预览加载中,请您耐心等待几秒...
1/5
2/5
3/5
4/5
5/5

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

第卷第期 352高电压技术Vol.35No.2 2009年2月HighVoltageEngineeringFeb.2009·277· 统计参数在变压器局部放电模式识别中的应用 胡文堂1,高胜友2,余绍峰1,谈克雄2,高文胜2 (1.浙江省电力试验研究院,杭州310014; 2.清华大学电机系电力系统及发电设备控制和仿真国家重点实验室,北京100084) 摘要:对局部放电进行模式识别可以了解放电类型和严重程度,为故障诊断和检修提供参考依据。为此将 Weibull统计分布参数用于局部放电模式识别当中,采用仿真分析和模型试验的方法证明了局部放电的脉冲高度 分布符合Weibull统计分布规律。在统计放电脉冲高度分布时对放电幅值进行了归一化处理,将放电累积概率为 99%的放电幅值作为归一化因子,以消除试验中偶然出现的大的随机放电脉冲干扰的影响。使用工频电压正负半 周的Weibull统计分布的形状参数、放电幅值中心和放电相位中心共6个参数作为特征向量,以人工神经网络为分 类器,对放电类型获得了超过85%的识别率。研究表明,这种故障模式的表征方法具有模式特征数量少、表征能力 强等优点,采用人工神经网络方法可以准确识别不同模式的放电,具有较高的识别率。 关键词:局部放电;模式识别;Weibull分布;统计参数;归一化;人工神经网络 中图分类号:TM835.4文献标志码:A文章编号:100326520(2009)0220277205 ApplicationofStatisticParametersinRecognition ofPartialDischargeinTransformers HUWen2tang1,GAOSheng2you2,YUShao2feng1,TANKe2xiong2,GAOWen2sheng2 (1.ZhejiangElectricPowerTest&ResearchInstitute,Hangzhou310014,China; 2.StateKeyLabofControlandSimulationofPowerSystemsandGenerationEquipments, DeptartmentofElectricalEngineering,TsinghuaUniversity,Beijing100084,China) Abstract:Thepatternrecognitionforpartialdischarge(PD)ishelpfulforestimatingPDtypeandlevel,whichwill provideascientificbasisforfailurediagnosisandmaintenance.WeusedWeibullstatisticdistributionparametersin thepatternrecognitionforPD,andadoptedthesimulationandmodeltesttoprovethatthePDheightdistribution (PDHD)fitswellwith22parameterWeibulldistribution.ThesimulationdataweregeneratedbytheMonte2Carlo methodand8typicalPDmodelsweredesignedfortest.Intheperiodofeachtest,thepulseamplitudeandphasein2 formationofeachPDpulsein10secondswererecorded.Meanwhile,thedischargeamplitudewasnormalizedduring calculationofthePDHD.Inordertoeliminatetheinfluenceofrandompulseinterference,theamplitudewhosecu2 mulativeprobabilityis99%wasusedasthenormalizationfactor.Sixcharacteristicparameters,includingtheshape parameterofWeibulldistribution,thecenterofdischargeamplitudeandthecenterofdischargephaseinpositivehalf periodandnegativehalfperiodofpowercycle,wereadoptedtocharacterizefaultpattern.Theartificialneuronnet2 workwasusedasclassif