论文部分内容阅读
局部放电(Partial Discharge,PD)在线监测可有效地对电力设备运行状态进行监控,为故障预诊断、定位提供可靠的参考数据,是目前电力设备状态维修领域的研究热点。然而传统的局部放电在线监测方案中仍然存在两大缺点:1、传统方案均由数据采集、预处理、远程传输、后期处理环节构成,设备复杂,实时性不高;2、局部放电信号的采集速率高,带来海量数据,给传统的现场嵌入式设备的处理、存储、传输带来极大压力。针对传统方案的缺点,本文提出了基于FPGA的局部放电在线监测系统新方案,该方案集去噪压缩、模式识别功能于一身,减少了数据远程传输、后期处理环节,因而减少了设备的复杂程度,同时增加了系统的实时性。本文对基于FPGA的局部放电在线监测新方案的研究过程中,主要工作包括了以下几方面:1、研究小波包软阈值算法对PD信号进行去噪与压缩的实现:提出采用相关性分析确定最佳的小波包分解深度;仿真表明,该算法能较好实现PD信号的去噪、数据压缩。2、研究小波包变换在FPGA上的实现:提出基于DSP Builder平台的FPGA系统级设计方案;提出了一种基于文本读写的仿真方法用于系统的测试;仿真表明该FPGA系统极大提高了小波包变换的实时性,且精度较高。3、研究遗传算法(Gene Algorithm, GA)实现局部放电信号特征量最优组合的提取:综合考虑识别率和现场设备的限制,提出新的特征选取准则,为GA的优化工作开辟道路,仿真表明GA所选的组合识别率最高、误差量最小。4、研究RBF神经网络在PD信号模式识别上的应用以及RBF网络在FPGA上实现的设计:优化RBF网络算法与参数,提高识别率;研究了以前馈环节、后馈环节、修正环节为循环的RBF网络硬件结构,研究了三大环节中的各个算子的设计,仿真表明整合前馈环节后实现的RBF离线学习网络能正确识别局部放电的类型。本文提出的基于FPGA的局部放电在线监测方案,可很好克服传统方案中的缺陷,具有工程应用价值。而本文研究涉及的基于FPGA小波包变换系统、局部放电特征量最优的最优组合的研究以及基于FPGA的RBF网络的实现在高速数据处理领域、模式识别领域也有一定实际学术意义和工程应用价值。