设备检测答辩PPT.ppt

Partial￿Discharge￿Recognition￿in￿Gas￿Insulated￿SwitchgearBased￿on￿Multi-information￿Fusion基于多源信息融合的气体绝缘开关设备局部放电识别第一章￿课题简介第二章￿问题简述第三章￿解决方案第四章￿总结1234目录CONTENTS第一章￿课题简介￿￿GIS(Gas￿Insulated￿Switchgear)￿￿￿￿气体绝缘开关设备•课题简介发电厂、变电站、发电厂、变电站、电网电网 高压设备！•课题简介局部放电？不同GIS缺陷不同不同放电放电模式模式信信号号检检测测TRPDPRPD第二章￿问题简述•问题简述什么问题？判断：￿￿是否存在局部放电判断：￿￿是否存在GIS缺陷判断：￿￿缺陷类型•问题简述(a) Protrusion S1(b)Surface contamination S2(c)Void in insulating spacer S3(d)Free particles S4四种故障第三章￿解决方案•解决方案采用数字示波器(Tek DPO 7104)采集TPRD和PRPD两类信号Step 1 信号采集在采集到的信号中选取能表征故障类别的特征量Step 2特征量抽取对于两组信号分别采用BP神经网络进行初步诊断Step3￿神经网络初判采用D-S 证据理论对神经网络初步诊断结果进行融合分析，得出最终诊断结果Step 4DS融合分析•解决方案特征量抽取神经网络初判D-S融合分析诊断结果信号采集12•解决方案信号采集神经网络初判D-S融合分析诊断结果特征量抽取13•解决方案TRPD模模式下：式下：选择选择1313个参数作为特征向量个参数作为特征向量信号采集特征量抽取D-S融合分析诊断结果神经网络初判14•解决方案TRPD模式下神经网模式下神经网络结构：络结构：输输入入节节点点1 13 3个个输输出出节节点点4 4个个隐藏层神经元按照经验公式确定为隐藏层神经元按照经验公式确定为1515个个输出层输出层神经元传递函数选择神经元传递函数选择logsig()函数函数，，隐含层隐含层神经元选择收敛速度快的神经元选择收敛速度快的tansig()函数函数信号采集特征量抽取D-S融合分析诊断结果神经网络初判15•解决方案TRPD模式下神经网络模式下神经网络测试结果：测试结果： 每类缺陷的放电信号样本各采集500组，随机选取其中100组作为训练样本，剩余400组作为测试样本，经神经网络训练后四种缺陷的识别结果如表所示，输出节点值最大的代表预测故障类型信号采集神经网络初判D-S融合分析诊断结果特征量抽取16•解决方案PRPD模模式下：式下：选择选择1313个参数作为特征向量个参数作为特征向量信号采集特征量抽取D-S融合分析诊断结果神经网络初判17•解决方案PRPD模式下神经网络测模式下神经网络测试结果：试结果： 输入层节点16个，隐含层节点15个，输出层节点4个。

每类缺陷的放电信号样本各采集100组，随机选取其中40组作为训练样本，剩余的作为测试样本信号采集特征量抽取D-S融合分析诊断结果神经网络初判18•解决方案两两种种模模式式测测试试结结果果对对比比互互补补信信息息D-S D-S 证据理论证据理论融合融合信号采集特征量抽取神经网络初判诊断结果D-S融合分析19•解决方案Step 2Step 1Step 4Step 3建立识别框架定义基本概率指派函数BPADS证据融合规则做决策 定义定义一个识别框架一个识别框架ΘΘ，假设，假设AiAi是识别框架中的所有元素并且相互排斥是识别框架中的所有元素并且相互排斥，，所有所有可能的输出结果为四种不同绝缘缺陷和不确定性可能的输出结果为四种不同绝缘缺陷和不确定性θθ，即，即信号采集特征量抽取神经网络初判D-S融合分析20诊断结果•解决方案PD单一缺陷实验：单一缺陷实验： 在110KV GIS出线端设置突出物缺陷S1，采用UHF传感器获得TRPD和PRPD两种模式信号，三种识别方法的结果如下信号采集特征量抽取神经网络初判D-S融合分析21诊断结果•解决方案PD单一缺陷实验：单一缺陷实验： 设置绝缘子表面附着物缺陷S2。

它的位置和识别框架中的表面附着物缺陷略有不同，这种不同导致TRPD模式识别结果错误，也降低了另外两种诊断方式的识别率信号采集特征量抽取神经网络初判D-S融合分析22诊断结果•解决方案数据样本测试：数据样本测试： 为了进一步评价结合DS证据理论和神经网络的信息融合决策系统的综合性能，每种故障随机选择100个测试样本进行试验，识别结果如表9所示第四章￿总结•总￿结降低了单一证据不确定性对结果的影响增强容错能力提高故障诊断可靠性DS信息融合的优点证据高度冲突的情况下以及证据间相关性大会导致判断错误一些未解决的问题Thank￿you！。