基于密度泛函理论的油中特征气体在钯掺杂SnP3单层上吸附及传感性能研究

油中溶解气体分析(dissolved gases analysis,DGA)被认为是目前变压器故障诊断技术中最可靠的方法之一。该文基于密度泛函理论,计算过渡金属钯(Pd)改性的SnP₃单层对6种油中溶解特征气体(H₂、CO、C₂H₂、C₂H₄、CH₄及C₂H₆)的吸附及传感性能。首先,通过不同掺杂位点的建模和计算分析,得到结构最稳定的Pd掺杂SnP₃(Pd-SnP₃)单层模型作为后续离散傅里叶变换(discrete Fourier transform,DFT)计算的基础。基于该模型,构建多种吸附结构并进行几何优化,通过比较吸附能等参数,得到SnP₃单层对6种特征气体最稳定的吸附结构。进一步,分析吸附体系的电子密度、态密度、能带及解吸附时间。结果表明,Pd-SnP₃单层对CO、C₂H<...     

油中溶解气体分析新导则及其启示

介绍了IEC60599－1999在利用油中溶解气体分析方法诊断油浸变压器类电力设备潜伏性故障方面的进展，分析了其新特点及国外的相关应用情况。     

油溶解气体色谱分析中的小型真空在线脱气技术

基于当前气相色谱分析技术的发展,针对变压器绝缘油中溶解气体色谱在线分析的状况,提出了色谱系统对气相中气体组分体积分数最小检测值极限算法的数学模型。应用该模型,可对脱气室和集气室体积进行小型化计算和试验典型配置。在此基础上,文中设计了一种新型的小型真空在线脱气系统(10cm×10cm×20cm)和新型的全自动进样器(5cm×5cm×2cm)。系统采用全自动化控制。用标准气体试验确定了定量器体积(0.769mL),用样品气体试验对整个系统进行了检测。试验结果表明,文中所设计的小型真空脱气系统能较好地用于变压器绝缘油中溶解气体在线色谱分析。     

变压器油中溶解气体分析法应用中存在的问题及产气识别（一）

油中溶解气体分析（DGA）检测的对象是特征气体,变压器在运行中出现一定量的特性气体（简称产气）,都是由于发生了产气故障。但产气故障只是变压器故障的一部分,并不涵盖全部故障,对绕组严重变形、绝缘过度受潮以及器身冲撞受伤等这些不产气故障,用DGA对发现这类故障不起作用。文章介绍了DGA的试验方法,指出了变压器应用DGA中存在的问题,详细介绍了变压器运行中的各类产气情况,如自然老化产气、外来气源产气、局部放电故障产气、过热故障产气和事故产气等及其识别方法。     

基于密度泛函理论的油中溶解气体拉曼特征频谱分析

为了准确获取电力变压器的运行状态,对其进行有效的维护,文中针对7种变压器故障气体的拉曼特征频谱选择,建立了基于密度泛函理论(DFT)中B3LYP方法的气体分子构型优化和拉曼频移特征仿真分析,并结合搭建的拉曼实验平台;对相等含量的7种故障气体完成拉曼检测,结合密度泛函理论与实际检测,确定7种故障气体H_2、CH_4、C_2H_6、C_2H_4、C_2H_2、CO、CO_2的特征拉曼频移分别为:4 155、2 924、2 954、1 346、1 976、2 142、1 390 cm~(-1)。此结果已将得到故障气体实测拉曼频移与校正拉曼频移偏差率控制在±3%以内,为故障气体种类的快速判别及定量分析打下基础。     

羟基化碳纳米管检测油中溶解气体的理论分析

为检测油中溶解气体,应用密度泛函理论,通过计算机量子力学模拟研究了羟基侧壁修饰的(8,0)单壁碳纳米管(SWNT-OH)对变压器油中溶解气体分子C2H2、CH4、C2H4、CO、H2的吸附特性。计算得到的吸附能、净电荷转移量、作用距离及电子态密度表明,SWNT-OH对油中溶解气体分子的吸附属于物理吸附,且吸附气体分子之后,SWNT-OH的几何结构和电子结构都发生了变化。SWNT-OH对有机分子(C2H2、CH4、C2H4)的吸附能力大于对无机分子(CO、H2)的吸附能力,在有机分子中对C2H2的吸附能力最大。因此,预测SWNT-OH可以作为检测变压器油中溶解的C2H2气体的新型气体传感器。     

