放电类型的信号,每种信号采集50组,共300组样本信号。对采集到的六种放电信号分别提取歪度指标及峭度因子等特征参数。采用基于BP神经网络的模式识别分类器对提取到的六种放电类型的特征参数进行分类,得到训练混淆矩阵的准确率为87.1%,验证混淆矩阵的准确率为86.7%,测试混淆矩阵的准确率为91.1%,总体混淆矩阵的准确率为87.7%,总体的ROC曲线中整体分类正确率较高,网络输出误差逐渐接近于最佳输出。本文试验研究了考虑干扰信号的电力变压器局部放电模式识别,所得结果可为变电站一次设备在线监测与故障诊断提供理论基础和技术支持。