XLPE直流电缆典型缺陷局部放电特性研究

局部放电是表征电力设备绝缘状态的最有效的手段之一,然而关于直流电压下XLPE电缆典型绝缘缺陷局部放电特征的研究较少。文中首先深入分析了直流下复合绝缘材料局部放电机理,总结了XLPE电缆常见缺陷类型及其原因。使用单芯XLPE电缆及其预制式接头制作了金属毛刺电晕缺陷、应力锥处半导电层沿面放电缺陷以及绝缘交界面气隙放电缺陷,在直流电压下进行阶梯式加压试验。基于高频电流法采集局部放电数据,获得了各缺陷不同放电严重阶段的多种典型特征,包括放电量-时间间隔-放电重复率三维图谱,前序放电量、前序放电时间间隔与当前放电量相关性散点图。提取了典型统计图谱的28个指纹特征,并使用RBF神经网络进行模式识别获得了较好识别正确率,从而验证了特征有效性。     

基于SOM神经网络的变电站设备红外热像诊断研究

提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.     

架空输电线路导线弧垂在线监测误差分析及方法比较

架空输电线路的导线弧垂是反映线路安全运行的重要参数,也是输电线路在线监测和动态增容需要重点关注的状态量之一。为了实时掌握输电线路的运行状态,国内外非常重视导线弧垂的在线监测,也形成了几种比较成熟的监测方法。笔者立足于国内外实际应用情况,重点对导线温度、张力以及倾角传感器监测弧垂的测量精度在理论上和应用上进行了分析和比较研究。在传感器精度足够高的前提下,研究结果表明3种方法监测弧垂的误差都在4%以内,其中张力传感器法误差最小达1%,3种方法都能满足工程要求。     

考虑线路实际运行状态的故障测距补偿方法

根据输电线路状态方程,分析了输电线路长度变化与线路实际运行状态,包括导线运行温度、导线等值覆冰厚度及风速的对应关系,提出根据导线实际运行状态计算输电线路实际长度的方法,并以东北某线路实际监测导线张力和导线温度数据验证了此方法的正确性。根据输电线路长度变化与线路实际运行状态的关系,建立了输电线路各点在不同状态下距线路首端距离的换算方程,最终将实际故障距离换算成故障点距线路首端水平距离。     

电力变压器局部放电超宽带射频定位研究

采用超宽带射频定位检测技术,并结合变压器结构的特点以及局部放电产生的超宽带电磁波信号在变压器内的传播特性对变压器局部放电进行定位研究。     

动态提高输电线路输送容量技术的导线温度模型

现有检测导线温度的方法存在计算困难、精度偏低且不稳定等问题。导线的温度除了受负荷影响外,还受风、日照等气候条件的影响,并且与导线张力也有关系。文中通过现场试验,研究了导线温度与负荷、导线张力及气候等因素的关系,并将非线性问题转化为线性问题,通过统计学的回归方法,建立了多因素共同决定的导线温度数学模型。对一条已安装动态提高输电线路输送容量（DLR）系统的110 kV线路的现场运行数据进行了分析验算,验证了该方法计算导线温度的有效性和实用性,同时也说明文中建立的数学模型能够较准确地描述线路运行参数与气象条件变化之间的关系,对研究线路的运行参数和运行状态具有指导意义。     

基于ZigBee技术的导线接头温度集群监测

在ZigBee技术原理和协议标准的基础上,结合输电线路导线接头温度在线监测的性能需要,研制了基于ZigBee技术的输电线路导线接头温度集群监测系统.采用分布式测量系统架构,设计了温度监测终端协调器节点和子节点的硬件平台和应用软件,实现了导线及其接头温度的多点采集和数据整合传输.重点说明了利用ZigBee协议进行测温节点无线集群网络建立、子节点动态增减的原理和方法,给出了不同类型应用层数据帧实现网络化传输的详细流程.通过升流器模拟输电线路的不同导线负荷进行试验测试的结果表明,设计开发的系统软硬件运行正常,组网和传输性能良好,具有ZigBee技术特有的应用优势.     

基于随机森林的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行分析及发展趋势预测,可以为变压器的状态评估提供重要的依据。传统的离线DGA方法因易导致延迟判断变压器的运行状态,造成一定的经济损失,现已不适用于油中溶解气体浓度分析及预测。因此,提出一种基于随机森林的变压器油中溶解气体浓度预测模型,以更准确地分析与预测油中溶解气体浓度。该模型以7种气体浓度构成特征向量空间,作为可视输入,并以目标气体浓度作为输出。试验结果表明,相较于传统的机器学习方法(BPNN、RBF和SVM),随机森林模型能更准确地预测油中溶解气体浓度,且需要调整参数少、训练效率高。通过算例分析,验证了该方法的有效性。     

基于同步挤压变换和深度迁移学习的GIS隔离开关故障诊断

为实现气体绝缘组合电器(GIS)隔离开关机械故障的智能诊断,基于GIS隔离开关分合闸过程中的振动信号,提出了基于深度迁移学习的GIS隔离开关机械故障诊断方法。首先应用二阶同步挤压傅里叶变换(FSST2)获取GIS隔离开关振动信号的时频分布,然后基于深度迁移学习的思想构建预训练模型并进行优化,建立了GIS隔离开关机械故障智能诊断模型。对某GR角型GIS隔离开关正常和典型机械故障状态下的振动信号的分析结果表明,基于FSST2得到的GIS隔离开关振动信号时频表示具有较好的能量聚集性,所建立的GIS隔离开关机械故障智能诊断模型识别准确率高且模型复杂度低,可用于GIS隔离开关机械故障的高效诊断。