变压器油中溶解气体分析的实验室间比对及结果分析

本文中笔者设计了一种变压器油中溶解气体分析的实验室间比对方案,组织实施了电力行业27家油化实验室的比对实验,对检测结果进行了统计分析,用Z比分数对各实验室检测能力进行了评价。     

油中溶解气体分析值得注意的问题

对在测定油中溶解气体氢、CO、CO2时存在的问题进行了探讨，并提出了解决措施。     

变压器油中溶解气体色谱在线分析

变压器油中溶解气体,根据色谱分析,可以判断变压器内部缺陷和故障。本文介绍了变压器油中溶解气体色谱在线分析,该装置可以随时监视变压器的运行。装置的运行由变电站值班人员进行操作,交接班时可查看浓度曲线趋势图。根据产气率速率随时修改投入时间和周期。上位机的数据库供管理中心调用。     

基于SOFM神经网络的变压器油中溶解气体的故障分析

油浸的电力变压器无论在正常老化还是故障运行时都会产生低分子烃类，CO，CO2等气体，这些气体将会溶解于油中。这样人们根据油中溶解的气体种类和浓度就可以判断变压器是否有故障、以及故障的种类等信息。但是由于各种故障对应的产气情况十分复杂，至今人们还没有建立它们之间的精确关系。因此，根据变压器油中各气体的浓度以识别变压器故障的模式识别方法应运而生。文章提出了一种基于SOFM神经网络的变压器油中溶解气体的故障分析方法，并实例分析证明该方法的有效性。     

基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。     

基于改进型灰色理论的变压器油中溶解气体预测模型

以灰色系统理论为基础,研究变压器油中溶解气体体积分数的灰色预测新模型及其应用.建立了新的改进型非等间隔灰色预测模型.该模型首先针对变压器油中溶解气体分析试验在时间上具有非等间隔的特点,把非等间隔序列经一次拟合变换成等间隔序列.为了提高预测精度,采用一次指数平滑运算对强随机性的电力变压器的油中溶解气体数据进行平滑处理,对前面得到的等间隔数据重新生成,构成一个新序列.此外,还从背景值改造方面对预测模型进行了改进.通过2个实例进行了对比试验,表明所提出的非等间隔的模型具有明显的优势,预测效果普遍高于传统的灰色预测模型,验证了所提出方法的正确性和方案的可行性.     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

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。     

基于SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

3D simulation of a silicon quantum dot in a magnetic field based on current spin density functional theory

We have developed a code for the simulation of the electrical and magnetic properties of silicon quantum dots in the framework of the TCAD Package NANOTCAD-ViDES. We adopt current spin density functional theory with a local density approximation and with the effective mass approximation. We show that silicon quantum dots exhibit large variations of the total spin as the number of electrons in the dot and the applied magnetic field are varied. Such properties are mainly due to the silicon band structure, and make silicon quantum dots interesting systems for spintronic and quantum computing experiments.     

基于BI-GRU改进的Seq2Seq网络的变压器油中溶解气体浓度预测方法

基于门控循环单元(GRU)构建双向多层门控循环单元,并引入编码器-解码器结构搭建Seq2Seq网络模型,通过优化神经元及神经网络结构提取时序数据依赖关系.同时引入注意力机制和Scheduled Sampling算法,自动获取与当前时刻预测输出显著相关的关键输入时间点,提高长时间预测的精度.变压器正常运行状态下的气体浓度...     

变压器油中溶解乙炔光热干涉检测系统的温度和压强特性

光热干涉(photothermal interference,PTI)法是一种气体检测的新型光学方法,因其高灵敏度、高精度和"零背景"的优点,有望在油中溶解气体分析(dissolved gas analysis,DGA)检测领域中得以推广和应用。然而,油中溶解气体的温度和压强对光热相位的影响规律尚不明确,为提高PTI技术在DGA领域的适用性,文中提出一种基于Herriott气室的光强调制型PTI油中乙炔传感方案。为模拟故障状态下变压器油中气体检测,文中对含乙炔等多组分特征气体的混合气体进行实测,并重点研究测量过程中温度和压强对检测结果的影响规律,得出温度降低和压强增大均会使光热相位增大。由此表明,乙炔检测的精度和稳定性依赖于检测过程中合理设置温度和压强。所研制的测量系统对乙炔浓度具有较强的线性响应,检测灵敏度为0.151 mV/(μL·L^-1),检测下限为5.3 μL/L。所提方案为后续开发基于PTI技术的新型DGA检测提供了思路并奠定了基础。