基于多參量的GIS局部放電發(fā)展過程研究及嚴(yán)重程度評估.pdf

1、局部放電（Partial Discharge，PD）是六氟化硫氣體絕緣組合電器(GasInsulated Switchgear,GIS)內(nèi)部絕緣劣化的外在表現(xiàn)形式，實現(xiàn)GIS局部放電嚴(yán)重程度評估對其安全運行有著重要意義?；诖?，本文在考慮GIS設(shè)備中常見的絕緣缺陷和設(shè)備實際運行條件的基礎(chǔ)上，對GIS設(shè)備內(nèi)部典型局部放電的發(fā)展過程及其嚴(yán)重程度評估進行了研究。主要內(nèi)容如下:
　　首先搭建了252kV GIS局部放電模擬試驗平臺，結(jié)合現(xiàn)

2、場常見的絕緣缺陷，設(shè)計了4種典型的絕緣缺陷模型，采用特高頻、超聲波以及紫外成像法對這些典型絕緣缺陷引起的局部放電發(fā)展過程進行了長時間的檢測，獲取了GIS局部放電特征信息，得到了不同放電階段的多種統(tǒng)計譜圖，并以此作為GIS局部放電嚴(yán)重程度劃分的依據(jù)。
　　根據(jù)實驗獲取的統(tǒng)計特征圖譜所構(gòu)建的特征空間維數(shù)較高，主成分分析作為一種經(jīng)典的降維方法，它可以實現(xiàn)特征空間的有效降維，但是降維后無法解釋主成分與特征間的關(guān)系，基于此，本文引入非負(fù)稀疏

3、主分量法，并采用實例進行了驗證，結(jié)果表明，采用該方法可以實現(xiàn)低維特征量的有效提取，同時特征分量的聚類效果也得到了增強。
　　目前主要采用來自于單一檢測法的特征量來實現(xiàn)局部放電模式識別，為了有效利用來自不同檢測法的特征量，本文引入可以有效融合不同性質(zhì)特征參數(shù)的多核學(xué)習(xí)相關(guān)向量機(Multi-Kernel Learning Relevance Vector Machine，MKL-RVM)算法，并且采用基于K-折交叉驗證和粒子群算法(

4、Particle SwarmOptimization，PSO)相結(jié)合的核函數(shù)參數(shù)優(yōu)化方法，提高了MKL-RVM的性能，最后實現(xiàn)了特高頻和超聲波特征參數(shù)的融合，并通過實例驗證了所采用方法的有效性。
　　最后，根據(jù)4類典型局部放電不同試驗階段的現(xiàn)象及相應(yīng)的統(tǒng)計特征，本文將局部放電的發(fā)展過程劃分為輕微放電階段、中度放電階段以及嚴(yán)重放電階段，采用特高頻放電幅值、放電次數(shù)及超聲波等效均方根帶寬作為放電嚴(yán)重程度評估參數(shù)，采用層次分析法獲取了各