基于支持向量機(jī)和多信息融合的局部放電故障診斷研究.pdf

1、局部放電（Partial Discharge，PD）一直以來都是電力變壓器絕緣劣化的重要原因，近年來由于電力設(shè)備的電壓等級和裝機(jī)容量的提升，對局放的監(jiān)測就顯得尤為重要。變壓器絕緣問題引起的設(shè)備故障占總體故障的80％左右，對局放數(shù)據(jù)的檢測以及故障識別和狀態(tài)檢測都成為變壓器狀況監(jiān)測的主要方法之一。由于變壓器結(jié)構(gòu)復(fù)雜，可能出現(xiàn)多種放電類型，每種類型的破壞作用和危害程度也不盡相同，所以對放電類型的辨識，可以更好的維護(hù)變壓器健康的運(yùn)行。本文基于變

2、壓器局部放電的原理及特性，主要完成了以下研究工作:
　　建立變壓器內(nèi)部局部放電IEC60270標(biāo)準(zhǔn)的檢測系統(tǒng)，采用脈沖電流法綜合檢測系統(tǒng)，比較分析不同檢測方法的檢測性能，建立變壓器內(nèi)部懸浮放電、針板放電、沿面放電以及氣隙放電等四種絕緣缺陷的放電信息數(shù)據(jù)庫。通過基于相位分析的統(tǒng)計(jì)特征參數(shù)和基于時(shí)間分析的分形特征參數(shù)兩種主要分析模式，研究不同分析模式下，數(shù)據(jù)信息之間的相關(guān)性與差異，并在此基礎(chǔ)上提取灰度分形特征和交叉小波譜特征進(jìn)行識別。

3、
　　提出了二叉樹結(jié)構(gòu)多分類支持向量機(jī)(SVM)的最優(yōu)學(xué)習(xí)方法，利用PRPD、TRPD、灰度分形和交叉小波譜4種特征向量，對SVM進(jìn)行訓(xùn)練和驗(yàn)證，分析了不同的模型參數(shù)對支持向量機(jī)性能的影響;并采用骨干粒子群優(yōu)化算法對核參數(shù)進(jìn)行優(yōu)化，比較并建立了支持向量機(jī)性能評價(jià)指標(biāo)，初步建立了PD故障識別系統(tǒng)。
　　提出了最優(yōu)半徑超球面支持向量機(jī)結(jié)構(gòu)(Optimal Radius Hypersphere SVM，ORH-SVM)。超球面支持

4、向量機(jī)(H-SVM)解決了傳統(tǒng)超平面SVM對邊界樣本漏分的問題。在該算法的基礎(chǔ)上，本文提出了最優(yōu)半徑優(yōu)化方法，并建立了基于ORH-SVM算法的放電模式識別系統(tǒng)，提高了分類精度。
　　研究并建立基于多分類組合核支持向量機(jī)(CKM-SVM)的局部放電模式識別模型。實(shí)現(xiàn)了對4類特征空間完整的多分類映射并實(shí)現(xiàn)直接多分類的識別系統(tǒng)。該模型融合了局部放電多組特征進(jìn)行分析，對4個(gè)核函數(shù)進(jìn)行尋優(yōu)配置，并通過骨干粒子群優(yōu)化算法對核參數(shù)進(jìn)行優(yōu)化，在提