久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

隨著柔性高壓直流輸電的快速發(fā)展，直流交聯(lián)聚乙烯（Cross-Linked Polyethylene, XLPE）電纜憑借其優(yōu)良的絕緣性能得到越來越多的應(yīng)用。我國多個高壓直流輸電項(xiàng)目陸續(xù)投入運(yùn)行，亟需完善在線監(jiān)測和故障預(yù)警系統(tǒng)，以保證供電的可靠性。局部放電（Partial Discharge, PD）作為判斷電力設(shè)備狀態(tài)的一項(xiàng)重要指標(biāo)已被國際電工委員會（IEC）列入檢測標(biāo)準(zhǔn)，但是直流電纜局部放電的模式識別和故障診斷研究仍有待深入。

早在20世紀(jì)90年代，國外就有學(xué)者研究了直流電壓下局部放電的機(jī)理。

• 荷蘭Delft理工大學(xué)的F. H. Kreuger和M. J. P. Jeroense都對直流電壓下局部放電中的空間電荷分布和電場分布做了詳細(xì)的討論。
• U. Fromm進(jìn)一步研究了有關(guān)放電重復(fù)次數(shù)n、放電量q和相鄰兩次脈沖時間間隔?t的圖譜，并將其應(yīng)用于局部放電類型的分類；
• A. Pirker提出使用NoDi*模式圖來區(qū)分不同缺陷的直流電壓下的局部放電。

國內(nèi)也有不少學(xué)者對直流局部放電的模式識別做了一些研究，主要集中在儲能電容器、氣體絕緣金屬封閉開關(guān)設(shè)備、變壓器油紙絕緣上，但是涉及XLPE電纜的研究相對較少。

• 有學(xué)者研究了直流電壓下的不同缺陷的XLPE電纜局部放電的放電量和放電重復(fù)率差異。
• 有學(xué)者研究了電樹枝和局部放電的關(guān)系，將電樹枝的長度與局部放電階段進(jìn)行了一一對應(yīng)。
• 有學(xué)者采用非下采樣輪廓變換和支持向量機(jī)。
• 有學(xué)者采用壓縮感知算法對不同缺陷的直流電纜局部放電進(jìn)行了模式識別。

但是現(xiàn)階段的直流局部放電模式識別中常用偏斜度、互相關(guān)系數(shù)等統(tǒng)計(jì)算子進(jìn)行特征提取，依賴人工經(jīng)驗(yàn)，在隨機(jī)性很強(qiáng)的直流電纜局部放電信號的分類中有一定局限性，而卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）則使用不斷學(xué)習(xí)的卷積核，在提取圖像固有特征的過程中自我改進(jìn)，在不需要人為提取統(tǒng)計(jì)算子的基礎(chǔ)上完成自適應(yīng)特征提取。

目前，該方法已在變壓器、交流電纜等模式識別中取得了一定的應(yīng)用，但是鑒于直流電壓下的局部放電缺少相位信息，該方法在直流局部放電中鮮有應(yīng)用。

為此，上海交通大學(xué)電氣工程系、國網(wǎng)浙江省電力有限公司電力科學(xué)研究院的研究人員，利用CNN針對線芯尖端毛刺、絕緣內(nèi)部氣隙、絕緣表面劃痕和外半導(dǎo)電層爬電四種典型絕緣缺陷的局部放電信號進(jìn)行模式識別研究。

圖1 直流電纜局部放電試驗(yàn)系統(tǒng)

圖2 XLPE電纜的四種缺陷模型

首先采集四種典型絕緣缺陷電纜的局部放電信號作為樣本，再利用自適應(yīng)的卷積核進(jìn)行特征提取，池化層進(jìn)行特征映射，非線性多分類器進(jìn)行回歸分類，最終得到訓(xùn)練完成的CAFFE網(wǎng)絡(luò)。通過設(shè)置不同求解器參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本數(shù)量對缺陷識別結(jié)果進(jìn)行對比分析，發(fā)現(xiàn)利用改進(jìn)的Alexnet網(wǎng)絡(luò)，采用衰減學(xué)習(xí)率方式的模式識別框架的平均識別正確率最高，達(dá)到了91.32%，相比于傳統(tǒng)模式識別算法至少提高了8.97%。

圖3 模式識別流程

圖4 改進(jìn)后的Alexnet網(wǎng)絡(luò)結(jié)構(gòu)

研究者最后得到以下結(jié)論：

• 1）四類絕緣缺陷的局部放電特征圖譜H(q,Δt)具有一定的典型性：尖端缺陷呈現(xiàn)較為集中的單一主峰，氣隙缺陷和爬電缺陷則分散性較大，劃痕缺陷可觀測到兩個主峰。CAFFE方法利用卷積神經(jīng)網(wǎng)絡(luò)CNN能自適應(yīng)提取圖像特征的特點(diǎn)，無需人為提取特征參數(shù)。
• 2）通過改變初始學(xué)習(xí)率、學(xué)習(xí)率模式、卷積層層數(shù)、激活函數(shù)選擇可以發(fā)現(xiàn)求解器Solver配置參數(shù)和CAFFE網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練效果影響較大，本次實(shí)驗(yàn)中采用衰減學(xué)習(xí)率模式、5層卷積、Swish激活函數(shù)時訓(xùn)練效果最優(yōu)。不同的訓(xùn)練樣本數(shù)量對識別效果也有一定的影響，存在邊際遞減效應(yīng)。綜合考慮識別效果和運(yùn)算效率，本文設(shè)定每種缺陷的訓(xùn)練樣本數(shù)量為70個。
• 3）相比于傳統(tǒng)模式識別算法BPNN和SVM，采用改進(jìn)的Alexnet網(wǎng)絡(luò)的CNN能捕捉到強(qiáng)隨機(jī)性的直流局部放電圖譜更高維的信號特征，平均識別正確率至少高出前者8.97%，達(dá)到91.32%。
• 4）本文直流電纜局部放電信號的采集在屏蔽房內(nèi)進(jìn)行，降低了外部干擾，現(xiàn)場采集的局部放電信號必定含有大量的噪聲，因此本文提出的方法對不同噪聲強(qiáng)度下局部放電信號的模式識別的有效性仍有待進(jìn)一步研究。

以上研究成果發(fā)表在2020年第3期《電工技術(shù)學(xué)報》，論文標(biāo)題為“基于卷積神經(jīng)網(wǎng)絡(luò)的直流XLPE電纜局部放電模式識別技術(shù)”，作者為朱煜峰、許永鵬、陳孝信、盛戈皞、江秀臣。