Zeitaufgelste Teilentladungsimpuls-Klassifikation mit Neuronaler Online-Identifikation und -Unterdrckung stochastischer Strer

Die Leistungsfhigkeit moderner Industrie- und Dienstleistungsgesellschaften wie der Bundesrepublik Deutschland basiert auf der zuverlssigen sowie weitgehend
unterbrechungsfreien Versorgung mit elektrischer Energie. Daher ist es heutzutage wesentliche Aufgabe der Forschung im Bereich der Hochspannungstechnik, die bisherige Versorgungszuverlssigkeit zu erhalten bzw. zu optimieren. Die extreme Hufung teilweise
dramatischer Blackouts im Jahr 2003 hat allen Beteiligten die weitreichenden Folgen mangelnder Zuverlssigkeit bei der Versorgung mit elektrischer Energie deutlich vor Augen gefhrt. 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 zerstrungsfreie Methode zur Bestimmung des Zustandes dieser Betriebsmittel wird insbesondere vor Ort wesentlich durch externe impulsfrmige Strsignale beeintrchtigt. Deshalb sind speziell hierfr
effektive Verfahren zur Strsignalunterdrckung dringend notwendig. Die Dissertation behandelt Konzept, Realisierung und Ergebnisse eines realzeitfhigen Verfahrens, um sogenannte zeitaufgelste Teilentladungsmessungen von impulsfrmigen Strsignalen zu
befreien.
Dieses Verfahren der online durchgefhrten 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 solchermaen strbereinigten Datenstzen eine wesentliche Erhhung der Zuverlssigkeit einer nachfolgend durchgefhrten Teilentladungsdiagnose erreichen lsst.