局部放电是一种常见的电击现象,表明在长时间操作期间会损坏电气设备的绝缘。部放电的类型和大小与缺乏隔离密切相关,放电信号的识别旨在准确地搜索信号源并判断其危害性。此,实现局部放电模型识别技术具有相当的学术价值和工程实用性。着深度学习方法的发展和不断发展,已经提出了各种类型的网络结构和优化算法。度学习方法可以处理大规模数据,使用无监督学习来提取输入特征,并使用深层结构来发现输入的深层特征[1]。此,深度学习的发展及其大规模应用为部分识别放电模型和故障诊断开辟了新的研究途径。部放电检测局部放电检测方法在实验数据采集过程中,所使用的传感器是基于Rogowski线圈(罗马线圈)原理的电流传感器。Rogowski线圈具有精度高,体积小,成本低等优点,适合大批量生产。们已应用于测量设备,如电子式电流互感器。Rogowski线圈工作。
Rogowski的卷轴由一根线组成,并紧紧缠绕在骨架上。圈通常由两层组成。通过环骨架的中心测得的电流,电流将在环形模的横截面中产生交变磁通,并用当前在线圈的初级侧,这又感应出变化的可变线圈和次级侧的次级绕组上的电流和电动势。
应电动势与初级侧输入信号电流成比例的差分关系,因此采样电阻器可以连接到次级侧绕组以形成采样环路。后可以通过采样电阻两端的电压分析自动积分转换过程。以获得改变横向采样信号的过程的规律。部放电试验电动轴放电试验实验对于电动轴放电,建立了纸油绝缘模型,并进行了以下实验。于不同加压阶段的局部放电特性,首先需要测量观察到的样品的耐压特性[3]。模型得到加强和观察。部放电发生在约3.5kV AC电压的有效值,它是局部放电初始阶段的一部分。电次数和放电量很小。
右,均匀随机分布。电压的有效值约为6kV时,局部放电的放电次数大大增加,放电量逐渐增加几百到几千pC。逐步显示工频相位和放电的分布。
部放电逐渐发展,直到网络频率的完全相位分布和特性逐渐消失。这一点上,我们越来越接近失败状态。了保护碰撞测试设备,实验不再增加,而是逐渐将电压重置为零。
后,在6kV的实际值附近测量数次。泡放电实验气泡放电是空气中针电极的模型[5]。强样品并观察排斥的开始,发展和分解阶段。部放电最初出现在90°的工频频率附近,并且放电的重复率低。开发阶段期间,
矿用电缆在网络频率的正半周期期间,放电重复和放电容量的速率显着增加。大废品量逐渐增加约10 nC。继续加压之后,排出分布范围进一步增加。验经历了短暂的弧形断裂,并且通常伴有明亮的声音。文提取的放电特征量[4]在放电脉冲幅度附近为200点,因此BP网络中输入神经元的数量为200,即BP神经网络。类型的由相量输出表示局部放电模式对应于本文中所描述的模拟实验的两个放电模型:输出相量元件是2时,输出神经元的BP网络中的数因此是2并且每个神经元对应于放电模式。型表3-1列出了两种模式的信号。
压网络隐藏层中的神经元太少或太多将导致神经网络的学习能力不足或诱导能力低。藏层中的神经元太多,网络学习能力很强,但网络计算和数据存储非常重要:取决于输入层和输出层的数量,之后重复详细的调试,隐藏层的神经元的最终选择是10 a。训练BP [6]网络是用于计算和迭代调整,这首先产生具有权重矩阵相量的方法重量在(-1,1)之间。

算输入层的输出到隐藏层,并计算隐藏层到输出层的输出的输出,根据误差反馈方法中,重复[7]改变加权矩阵对实际输出的前向和后向计算以及监护人信号误差在允许的范围内。四组放电模式的20组特征量输入第三方网络,以完成网络学习过程。后,将每个放电模式的剩余20组特征量输入已经学习用于识别的BP网络,表5-2表示识别的结果。中的正确率。于被认为是正确识别的输出总数,但是已识别样本的总数:如果输出的值大于0.8,我们认为它是正确识别的,可靠性率,也就是说,正确识别了所有输出。均值表5-2显示动脉血压神经网络的模式识别方法识别两个部分电缆故障放电,即电轴放电和气泡放电。100套样品的整体识别准确率为91.25%。们看到,对于大多数信号,伙伴网络是可识别的,但是网络无法识别某些单独的信号。些信号无法用肉眼看出差异,但计算机足以区分它们之间的差异。还表明,血压神经网络可用于交联聚乙烯绝缘局部放电模式识别系统[8]。论研究了基于Rogowski线圈原理的电流传感器。
虑到每个参数对罗线圈的影响,设计了符合XLPE检测电缆的电流传感器。面的这些实验证实,基于Rogowski线圈原理的电流传感器可以准确地检测电缆的局部放电放电检测中的放电信号。供一种在放电时域中提取脉冲波形图案中的放电特性量的方法。计了BP神经网络,并将提取的特征量用于网络训练和测试,测试结果表明,不同类型的放电识别网络具有91.25%的正确精度。
证明放电特征量的提取具有典型的代表性意义,并且网络可以正确地识别电缆的局部放电模式。
本文转载自
电缆价格 https://www.haoluoyi.com
猜您兴趣