瞬变电磁法视电阻率成像的接地网断点诊断方法

为了实现变电站接地网断点无损检测,首次提出将瞬变电磁法用于断点诊断的新方法,在地面上施加一个斜阶跃关断的脉冲信号,通过对接地网感应信号的检测,反演计算视电阻率并快速成像,从视电阻率断面图中直观诊断接地网断点故障情况。采用Ansoft Maxwell软件正演计算接地网瞬变电磁响应信号,通过接地网完好与存在断点两种情况的视电阻率成像图对比,说明方法的可行性。在变电站开展接地网断点诊断实验,结果充分论证了方法的有效性,作为一种简便、高效的接地网断点无损检测方法,可用于工程实际。     

双层结构土壤模型地网接地电阻的简化计算

为了简化双层结构土壤模型中地网接地电阻的计算,提出了将双层土壤模型等效为均匀土壤模型的计算方法。分析了接地网面积、接地网的长宽比、上层土壤电阻率等参数对等效均匀土壤电阻率的影响后,指出接地网面积、上层土壤的电阻率和厚度以及反射系数等参数均对等效均匀土壤电阻率有重要影响;采用CDEGS软件仿真所得数据建立求解等效均匀土壤电阻率的BP神经网络所得结果与CDEGS软件计算对比表明,该BP神经网络具有较高的准确性和可信度,可为多层土壤结构中接地网的设计提供可靠帮助。     

青藏铁路变电站接地网设计规则的提取

为了获得建立青藏铁路变电站接地网设计专家系统所需的模糊规则,提出神经网络和遗传算法相结合的方法自动生成模糊规则.首先建立了用于青藏线接地网接地电阻求解的遗传优化神经网络,从而可以快速得到所需的大量样本数据,然后利用遗传算法优化计算得到了用于青藏线接地网设计的模糊规则.通过仿真对比计算表明,采用此方法得到的模糊规则可以为接地网设计专家系统的建立打下了基础.     

青藏铁路接地网设计中的遗传优化神经网络

为了提高青藏铁路变电站接地网设计准确度,同时解决CDEGS软件价格高,运算、操作复杂的问题,建立了用于青藏铁路接地网设计的遗传优化神经网络。首先分析了影响接地网接地电阻的主要因素,提出了接地网电阻系数的概念,根据CDEGS软件数据建立了求解接地网接地电阻的BP神经网络,为了提高网络的计算精度,根据青藏铁路接地网的实际情况确定了接地网网格数、长宽比和面积的选择范围,采用遗传算法对BP神经网络的训练过程进行优化。通过与实际计算对比表明,该遗传优化神经网络具有较高的准确性和可信度,且简单易行,可代替CDEGS软件,为青藏铁路沿线变电站接地网的设计提供帮助。     

斜阶跃场源瞬变电磁法的全程视电阻率数值计算

推导了斜阶跃场源激励下采样零时刻在发射电流关断处的均匀导电半空间瞬变响应解析式,分析了斜阶跃场源激励下的磁场、感应电压与视电阻率的对应关系,指出用感应电压定义的全程视电阻率可能存在无解或多解的情况。提出了一种全程视电阻率直接计算方法,将发射电流关断时间作为系统参数参与视电阻率的计算,可以方便地计算出中心回线装置下测量目标的全程视电阻率。理论模型的分析与Electromagnetic Model Analysis软件计算数据的比较证明了这种数值算法的可行性。不同于常规数据校正算法,提出的全程视电阻率直接算法具有更小的误差和更快的计算速度,由于斜阶跃场源技术的成熟,该算法具有一定的应用价值。     

