《基于模糊聚类算法的油纸绝缘缺陷识别》由会员分享，可在线阅读，更多相关《基于模糊聚类算法的油纸绝缘缺陷识别（10页珍藏版）》请在金锄头文库上搜索。
1、基于模糊聚类算法的油纸绝缘缺陷识别 王艳 徐祥海 侯伟宏 朱军 高标 章洁菁 国网浙江省电力公司杭州供电公司 摘 要： 采用典型模糊聚类算法 (FCM) 对电力变压器油纸绝缘缺陷进行诊断, 研究不同绝缘缺陷的局部放电超高频信号特征识别问题。根据变压器内部绝缘缺陷特征, 文章构建典型油纸绝缘缺陷模型, 通过提取局部放电超高频信号特征量, 构建综合识别矩阵, 对缺陷进行识别。采用模糊 C-均值聚类算法分别对信号小波去噪前后两种综合特征矩阵进行聚类分析及识别。对比结果表明, 小波包多尺度超高频网格维数和能量参数能有效区分 4 种绝缘缺陷;小波去噪方法提高了正确识别率、最小识别率、识别稳定性、算法稳定
2、性和收敛性。验证了模糊 C-均值算法对油纸绝缘缺陷识别的适用性。关键词： 油纸绝缘; 局部放电; 超高频检测; 缺陷识别; FCM; 作者简介：王艳 (1984) , 女, 博士研究生, 从事电气设备绝缘局部放电模式识别的研究。Email:作者简介：徐祥海 (1977) , 男, 高级工程师, 从事电气设备在线监测。作者简介：侯伟宏 (1986) , 男, 高级工程师, 从事电气设备在线监测。作者简介：朱军 (1982) , 男, 硕士研究生, 从事电气设备在线监测。作者简介：高标 (1988) , 男, 硕士研究生, 从事电气设备在线监测。作者简介：章洁菁 (1979) , 女, 工程师,
3、从事电气设备在线监测。收稿日期：2017-08-02Defect recognition of oil-paper insulation based on fuzzy C-means algorithmWang Yan Xu Xianghai Hou Weihong Zhu Jun Gao Biao Zhang Jiejing Hangzhou Power Supply Company of State Grid Zhejiang Electric Power Company; Abstract： By means of fuzzy C-means ( FCM) algorithm, this
4、 paper researches the problem of distinguishing characteristic vectors of partial discharge ( PD) ultra-high frequency ( UHF) signals from different defects in oil-paper insulation. According to the internal insulation defects in transformer, 4 kinds of PD models characterizing typical defects of oi
5、l-paper insulation were designed. The multi-scale wavelet packet grid dimensions and energy parameters making up the characteristic vectors are both extracted from UHF signals of PD models. So this paper establishes comprehensive characteristic recognition matrixes, cluster data and recognizes defec
6、ts from it. Two matrixes are clustered and recognized respectively with and without the wavelet de-noising by using fuzzy C-means algorithm. Both the clustering results and characteristics show that it is available to distinguish the difference between PD models characterized by the wavelet packet m
7、ulti-scale UHF grid dimensions and energy parameters. The correctness ratios, minimum ratios, recognition stability, stability of the algorithm and astringency could be effectively enhanced by wavelet de-noising method; and the Fuzzy C-means algorithm applied to the insulation defect recognition cou
8、ld also be verified by wavelet denoising method.Keyword： oil-paper insulation; PD; UHF detected; defect recognition; FCM; Received： 2017-08-020 引言油浸纸绝缘结构是电力变压器内绝缘系统的重要组成。该结构在变压器中起支撑、绝缘和固定作用。在长期运行过程中受到电、热、机械等多因素影响, 导致绝缘性能下降。局部放电是油纸绝缘损伤的重要因素1。纤维纸因未充分浸渍形成气穴、金属导体突出部位电场强度增强或绕组连接处长时间过热均会导致并加速局部放电发生。与 IEC6
