论文部分内容阅读
变压器局部放电是造成变压器绝缘故障的主要原因。对不同类型的局部放电进行有效识别有利于故障的定位和排除。局部放电相位分布分析(PRPD)是目前应用范围最广、效果较好的局部放电模式识别方法，该方法基于PRPD图谱进行特征提取与放电类型分类，但常用的特征提取方法均基于原始检测数据，由于不同检测设备所用数据格式不同，且不同企业对数据相互保密，造成了局放诊断方法的不通用性。
PRPD图谱具有相关国际标准，绘制方法统一，直接对图谱进行像素化的识别，避开对原始数据的特征提取，有利于识别方法的可迁移性。目前对PRPD图谱的直接识别仅限有经验的专家，且工作量较大。为解决此问题，本论文利用图像识别算法对多种类型的PRPD图谱进行机器识别，不仅提高效率，且最终模型通用性强，识别准确率更高。具体做了以下研究：
(1)设计了一种基于多层特征融合的卷积神经网络，并用于PRPDq-φ图谱识别。在原始网络结构的基础上，将所有池化层的输出全部输入全连接层，最大限度地保留了输入图谱的原始特征。其次对传统CNN的池化策略进行了改进，使用最大二均值池化，将池化窗口中最大两个像素的均值作为下层输入，进一步提高放电类型识别正确率。
(2)设计了一种基于激活函数升级和ROR跨层连接混合改进的残差网络(ROR-3 ResNet)，并用于PRPD放电指纹图识别。首先引入SELU单元，以改变传统激活函数由于负半轴恒为0造成的负梯度神经元死亡的现状，其次在基本残差网络顺序堆叠结构的基础上，引入多级shortcut连接，使得对“残差”的拟合改变为对“残差的残差”的拟合，训练速度更快，且识别精度更高。
(3)研究了PRPDq-φ图谱和指纹图谱的预处理方法，利用预处理后的样本对上述两种网络模型进行训练，最后使用实际故障现场的检测数据验证两种网络模型的有效性。实验证明本论文提出的对基本CNN和ResNet的改进算法，在基于PRPD方法的局部放电模式识别中表现良好，且在其他图像识别场景有较大的应用前景。
PRPD图谱具有相关国际标准，绘制方法统一，直接对图谱进行像素化的识别，避开对原始数据的特征提取，有利于识别方法的可迁移性。目前对PRPD图谱的直接识别仅限有经验的专家，且工作量较大。为解决此问题，本论文利用图像识别算法对多种类型的PRPD图谱进行机器识别，不仅提高效率，且最终模型通用性强，识别准确率更高。具体做了以下研究：
(1)设计了一种基于多层特征融合的卷积神经网络，并用于PRPDq-φ图谱识别。在原始网络结构的基础上，将所有池化层的输出全部输入全连接层，最大限度地保留了输入图谱的原始特征。其次对传统CNN的池化策略进行了改进，使用最大二均值池化，将池化窗口中最大两个像素的均值作为下层输入，进一步提高放电类型识别正确率。
(2)设计了一种基于激活函数升级和ROR跨层连接混合改进的残差网络(ROR-3 ResNet)，并用于PRPD放电指纹图识别。首先引入SELU单元，以改变传统激活函数由于负半轴恒为0造成的负梯度神经元死亡的现状，其次在基本残差网络顺序堆叠结构的基础上，引入多级shortcut连接，使得对“残差”的拟合改变为对“残差的残差”的拟合，训练速度更快，且识别精度更高。
(3)研究了PRPDq-φ图谱和指纹图谱的预处理方法，利用预处理后的样本对上述两种网络模型进行训练，最后使用实际故障现场的检测数据验证两种网络模型的有效性。实验证明本论文提出的对基本CNN和ResNet的改进算法，在基于PRPD方法的局部放电模式识别中表现良好，且在其他图像识别场景有较大的应用前景。