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

Die Leistungsf higkeit moderner Industrie- und Dienstleistungsgesellschaften wie der Bundesrepublik Deutschland basiert auf der zuverl ssigen sowie weitgehend unterbrechungsfreien Versorgung mit elektrischer Energie. Daher ist es heutzutage wesentliche Aufgabe der Forschung im Bereich der Hochspannungstechnik, die bisherige Versorgungszuverl ssigkeit zu erhalten bzw. zu optimieren. Die extreme H ufung teilweise dramatischer Blackouts im Jahr 2003 hat allen Beteiligten die weitreichenden Folgen mangelnder Zuverl ssigkeit bei der Versorgung mit elektrischer Energie deutlich vor Augen gef hrt. Dabei hat insbesondere der Zustand der in den bertragungs- und Verteilnetzen eingesetzten Betriebsmittel der Hochspannungstechnik entscheidenden Einfluss auf die erreichbare Versorgungssicherheit. Die Teilentladungsdiagnose als empfindliche und gleichzeitig zerst rungsfreie Methode zur Bestimmung des Zustandes dieser Betriebsmittel wird insbesondere vor Ort wesentlich durch externe impulsf rmige St rsignale beeintr chtigt. Deshalb sind speziell hierf r effektive Verfahren zur St rsignalunterdr ckung dringend notwendig. Die Dissertation behandelt Konzept, Realisierung und Ergebnisse eines realzeitf higen Verfahrens, um sogenannte zeitaufgel ste Teilentladungsmessungen von impulsf rmigen St rsignalen zu befreien. Dieses Verfahren der online durchgef hrten 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 solcherma en st rbereinigten Datens tzen eine wesentliche Erh hung der Zuverl ssigkeit einer nachfolgend durchgef hrten Teilentladungsdiagnose erreichen l sst.