GIS典型缺陷的局部放电超高频检测及模式识别

《GIS典型缺陷的局部放电超高频检测及模式识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、内蒙古电力技术2015年第33卷第1期INNERM0NG0LIAELECTRICPOWER7doi：10．3969~．issn．1008-6218．2015．O1．024GIS典型缺陷的局部放电超高频检测及模式识别韩磊，王立威。郑艳清(1．内蒙古电力科学研究院，呼和浩特010020；2．西安电子科技大学机电学院，西安710126；3．内蒙古国合电力有限责任公司，呼和浩特010020)摘要：为了解决GIS局部放电带电检测难题，采用了超高频法，以GIS试验设备为对象，设计和模拟了GIS中自由金属颗粒、悬浮电位体、母线金属尖端、外壳金属尖端、绝缘子表面金属颗粒和绝缘子气泡6种典型缺陷的模

2、型，基于超高频法对其放电信号进行检测，提取了缺陷特征参数，应用支持向量机进行模式识别，进而对支持向量机的惩罚参数“c”和核函数参数“g”进行了粒子群优化。试验结果表明：不同缺陷类型的超高频信号在图谱和提取的数据中会呈现出不同的特征；在模式识别中，粒子群方法优化支持向量机展现出了比支持向量机更好的鲁棒性和泛化能力。关键词：气体绝缘组合电器；局部放电；超高频；支持向量机；粒子群优化文献标志码：B中图分类号：TM621．8文章编号：1008—6218(2015)01—0007—06UHFDetectionandPatternRecognitionofPartialDischargeonG

3、ISTypicalDefectsHANLei，WANGLiwei，ZHENGYanqing(1．InnerMongoliaPowerResearchInstitute，Hohhot010020，China；2．XiDianUniversitySchoolofMechano—ElectronicEngineering，Xian710126，China；3．InnerMongoliaPowerInternationalCooperationCo．，Ltd．，Hohhot010020，China)Abstract：Theultra-highfrequency(UHF)methodwasa

4、ppliedforpartialdischargedetectioninGIS，takingexperimentalGISequipmentinthelaboratoryasexperimentalsubject，thetypicaldefectsincludingfreeparticles，metalspikes，floatingpotential，insulatorsdefectweredesignedandsimulatedintheGIS．TheUHFmethodwasusedtodetectitsdischargesignal，andextractedtheparamet

5、ersofthedefectcharacteristics．Thesupportvectormachinewasusedforpatternrecognition，andparticleswarmoptimizationwascarriedoutforsupportvectormachinepenaltyparameter“C”andkernelfunctionparameter“g”．TheresultsshowedthattheUHFsignalofdiferenttypesofdefectsinthespectrumandtheextracteddatawouldshowdi

6、fferentcharacteristicsintheUHFdetection；particleswarmoptimizationsupportvectormachineparametersshowedbetterrobustnessandgeneralizationabilitythanthesupportvectormachineinpatternrecognition．Keywords：gasinsulatedswitchgear；partialdischarge；ultra-highfrequency；supportvectormachine；particleswarmop

7、timization【收稿日期】2014—12—08[作者简介]韩磊(1981)，男，内蒙古人，硕士，高级工程师，从事高电压技术研究工作。l基金项目】内蒙古电力(集团)有限责任公司2012年第二批科技项目(51014112003)2015年第33卷第1期韩磊，等：GIS典型缺陷的局部放电超高频检测及模式识别11别的特征向量为：4．3应用PSO优化支持向量机(SK．q+，S一，S+，S一，，Q，Mcc)。PSO算法其实质是模拟鸟群飞行过程中，整个特征向量共包含11个特征