GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

浅谈煤炭企业销售部门内控制度

文章探讨了煤炭企业销售部门在内部控制中应明确的目标、遵循的原则以及需要控制的内容、采用的方法。销售部门内部控制制度对企业实现发展战略目标、提高经营管理效率、维护资产安全完整、保证会计信息质量等符合国家相关法律法规的活动具有重要意义。     

微环境对高压开关柜电场分布及绝缘净距离的影响研究

潮湿污秽等微环境极易引发高压开关柜放电或绝缘击穿故障.为提高开关柜设计及运行水平,本研究对高压开关柜微环境下的内部电场分布特性及绝缘净距离进行仿真计算研究.首先基于COMSOL仿真软件建立40.5 kV高压开关柜母线室多物理场有限元仿真模型,获得开关柜母线室中温度、湿度分布.利用数值分析方法研究有无微环境下的电场分布特性,基于空气流注放电起始判据,利用COMSOL与MATLAB软件计算微环境下的绝缘净距离.最后研究微环境下不同绝缘隔板布置参数(厚度和位置)对电场分布和绝缘净距离的影响.结果表明:在高温高湿的环境下,母线室最高温度可达347.15 K,整体温度呈现上高下低的梯度分布;绝缘隔板处于低温高湿度区域,容易积聚湿污;微环境下母排尖端电场和绝缘净距离降低,但绝缘隔板表面电场增大,沿面闪络概率增大.     

基于多种检测手段的组合电器悬浮放电诊断及定位分析

组合电器由于本体结构封闭,部件复杂,局放缺陷定性及定位一直是个难题。在利用超声波、特高频局放检测法的基础上,创新性地引入高频电容臂桥接检测法进行组合电器局放检测。通过多种检测手段综合诊断及解体后试验对一起220 kV组合电器悬浮放电案例进行了详细分析,分析结果表明:高频电容臂桥接检测法能够有效辅助局放缺陷定性及定位;多种检测方式相互验证,可以提高局放缺陷定性的准确率;综合采用声—声定位法及声—电定位法,可以实现缺陷干扰排除及精确定位,有效提高设备检修维护效率。     

大气压脉冲调制射频氦气放电特性的数值模拟

采用脉冲调制可以有效优化大气压射频放电行为。为此利用1维流体模型,考虑了氦等离子体放电过程中主要的13个反应及6种粒子,研究了大气压脉冲调制射频氦气放电特性,并分析了调制频率、占空比对放电特性的影响以及输入电压对达到最大电子数密度所需时间的影响。结果表明:脉冲调制之后,固定调制频率时,随着占空比的减小,氦气放电的击穿电压增大;固定输入电压时,最大电子数密度所需时间与剩余电子数密度成反比。利用功率输入时间及最大电子数密度所需时间的关系,合理选择占空比及调制频率可以在满足实际应用的同时,最大地节约功率损耗;固定占空比及调制频率时存在着最优输入电压,使得最大电子数密度所需时间最短,合理选择输入电压也能使放电特性得到优化     

一种适用于LED前照灯散热系统的设计与分析

随着温度升高,LED的失效率会大大增加,而且光衰会加剧、寿命也会缩短,因此热设计是LED灯具结构设计中的一个不可忽略的环节.在汽车前照灯的工作模式下,由于LED自身工作温度较低以及汽车自身的特殊性,在传导、对流和辐射三种传热方式中,热传导是起主要作用的.本文通过分析及实际测验,开发了一种适用于LED汽车前照灯的散热片模型.     

基于深度稀疏降噪自编码网络的局部放电模式识别

由于变电站现场局部放电检测易于受到各类干扰的影响,造成检测数据中存在噪声,使数据中信号特征不明显,因此传统的基于统计特征的模式识别方法在应对现场检测数据时识别率较低。提出了一种基于深度稀疏降噪自编码器网络的模式识别方法。对试验检测出的典型特征图谱,利用深度稀疏降噪自编码器进行主动染噪学习训练,最后得到可以有效去噪的深度特征提取模型,并利用Softmax分类器输出识别结果。利用在变电站现场实测数据对方法进行验证,并与传统的识别方法进行对比,证明方法对含有噪声的局部放电信号有更好的识别效果。     

基于图像处理及降噪的局部放电图谱智能识别方法

局部放电检测是目前电力设备状态评价的主要手段,得到广泛应用推广。由于缺陷图谱的复杂性及现场干扰的多样性,传统的局部放电模式识别方法正确率低,训练时间长。针对上述问题,本文提出了一种基于图像处理技术及数据深度稀疏降噪的电力设备局部放电图谱智能识别方法。首先,运用图像处理技术对检测得到的图谱进行预处理;然后利用深度稀疏降噪自编码器进行数据稀疏降噪;最后对得到的有效去噪的数学模型,利用极限学习机(Extreme Learning Machine, ELM)网络,实现对局部放电的智能分类和识别。利用在变电站现场实测数据对本方法进行验证,证明本方法对含有多样干扰的局部放电信号有更好的识别效果,能很好适用于目前的电力设备图像信息模式识别应用当中。