基于方向梯度直方图属性空间的局部放电模式识别改进算法

该文提出一种基于方向梯度直方图(HOG)属性空间的局部放电模式识别改进算法,旨在提高特征对样本信息的概括能力,并克服分类器对高维特征的识别局限.首先,构造局部放电脉冲序列分布(PRPS)模式作为识别依据,利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间;然后,通过线性变换协方差矩阵的方式重构HOG属性空间,使其满足相互独立性;接着,根据属性重要性重新排列空间后,依次增加输入朴素贝叶斯分类器的属性个数,基于分类精度搜索最佳属性子集;最后,按照归约属性的相对重要性进行加权,最终设计出HOG属性选择加权朴素贝叶斯分类器.大量样本测试结果证明,此算法能够达到很高的识别精度,对传统识别算法的优化效果明显,有较好的应用价值.     

聚丙烯绝缘材料电导特性与空间电荷研究

为考察聚丙烯作为直流电缆绝缘材料在电气性能上的的可行性,选用等规聚丙烯材料制备测试试样,通过差示扫描量热法测试熔融温度(165℃)和结晶温度(111℃),针对击穿特性、强场电导和空间电荷分布与电荷的消散等电气性能对聚丙烯材料进行测试。击穿强度测试发现:其交流击穿强度明显低于直流击穿强度,交流击穿强度数据的的分散性相对于直流击穿要好。强场电导特性测试发现:在3.3 kV/mm电场下当温度升高到90℃时,材料的强场电导明显升高,达到室温时的2倍。空间电荷实验结果表明聚丙烯在较低的电场强度(10、20 kV/mm)下未出现明显的空间电荷,而在电场强度达到50 kV/mm时,出现了明显的异极性空间电荷。将试样上下电极短接进行短路发现,10、20 kV/mm下加压0.5 h后,经过0.5 h短路放电,试样内部的空间电荷几乎释放完全。而在50 kV/mm下加压0.5 h后,经过1.5 h的短路时间仍然看到试样内部驻留着大量的异极性空间电荷。     

基于广域测量信息的配网故障定位装置的研制

针对目前配网故障定位装置存在的问题,提出一种基于广域测量信息的配网故障定位装置。详细阐述了装置硬件设计与各模块的功能及接口,以及软件流程设计。最后经过采集精度测试和相间通讯测试装置证实了其较好的数据采集的可靠性以及通讯的可行性。装置可以支持电流相量采集、故障录波、远程通讯等,具有传统故障指示器由于电源所限而无法负担的功能,在未来有较好的应用前景。     

采用罗柯夫斯基线圈和ARM+CPLD总线复用系统的输电线路故障暂态电流采集方法

采用罗柯夫斯基线圈( Rogowskicoil)和ARM+CPLD总线复用系统设计了输电线路故障暂态电流采集的新方法。详细讨论了罗柯夫斯基线圈在工频和高频情况下的工作模型及适用范围,在此基础上提出故障暂态电流采集动态阀值设定原则及电路实现。详细阐述了以ARM+CPLD的总线复用系统基础的高速数据采集方法、高速A/D转换与快速存储操作的协调控制关系,实现了故障暂态电流数据的高速采集存储和低速读取功能。结合实测数据,对所提故障暂态电流采集方法进行了分析。该方法可有效地降低暂态电流采集系统常态下的功耗及硬件实现的复杂性。     

分布式输电线路故障定位装置的研制

传统故障定位装置多是安装在变电站内,高频故障行波经过CT后会发生衰减,频带变窄,影响波头的检测.该文提出一种新型的分布式输电线路故障定位装置设计方法,在一条线路上沿线设置若干检测点,利用Rogowski线圈直接检测输电线路中的高频故障行波,根据输电线路接地故障行波中线模和零模分量在线路中传播速度不同,利用到达各检测点的...     

输变电设备智能化关键技术及发展趋势

在坚强智能电网的架构下,输变电设备的智能化将逐步成为未来电网运行管理中必不可少的环节。提出了智能化输变电设备的主要内涵和目标,讨论分析了智能输变电设备的应用需要研究的关键理论和技术及其发展现状,并对其发展趋势进行展望。     

基于可拓理论的变压器在线监测状态综合评估

变压器运行状态的有效评估是指导电力变压器状态检修以及保证电力系统安全可靠运行的重要手段。在变压器智能组件得到的各类在线监测状态信息量的基础上,引入可拓理论,建立了基于在线监测的变压器状态综合评估模型。采用改进层次分析法与灰色关联分析相结合计算得到综合权重,指出该方法克服了单一方法确定指标权重的局限性;基于物元理论和关联函数理论构建变压器状态综合评估模型,实现对变压器状态定性和定量相结合的状态评估,为变压器的状态检修提供了决策依据。实例分析证明了该评估模型的准确性和有效性。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。