半航空瞬变电磁探测能力及影响因素研究

半航空瞬变电磁法通过在地面布设发射源,在空中使用无人机搭载接收线圈获取二次场信号实现对地下结构的探测,然而在实际应用过程中其探测能力会受到接收高度、水平偏移距等因素的影响。针对这一问题,开展半航空瞬变电磁响应空间分布特征研究。首先通过均匀大地模型和层状大地模型的正演计算,采用控制变量的方法分析不同因素对半航空瞬变电磁响应的影响;其次通过含异常体模型的正演计算,分析异常体埋深、电阻率等参数等对半航空瞬变电磁勘探地下目标体能力的影响。研究结果表明：接收高度和水平偏移距对半航空瞬变电磁响应的影响主要集中在早期,随着接收高度或者水平偏移距的增加,早期垂直感应电动势幅值逐渐降低,且回线源外响应出现极性反转现象;半航空瞬变电磁响应曲线在不同电阻率地层中表现出不同的衰减速率,这表明其对地层电阻率变化有着较好的识别作用;半航空瞬变电磁响应曲线中可以体现出地下目标体的埋深及电阻率变化,证明了半航空瞬变电磁对不同异常体的分辨能力。     

瞬变电磁法阻尼系数对有效采样时刻影响研究

瞬变电磁法的探测深度主要由观测时间决定,早期观测信号包含浅层地电信息。接收线圈过渡过程对早期瞬变电磁信号影响严重,导致信号的有效采样时间起始点后延,丢失浅层探测信息。野外工作中,接收线圈两端通常外接阻尼电阻来调整线圈的工作状态。本文基于接收线圈等效电路模型,分析接收线圈阻尼系数对过渡过程的影响,比较了不同工作状态下的瞬变电磁响应特性,计算了不同阻尼系数时的视电阻率误差,并分析了有效采样时刻随阻尼系数的变化趋势。结果表明,浅层探测中过渡过程给早期视电阻率计算带来很大误差,数据处理时须舍弃早期信号或予以校正。在临界阻尼的情况下,过渡过程影响总体最小,为接收线圈最佳工作状态。     

接地设计中两层土壤参数的优化计算

影响电力系统接地电阻的主要因素是接地体所在土壤的模型及参数。对水平分层的两层土壤,用温纳四电极法测得其视在电阻率,然后用非线性规划的单纯形优化方法,求出第一层土壤的厚度与两层土壤的电阻率。计算结果与实测数据一致。     

变电站内水平多层土壤参数反演

接地网是变电站的重要组成,起到保障变电站设备安全运行和工作人员安全的作用。IEEE Std80-2000指出,变电站内水平多层土壤的参数分布特性对接地网的接地性能有很大影响。视在电阻率是直接反映水平多层土壤参数的电学指标,因此基于Wenner法建立水平多层土壤的视在电阻率模型是研究其参数特性的重要手段。基于点电流源在水平多层土壤中满足的泊松方程和边界条件,建立了广义积分形式的视在电阻率计算公式;结合 Prony 展开式和 Lipschitz积分得出了有限项求和形式的视在电阻率复镜像表达式。利用视在电阻率测量值和计算值间的均方根误差函数建立了水平多层土壤参数反演模型。采用改进粒子群算法(improved particle swarm optimization,IPSO)拟合不同电极间距离d情况下视在电阻率;优化过程结束后,最小适应度函数对应的粒子被作为最优土壤参数输出。通过与已发表论文中水平两层和三层土壤参数模型对比,验证了所提算法在反演水平多层土壤参数时是有效、可行的。此外,由于测量的视在电阻率是在d>10t(d为电极间距,t为电极入地深度)假设下进行简化得出的,所以提出剔除d<1m时无效的视在电阻率测量值的方法来提高水平多层土壤参数估计的精度,该方法也能够对采用Wenner法的视在电阻率现场测量提出指导意见。     

多层水平分层土壤电阻率模型

确定大地模型和土壤参数是大型地网接地计算的首要工作,为了使模型能够较好地反映实际大地土壤特性,应该利用多层模型代替以往的两层或三层模型。基于等距四极法测得的土壤视在电阻率建立了反演多层水平分层土壤电阻率模型。土壤视在电阻率计算值由复镜像法进行逼近,复镜像法的采用大大加快了程序计算速度并且提高了计算精度。由最小二乘法建立目标函数,通过条件转换将约束非线性问题转化为非约束问题,使用拟牛顿DFP算法对目标函数进行优化。根据实际使用经验与土壤视在电阻率特性的表现,确定了一种由计算机自动选择初始值的有效方法,使程序可以很快获得收敛解。并将分析结果与国际著名接地计算软件CDEGS的计算结果进行比较,充分验证了方法的有效性。     

