本书所取得的主要成果有 ：①设计了 GIS内部 4种典型绝缘缺陷的物理模型 ，在小型实验平台上分别进行了基于 UHF法和化学法的 PD模拟实验 ，从实验中获取了 4种 PD的 UHF波形数据和 SF6分解组分信息 ，初步建立了两种检测方法的信息数据库。②尽管 UHF法避免了大量低频噪声的干扰 ，但是变电站现场的周期性窄带噪声、脉冲型噪声及随机白噪声仍然会对检测系统造成严重干扰。本书在分析 UHF PD信号频谱特性的基础上 ，发现 PD脉冲具有以某一频率为中心 ，向左右两侧衰减的特征 ，并且中心频率位于谱图上的局部极大值点处。为此 ，本文提出了基于改进 Protrugram和小波变换的 UHF PD信号噪声抑制算法。首先，依次通过数学形态学滤波、包络提取及阈值设定获取谱图上的局部极大值点 ，作为 PD脉冲的候选中心频率。其次 ，依据峭度值这一指标对所有候选中心频率进行高斯测试 ，排除虚假中心频率 ，并计算真实中心频率对应的频宽，实现 PD脉冲的频谱定位。最后 ，通过小波去噪法去除与 PD脉冲同频段的白噪声。仿真和实测数据分析表明 ：同单纯的小波去噪算法和基于集合经验模态分解 （Ensemble Empirical Mode Decomposition， EEMD）的自适应阈值算法相比 ，本书所提算法不仅具有更好的噪声抑制能力 ，而且能更好地保留信号中的 PD信息成分。 ③针对 UHF PD模式识别算法在 UHF PD信号受到噪声干扰后分类准确率下降的问题 ，本书提出了基于 S变换 （Stockwell Transform， ST）结合奇异值分解的 UHF PD信号分类算法。首先 ，对 UHF PD波形进行 S变换 ，获取信号的时频幅值矩阵。其次 ，依据信号中有效信息的分布区域将时频幅值矩阵划分成 12个子矩阵 ，并对每个子矩阵进行奇异值分解 ，提取每个子矩阵的奇异值占比和奇异熵组成一个 24维的特征参量。最后 ，采用基于粒子群算法 （Particle Swarm Optimization， PSO）优化的支持向量机 （ Support Vector Machine， SVM）为分类器实现 PD的分类识别。研究结果表明 ：在不去噪的情况下 ，所提分类算法能够达到 98. 3%的分类准确率 ;对信号加噪后 ，即使信号的信噪比低至 -10 dB，所提分类算法依然能够达到 88. 3%的分类准确率。④本书综合已有研究成果 ，选择 SOF2、 SO2F2、 CF4、 CO2及 SO2为观测组分。在分析 PD下 SF6分解机制 ，观测组分的生成特性及电力行业相关标准的基础上 ，提出选取 SO2作为 PD判别的特征分解组分。针对现有分解物现场检测技术的不足 ，提出采用紫外光谱法对 SO2进行现场检测。 SF6及其主要分解产物的紫外光谱吸收特性研究表明 ：只有 SO2在 290~310 nm波段存在类正弦的周期性峰谷波动特征 ，适合在该波段对 SO2进行定量检测。⑤针对光谱信号受随机噪声干扰后 SO2定量精度下降的问题 ，本书首先采用一阶导数法对光谱信号进行基线校正 ，随后提出了基于奇异谱分析的自适应光谱信号去噪算法 ，实现了自适应的谱线平滑和微量 SO2特征识别。针对奇异谱分析技术中有效奇异值选取的问题 ，该算法从模糊数学的角度将奇异值分成三个部分 ，分别对应信号、噪声及信号和噪声的混合区域 ，并通过模糊 C均值聚类得到混合区域内奇异值对信号部分的隶属度。最后 ，采用偏小二乘回归 （Partial Least Squares Regression， PLSR）模型对 SO2进行定量检测。结果表明 ：采用所提去噪方法后 ，紫外检测系统能够识别低至 0. 5 μL /L的 SO2。
鄂公网安备 42010302001612号 