Application of Time Series Used on Recognition of Partial Discharge in Oil-Paper Insulation

• Autorzy: Shengqiang J. , Yongfen L. , Haiying J. , Rui C. , Haicang L. , Yanming L.

Warianty tytułu

PL

Wykorzystanie szeregów czasowych do rozpoznawania wyładowania niezupełnego w izolacji z papieru olejowego

• Języki publikacji: EN

Abstrakty

EN

Five typical partial discharge (PD) models of oil-paper insulation are made in the article, time series of PD’s amplitude are fetched from the results measured, after being pre-processed, they are fitted by auto regressive (AR) model, the coefficients of the AR model are used as feature vector to recognize the five typical partial discharges by BP Neural Network. In this article, different order AR models are used to fit the time series, the result shows that under the 4-order or 6-order AR model, the recognition accuracy rates of the five models are all as high as over 80%.

PL

Zbadano pięć typowych modeli wyładowania niezupełnego w izolacji z papieru olejowego. Rezultaty pomiarów były przetworzone numerycznie tworząc model auto-regresywny AR. Współczynniki tego modelu mogą być używane do rozpoznawania rodzaju wyładowania. Do rozpoznawania użyto sieci neuronowych.

Słowa kluczowe

EN

oil-paper insulation; partial discharge; BP neural network

PL

izolacja olejowa; wyładowanie niezupełne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 5b
• Strony: 202--205
• Opis fizyczny: Bibliogr. 10 poz., rys., wykr.

Twórcy

autor

Shengqiang J.

autor

Yongfen L.

autor

Haiying J.

autor

Rui C.

autor

Haicang L.

autor

Yanming L.

• School of Electrical Engineering , Xi’an Jiaotong University

Bibliografia

• [1] Edward Gulski. Digital Analysis of Partial Discharge[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 199,2,(5):822-837.
• [2] YANG Li-jun, LIAO Rui-jin, SUN Cai-xin, et, al. Application of Vector Quantization to Partial Discharge Pattern Recognition[J]. Proceedings of the CSEE, 2009,29(31):122-127.
• [3] TANG Ju, WANG Jing, Li Jian, et al. Statistical parameter method for PD pattern recognition[J]. High Voltage Engineering, 2002,28(8):4-7.
• [4] XU Gang, QIU Gui-bin, WANG Biao. The Pattern Recognition of Partial Discharge Based on BP Artificial Neural Network[J]. Journal of Xi’an Petroleum Institute, 1999,14(3):34-36.
• [5] Gulski E. Discharge pattern recognition in high voltage equipment[J]. IEE Proceedings on Science, Measurement and Technologh, 1995, 142(1):51-61.
• [6] Patsch R, Berton F. Pulse Sequence Analysis-a Diagnostic Tool Based on the Physics Behind Partial Discharges[J]. Journal of Physics D:Applied Physics. 2002, 35(1);25-32.
• [7] DUAN Yong-jian. To Recognize Signal and Forecast Using Time Series and Support Vector Machine[D]. Ji Nan: Shandong University, 2010.
• [8] Danlikas M G, Gao N, Aro M. Partial discharge recognition using neural networds: a revies[J]. Electrical Engineering, 2003, 85(2): 87-93.
• [9] Gulaki E, Krivda A. Neural networks as a tool for recognition of partial discharges[J], IEEE Transactions on Electrical Insulation, 1993,28(6):984-1001.
• [10] lzui Y. GIS internal fault diagnostics using artificial neural networks[C]. IEEE Power Engineering Society 1999 Winter Meeting: Vol. 1. New York, NY , USA :IEEE,1999:350-352.