基于改进小波分析小电流接地选线方法

针对小波分析在对故障线路与非故障线路暂态量差别不大而产生误判的缺陷,提出基于径向基函数RBF（Radia basis function）神经网络。通过免疫机制改善RBF网络隐含层的聚类形态,对不同故障类型的故障线路与非故障线路的暂态零序电流小波模极大值进行聚类。而RBF网络的训练由遗传算法去执行从而得到最优连接权值。将训练后的RBF网络用于的小电流接地故障选线,仿真结果表明,利用该算法选线具有较高的精确度     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

基于改进神经网络的用电客户信用评价

在分析影响用电客户信用因素的基础上,建立了一套适用于用电客户信用评价的指标体系,采用BP神经网络建立用电客户信用评价模型,用遗传算法优化BP神经网络的连接权重和阈值,解决了BP神经网络存在落入局部最小点和收敛速度慢的问题,两者结合,实现了优势互补.实例研究表明,评价值与实际值相差较小,遗传神经网络的评价结果是令人满意的.     

基于进化策略算法的人工神经网络变压器故障诊断法

提出一种基于进化策略算法的人工神经网络法对电力变压器故障进行诊断。该方法通过综合进化算法的全局搜索能力和神经网络输入和输出的高度非线性映射关系,可准确诊断变压器故障。它可自动调整神经网络的连接权和节点偏置值,以获得最佳网络模型。相对于普通人工神经网络而言,该法具有更快的学习速率和优良的诊断精度;并且相对于基于进化规划算法的人工神经网络法,本方法也具有更优良的性能。     

基于遗传-神经网络的凝汽器故障诊断研究

综合遗传算法的全局优化和神经网络的并行计算等特点 ,提出了一种基于遗传 -神经网络的凝汽器故障诊断的方法。用遗传算法来优化神经网络权值 ,克服了神经网络易陷入局部解的缺陷 ,使神经网络具有较好的全局性和收敛速度。具体故障诊断实例表明 ,该方法诊断准确 ,具有一定的应用价值     

基于ELMAN神经网络的同步电机动态参数在线辨识

为提高同步电机参数在线辨识的速度和可靠性，减少辨识计算量，提出了一种基于神经网络的电机参数动态跟踪辨识方法。针对同步电机暂态、次暂态参数的非线性和动态特性，在多层前向BP网络中引入特殊关联层，形成有“记忆”能力的Elman神经网络，因而可以映射系统的非线性和动态特性。在网络训练算法中，提出一种自适应修正步长和矩量因子的算法，显著提高了训练的收敛速度。训练样本集以同步电机在各种典型运行模式下的检测数据经卡尔曼滤波、状态空间有限元等基于模型的辨识算法离线计算得到。文中还给出了由工控机、智能数据采集卡和传感器锁相环控制接口电路构成的在线辨识硬件电路设计。数字仿真和动模实验机组辨识算例证明，这种Elman神经网络模型能够实现同步电机动态参数的在线跟踪辨识。     

基于GA-BPNN的多频超声波变压器油密度检测研究

变压器油是电力变压器中的主要绝缘物质之一,油的密度指标与变压器的安全运行息息相关。文中基于多频超声波、遗传算法-反向传播神经网络(GA-BPNN)的原理,对变压器油密度进行了预测研究。以电网公司110组变压器油为例,其中100组为训练集,10组为预测集。建立了基于BPNN的变压器油密度预测模型,并将242维多频超声数据作为输入,密度作为输出。通过试验法确定了BPNN的隐层神经元个数,由此建立非线性映射关系,并用遗传算法优化BPNN的各层连接权值及阈值。结果表明,与传统的标准BPNN模型相比,GA-BPNN模型的变压器油密度值与实际值拟合度更高,误差更小。研究结果为检测变压器油的其他参数提供了可靠的依据。