基于改进遗传算法的油田配电网无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用来求解包含离散化变量的复杂优化问题。将遗传算法应用于油田配电网无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行改进,提高了计算效率和全局寻优能力。通过对油田配电网的分析和计算,结果表明该改进遗传算法应用于油田无功优化是合理可行的,其优化效果优于传统遗传算法。     

注水电机断路器信号灯闪光故障分析

概述油田联合站内注水电机断路器信号灯闪光的原因．并分析联合站注水电机和变电站内的电力设备之间的联系及联合站开始施工时遗留的一些工程隐患导致的故障,提出改进措施,指出在运行过程中应注意的问题。     

抽油机悬点载荷计算图版的数学模拟

美国石油学会公式是计算抽油机悬点载荷常用的公式之一,在该公式中,有两个无因次参数需要人工读图才能够查出。利用图像识别技术读取图版曲线上的数据点,对曲线进行数学模拟,使其能方便地应用于工程计算之中。     

采用脉冲函数建立馈线等效负荷密度模型

提出了以脉冲函数为基的等效负荷密度模型简化配电网分析的方法。针对8种基本负荷分布,求解馈线两端的电压方程和馈线沿线损耗方程,分别获得各种分布的特征值和相似系数,从而不需要量测馈线沿线的各个负荷,也能计算出馈线电压降落和沿线线损。文中给出了若干实例,并与严格计算法、负荷均匀分布法的计算结果进行了比较,结果表明提出的方法是可行的     

基于遗传算法的配电网低压侧无功补偿动态优化规划

以投资净收益的折现值最大为目标函数。将投资规模的限制以惩罚函数的形式加入到目标函数中构成增广目标函数。将每个可能安装低压侧自动无功补偿装置的位置作为基因,基因的取值反映补偿装置安装与否及安装的时间．在此基础上运用遗传算法获得考虑负荷变化情况下配电网低压侧无功补偿装置的动态最优规划结果。详细讨论了投资规模不加限制、限制总投资规模和限制各个阶段投资规模三种情况的处理方法。对实例的分析表明。提出的方法是可行的。     

深度卷积神经网络的X射线焊缝缺陷研究

针对X射线焊缝的缺陷识别难度较高且难以分类这一问题,在典型CUDA-CONVNET卷积神经网络(CNN)的基础上,改进并设计了一种深度CNN结构.以图像预处理作为基础,在保证最大限度提取原始图像的焊缝特征的前提下,对CNN的层次架构及参数设定开展了研究;通过与支持向量机(SVM)识别算法对比,进一步评估提出的深度学习方式,研究结果表明:改进后的深度CNN结构及其算法对于大样本的图像特征表达与识别能力有一定的优势,运算样本与错误率成反比,网络结构具有较高的图像分类识别正确率.     

REF542plus微机型综合保护器在乌石化电网变电所备自投装置中的应用

备用电源自投装置是变电所内为提高供电可靠性所装设的重要自动装置.在有双电源供电的变配电所中,装设备用电源自动投入装置可以缩短备用电源的切换时间,保证供电的连续性和可靠性,缩小变配电事故的影响范围.     

基于压缩传感技术的埋弧焊X射线焊缝图像缺陷检测

将压缩传感理论引入X射线焊缝图像缺陷判断,提出将判断X射线焊缝图像是否含有缺陷问题作为一个模式识别问题处理,将待检测图像视为样本图像的线性组合,通过求取系数向量来判断图像是否存在缺陷. 为实现系数向量的稀疏化,提出利用罚函数的方法求解0范数最小问题的近似最优解,提出新的光滑可导的0-1惩罚项函数,使求0范数最优成为可能. 在此基础上分别利用1范数最小和2范数最小求取系数向量,并利用混淆矩阵对所求结果进行分析. 结果表明,综合考虑0,1,2范数最小化所得系数的识别算法灵敏度可达99%,特异度可达98%.     

配电网电压稳定性研究

基于配电网潮流解的存在性，提出了一种能够反映负荷分布与电压稳定性关系的电压稳定判据，即第一类电压稳定判据，指出了第一类电压稳定判据是配电网电压稳定的必要条件但不是充分条件，定义了配电网电压稳定裕度和电压抗扰动安全距离等指标，分析了基于负荷–电压特性的第二类配电网电压稳定判据存在的问题，得出了配电网电压稳定应该满足2类电压稳定判据的结论。仿真计算结果验证了上述分析的正确性，说明上述电压稳定指标确实可以反映配电网的电压稳定性与抗扰动能力。     

埋弧焊X射线焊缝缺陷图像分类算法研究

对埋弧焊X射线焊缝圆形和线形缺陷图像进行分析,针对焊缝缺陷局部图像强噪声、弱对比度和常规方法不易区分类型的特点,将主成成分分析的思想引入焊缝圆形和线形缺陷类型分类。分析缺陷疑似局部图像自相关矩阵特征值发现,圆形线形焊缝缺陷疑似局部图像分类问题可降维为一维问题,极大地简化计算和提高运算速度。基于此给出圆形和线性缺陷分类算法,由于将缺陷图像分类问题降维,使得分类算法对模板的选择具有较强的鲁棒性。通过现场超过400张焊缝缺陷局部图像的实验表明,无论如何选取模板,线性缺陷的识别率均在98%以上,圆形缺陷的识别率在89%~98.8%之间,且在16次模板更换实验中,4次圆形缺陷识别率达到98.8%。