9、02702、GB/T 7345-20033局部放电脉冲电流法相比, 局部放电超高频检测具有检测频率高、信息量大、能够有效避开低频电磁干扰和适用于在线检测等优点, 它通过传感电力设备内部局部放电所产生的超高频电磁信号, 实现抗干扰和局部放电的检测与定位4-7。文献8采用逐层最优小波去噪算法提取局部放电信号特征量, 结果显示去噪信号具有波形畸变率低和幅值误差小的特点。通过小波包多尺度分析和网格维数提取变压器典型放电模型产生局部放电超高频信号特征量, 并采用神经网络对其进行识别9-10。局部放电信号特征量能较好反映变压器内部绝缘状况。本文模拟变压器内部绝缘缺陷, 构造 4 种局部放电模型。采用对比不
10、同小波层数和小波尺度寻求最优小波去噪效果。提取小波去噪前后局部放电超高频信号特征量即小波能量和网格维数, 组成综合识别矩阵进行聚类及缺陷识别。采用模糊 C-均值聚类算法对综合向量进行聚类分析及识别。验证了超高频信号小波包多尺度能量参数和网格维数能有效表征四种局部放电模型特性以及模糊算法对油纸绝缘缺陷识别的适用性。为评估绝缘状态、预测绝缘寿命打下坚实基础。1 油纸绝缘局部放电试验本文试验回路根据标准 GB 7354-2003, 搭建在双层屏蔽室内, 局部放电超高频测量系统及试验接线示意图, 如图 1。其中:升压变压器由无晕试验变压器和自耦调压器构成;保护电阻 R 起限流保护作用, 阻值为 7 k
11、, 耐压为 50 k V;高压耦合电容是 1 000 p F, 耐受电压为 60 k V;测量系统包括数字示波器 (Le Cory7200) 、超高频四阶希尔伯特分形天线 H11、电流传感器 C、信号放大器、50 同轴电缆。脉冲电流传感器通常在 50 k Hz 至 10 MHz 频带内具有良好的测量线性度和幅频特性。脉冲电流传感器测量信号和希尔伯特分形天线分别经长 5 m 的同轴电缆连接示波器。试验同时接收两种传感器 C 和 H 的信号。由于示波器的高通截止频带为 1 GHz, 因此试验采样率选为 1 GHz。示波器的采样率设置为 1 GS/s, 模拟带宽为 1 GHz。变压器内部主要局部放电
12、类型:油间隙放电;沿面放电;悬浮电位放电;油中气泡放电;固体绝缘中的空气间隙放电。本文针对变压器绝缘内部放电形式和特点, 利用变压器专用纤维绝缘纸板和 ABB 矿物油构建局部放电试验模型。构建 4 种油纸绝缘典型放电模型模拟典型绝缘缺陷:油中气隙放电、电晕放电、楔形油隙放电和沿面放电。据标准 CIGRE II 采用黄铜电极和油纸绝缘模型搭建试验模型系统, 电极及各放电模型尺寸见图 2。气隙放电模型在绝缘纸板预处理后制作。气隙放电模型由上下两层 75 mm 实心纸板和中间一层外径 75 mm、内径60 mm 的环形纸板共同构成, 为防止矿物油渗入气隙模型, 用环氧树脂胶对其结合处进行密封后并用夹
13、板加紧至模型投入使用。为防止电极接引线和高压引线处发生电晕放电, 高压引线采用直径为 10 mm 的铝管, 电极螺帽为专门设计加工的球形螺帽;电极表面和边缘均经过特殊处理尽可能消除电极表面尖角或毛刺的影响;局部放电试验前先将一次筛选后的试样在真空箱中经过 90、2 h 干燥处理, 并对试样进行室温 48 h 真空充分浸油、祛气以降低微水含量和气泡对绝缘耐压强度的影响;浸油后试样的微水含量均值为 0.8%, 确保真实放电类型与放电模型一致。预处理后试样进行二次筛选确保局部放电试验四组共 40个试样形状尺寸相同、纸板无损伤无异物。图 1 局部放电试验系统 Fig.1 PD experiment s
14、ystem 下载原图图 2 4 种局部放电模型 Fig.2 4 kinds of PD models 下载原图图 3 标定电路 Fig.3 Calibration circuit 下载原图试验采用逐步升压法加速局部放电过程。试验电压采用样品 1.2 倍的起始放电电压, 采样电压采用稳定放电时的试验电压。采样电压和采样时间均因模型而异;试样均在工频条件下存储局部放电三个电压等级下 150 个单次放电波形。试验中需调节调幅电路的放电倍数, 因此在每组试验结束后需按图 3 所示接线校正试验回路标定单位幅值的放电量, q 0=U0C0其中 U0是标定方波, C 0是分度电容。2 数据分析及处理2.1
15、小波去噪由于局部放电超高频信号是一种奇异性较强的非平稳信号。采用小波变换提取白噪声中局部放电脉冲信号比其它数字化滤波方法效果更好。为寻求最佳去噪结果, 结合小波去噪仅去除白噪声不影响幅值的特点, 本文采用波形相似系数 (NCC) 12-13描述去噪前后波形间差别以确定最优小波层数和小波尺度。其定义为:式中 s1为原始放电波形;s 2为小波去噪后放电波形。波形相似系数的取值范围为-1, 1, -1 表示两放电波形反向;0 表示两放电波形正交;1 则表示两放电完全相同11。通过大量计算并统计 NCC 值选取各放电模型去噪小波层数和小波尺度最优值 (选取范围 dept=39, db=110) 。因数
16、据量大本文仅列出 11 k V 下油中电晕放电一个单次波形的 NCC 值和三个电压等级下 4 种放电模型的小波去噪参数最优选取值, 详见表 1、表 2 所示。表 1 11 k V 下油中电晕放电一个单次放电波形的 NCC 值 Tab.1 NCC of a single PD waveform for oil corona discharge under 11 k V 下载原表 表 2 各电压等级下四种放电模型的最优小波去噪参数 Tab.2 The optimum wavelet de-noising parameters of 4 kinds of PD models under different voltage levels 下载原表 2.2 超高频信号特征量提取本文通过对小波去噪前后局部放电超高频信号分别进行小波包多尺度变换, 提取多尺度小波系数的网格维数和能量参数组成两个综合特征矩阵, 反映各放电模
