变压器局部放电超高频监测分形天线与最优小波去噪及信号识别研究

论文摘要

局部放电与电力变压器内部绝缘缺陷具有紧密联系,通过局部放电在线监测能够及时判断变压器内部绝缘状态,对防止电力变压器事故发生,保障电力系统安全稳定运行具有重要意义。由于局部放电超高频监测能够有效避开低频电磁干扰,从而避开变压器外部电晕等脉冲干扰的影响,近年来得到了广泛重视。然而,将电力变压器局部放电超高频监测系统应用于工程实际,仍然需要在传感技术、抗干扰技术以及局部放电模式识别技术等方面开展深入研究。本文在对变压器局部放电在线监测研究现状总结分析的基础上,对用于局部放电超高频监测的Hilbert分形天线、自适应最优小波去噪及多尺度能量参数和网格维数的提取与识别等问题进行了系统深入的研究。①在深入研究分形天线基本原理的基础上,针对电力变压器的实际情况,通过仿真分析几何尺寸、导线宽度、天线阶数等参数对Hilbert分形天线性能的影响,首次提出了一种用于变压器局部放电超高频在线监测的Hilbert分形天线设计方法,制作出三阶Hilbert分形天线,该天线几何尺寸小、频带宽,可通过放油阀置于变压器箱体内壁,其检测频带、驻波比、输出阻抗和方向性等参数能够满足变压器局部放电超高频监测要求。②设计了三种典型人工油纸绝缘局部放电缺陷,在实验室模拟变压器内部局部放电,测试了三阶Hilbert分形天线的局部放电测量性能,并分析了油纸屏障对局部放电超高频测量信号幅值及频谱的影响;另外,设计了四种典型变压器内部绝缘缺陷的人工模型,采用三阶Hilbert分形天线测量并获得了大量人工绝缘缺陷局部放电超高频信号样本数据,对四种类型局部放电超高频信号频谱进行了对比分析,为变压器局部放电超高频信号识别奠定了实验基础。③在对小波阈值去噪方法进行深入研究的基础上,首次提出一种适用于局部放电监测的自适应最优小波去噪方法,该方法根据各层信号分解的尺度系数能量最大原则进行逐层最优基小波自适应选择,采用具有一阶连续导数阈值化函数及遗传算法进行尺度相关的最优阈值自适应估计。局部放电高频仿真信号与人工绝缘缺陷模型实验实测的局部放电超高频信号的去噪仿真实验结果表明,采用本文提出的自适应最优小波去噪方法的去噪效果明显优于标准小波阈值去噪方法,且计算速度快。④首次提出一种局部放电超高频信号多尺度特征提取方法,该方法通过对局部放电超高频信号的小波或小波包多尺度变换,提取局部放电超高频信号多尺度分解信号的能量参数及网格维数;为有效计算局部放电超高频信号的网格维数,提出了一种二维曲线网格维数估计方法,比原差盒计数法具有更准确的估计结果。采用本文提出的多尺度特征提取方法和反向传播神经网络对四种人工绝缘缺陷放电样本的识别正确率最低达到84.17%。上述理论分析与实验研究结果表明,本文提出的三阶Hilbert分形天线、自适应最优小波去噪以及信号的多尺度特征参数的提取与识别等方法,能有效实现变压器局部放电超高频监测与信号识别,具有良好的应用前景。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 电力变压器局部放电在线监测的意义
• 1.2 电力变压器局部放电在线监测系统的研究现状
• 1.2.1 局部放电监测方法
• 1.2.2 变压器局部放电监测超高频天线研究
• 1.2.3 变压器局部放电监测抗干扰方法研究
• 1.2.4 局部放电模式识别研究
• 1.2.5 局部放电模式识别分类决策
• 1.3 本文的主要研究工作
• 2 变压器局部放电超高频监测Hilbert 分形天线原理与实现
• 2.1 引言
• 2.2 接收天线基本原理与参数
• 2.3 Hilbert 分形超高频天线的研究
• 2.3.1 Hilbert 分形及分维数
• 2.3.2 Hilbert 分形曲线的函数迭代系统
• 2.3.3 Hilbert 分形天线谐振频率计算方程
• 2.3.4 几何参数对Hilbert 分形天线性能的影响
• 2.4 超高频Hilbert 分形天线仿真优化设计及测试结果
• 2.5 本章小结
• 3 人工绝缘缺陷模型局部放电超高频测量与分析
• 3.1 引言
• 3.2 超高频信号折反射对测量结果的影响
• 3.2.1 局部放电超高频测量实验
• 3.2.2 测量结果
• 3.2.3 分析与讨论
• 3.3 小环天线测量结果及与分形天线测量结果的对比分析
• 3.3.1 小环天线设计
• 3.3.2 实测结果及分析
• 3.4 人工绝缘缺陷模型局部放电实验
• 3.4.1 人工绝缘缺陷模型
• 3.4.2 实验线路及设备
• 3.4.3 局部放电超高频信号频谱分析
• 3.5 本章小结
• 4 变压器局部放电监测的自适应最优小波去噪方法
• 4.1 引言
• 4.2 小波多尺度变换
• 4.3 小波阈值法基本原理
• 4.4 最优小波去噪算法
• 4.4.1 尺度相关的最优基小波选择
• 4.4.2 逐层最优小波选择
• 4.4.3 自适应最优阈值选取
• 4.4.4 基于遗传算法的最优阈值估计
• 4.5 局部放电信号去噪实验
• 4.5.1 最优小波去噪方法的仿真实验分析
• 4.5.2 典型超高频信号的去噪分析
• 4.6 本章小结
• 5 局部放电超高频信号多尺度参数提取与识别
• 5.1 引言
• 5.2 估计二维曲线网格维数的改进差盒计数法
• 5.2.1 分形与分维数
• 5.2.2 估计二维曲线网格维数的改进差盒计数法
• 5.3 局部放电超高频多尺度特征参数
• 5.3.1 多尺度小波及小波包分解
• 5.3.2 多尺度分解信号的特征参数
• 5.4 局部放电超高频信号识别分类器
• 5.4.1 概率神经网络
• 5.4.2 反向传播神经网络
• 5.4.3 PNN 与BPNN 分类器的实现
• 5.5 局部放电超高频信号识别结果
• 5.6 本章小结
• 6 结论
• 致谢
• 参考文献
• 附录
• A. 作者在攻读博士学位期间发表的论文
• B. 作者在攻读博士学位期间参加的科研项目
• C. 附表