Zeitaufgelöste Teilentladungsimpuls-Klassifikation mit neuronaler Online-Identifikation und -Unterdrückung stochastischer Störer

Die Leistungsfähigkeit moderner Industrie- und Dienstleistungsgesellschaften wie der Bundesrepublik Deutschland basiert auf der zuverlässigen sowie weitgehend unterbrechungsfreien Versorgung mit elektrischer Energie. Daher ist es heutzutage wesentliche Aufgabe der Forschung im Bereich der Hochspannungstechnik, die bisherige Versorgungszuverlässigkeit zu erhalten bzw. zu optimieren. Die extreme Häufung teilweise dramatischer Blackouts im Jahr 2003 hat allen Beteiligten die weitreichenden Folgen mangelnder Zuverlässigkeit bei der Versorgung mit elektrischer Energie deutlich vor Augen geführt. Dabei hat insbesondere der Zustand der in den Übertragungs- und Verteilnetzen eingesetzten Betriebsmittel der Hochspannungstechnik entscheidenden Einfluss auf die erreichbare Versorgungssicherheit. Die Teilentladungsdiagnose als empfindliche und gleichzeitig zerstörungsfreie Methode zur Bestimmung des Zustandes dieser Betriebsmittel wird insbesondere vor Ort wesentlich durch externe impulsförmige Störsignale beeinträchtigt. Deshalb sind speziell hierfür effektive Verfahren zur Störsignalunterdrückung dringend notwendig. Die Dissertation behandelt Konzept, Realisierung und Ergebnisse eines realzeitfähigen Verfahrens, um sogenannte zeitaufgelöste Teilentladungsmessungen von impulsförmigen Störsignalen zu befreien. Dieses Verfahren der online durchgeführten Impulsform-Identifikation basiert auf der Neuronalen Klassifikation hochfrequent abgetasteter Impulsformen. Es ist durch den Einsatz eines schnellen sowie flexibel konfigurierbaren Neuronalen Netzwerks und einer algorithmusbasierten Informationsgewinnung in der Lage, sich optimal auf die jeweils vorliegende Messsituation zu adaptieren. Es wird gezeigt, dass sich mit solchermaßen störbereinigten Datensätzen eine wesentliche Erhöhung der Zuverlässigkeit einer nachfolgend durchgeführten Teilentladungsdiagnose erreichen lässt.