六氟化硫气体分解产物分析对气体绝缘开关设备（GIS）潜伏性故障判断的应用

六氟化硫（SF6）气体在电弧、电火花和电晕放电的作用下会发生分解,产生二氧化碳（CO2）、四氟化碳（CF4）等分解产物。SF6气体组分分析（可在设备带电状态下进行）是诊断SF6气体绝缘设备内部运行情况的一个强有力的手段,据此可判断设备是否故障,并确定故障的具体部位,近年来已有不少成功案例,但判断电气设备潜伏性故障的经验不多。本文总结了广东省部分变电站组合电器（GIS）气室中SF6分解产物的含量,并进行SF6组分分析,为SF6GIS潜伏性故障及其故障类型判断累积经验。     

基于气体检测和模糊Petri网的GIS故障诊断方法

考虑到GIS设备绝缘故障的多样性、复杂性,以及故障征兆的模糊性、关联性,将气体检测法与模糊Petri网相结合,应用于GIS故障诊断,可有效区分GIS局部放电类型。首先,分析SF6在局部放电下的分解机理,描述故障征兆与GIS绝缘故障之间的关系;其次,将气相色谱仪检测得到的特征气体作为模糊Petri网的输入库所,建立基于SF6气体检测和模糊Petri网的GIS绝缘故障诊断模型,利用模糊Petri网,并行推理分析GIS绝缘缺陷类型的置信度。最后,实验分析验证所提方法的正确性和有效性。     

浅析气体分解产物检测应用技术

气体绝缘设备中SF6气体分解产物检测为设备故障诊断提供了有效依据,本文对SF6气体分解产物的检测技术、试验研究及其在设备故障诊断应用等方面的国内外研究现状进行了综述,结合设备状态评价的需求,以期得到设备故障诊断的SF6气体分解产物判据,及气体绝缘设备的运行管理.     

浅谈GIS在火力发电厂中的应用

GIS组合开关设备是电厂电能输送、分配调度的重要电气设备,其运行安全性、可靠性直接影响到整个电厂能否安全稳定、节能经济的进行电能高效生产发展。对电厂GIS设备常见的开关内部放电故障、GIS控制回路触点动作不当引起的故障、GIS刀闸机构操作不良问题、SF6绝缘气体发生泄漏问题等进行了详细的分析研究,从而有效提高了GIS设备运行综合性能水平。     

GIS

正英文缩写GIS常出现在有关文献中,其表示的意思如下:(1)Geographic Information System.地理信息系统(2)Gas Insulated Switchgear.SF6气体绝缘金属封闭开关设备     

GIS绝缘故障的监测与诊断

研究气体绝缘变电站中GIS设备绝缘故障的在线监测与诊断方法,以确保GIS设备能稳定可靠运行。     

基于SF_6分解特性的电力设备绝缘缺陷检测方法

搭建SF6GIS电力设备试验平台,分别设置尖端电晕、悬浮电位及绝缘子沿面等三种绝缘缺陷,研究GIS中典型绝缘缺陷下的SF6气体分解特性,同时针对现场案例进行应用分析。试验结果显示,SF_6气体的分解特性与绝缘缺陷的类型密切相关,尖端电晕及悬浮电位缺陷下检测到的主要分解产物包含SO_2F_2,S_2OF_(10)和SO_2,其中,S_2OF_(10)在悬浮电位缺陷下的含量明显高于尖端电晕缺陷,可以利用产物含量比值φ(S_2OF_(10))/φ(SO_2F_2)对这2种缺陷进行识别。绝缘子沿面缺陷条件下能检测到CF_4,CS_2等含碳产物以及较高含量的SO_2。现场应用案例显示,SF_6气体产物检测法是一种诊断GIS内部绝缘缺陷的有效方法。     

利用SF_6气体分解产物检测和诊断GIS绝缘故障

论述了SF6气体分解产物检测技术的发展历史、局部放电下SF6气体的分解机理、SF6气体分解产物的常见检测方法,以及SF6分解产物与绝缘类型之间的关系等,结合最新研究进展,提出利用SF6气体分解组分的含量比值来识别缺陷类型,进而对设备内部绝缘进行故障诊断和状态评估,并指出了下一步需要研究解决的关键问题.     

气体杂质对SF6气体分解产物影响研究

摘要：对SF6气体内的氮气、水分、氧气和四氟化碳4种气体杂质在放电情况下对SFe气体分解产物的影响进行了详细的试验研究。结果表明,在低能量放电情况下,氮气和四氟化碳含量变化对SF6气体分解产物影响较小,水分和氧气杂质能促进SF6气体分解产物的生成。研究结果为通过SF6分解产物判断设备故障提供参考。     

大型地下变电站GIS现场绝缘试验方法

针对大型地下变电站空间相对狭窄的特点,提出交流耐压试验配合灵敏局放测量的地下变电站GIS现场绝缘试验方案,其中GIS耐压试验采用SF6气体绝缘的试验电抗器实现.试验表明,该方案可行性强、有效性高,适合在大型地下变电站中现场推广应用.     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和ggamma值进行寻优,建立起2010年1月～2011年12月林下参的价格预测模型。利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM（Support Vector Machine）对预测集1的预测相关系数为97.316%。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

一种基于QPSO和WLS-SVM的智能方法

提出一种基于量子粒子群优化算法(QPSO)和加权最小二乘支持向量机(WLS-SVM)的智能方法,以克服常用方法存在需要较大样本数据量、建模速度较慢差等缺点.方法的具体改进是,将SVM中单一核函数构造成混合核函数,增加自适应权重,采用QPSO算法求解WLS-SVM训练模型中的线性方程组,这样能提高模型的性能.经过典型的二型糖尿病诊断实验,结果表明其建模速度快、诊断准确率高,其效果优于改进BP算法神经网络、LM算法神经网络和单核函数的SVM等方法.     

支持向量机的红外目标自动检测与识别

针对红外图像提出一种基于支持向量机的目标检测和识别算法，首先运用数学形态学方法对背景进行滤波，突出候选目标；选取适当的阈值和边缘检测算子对候选目标进行图像二值分割和边缘提取；最后以候选目标的边界不变矩作为特征，用支持向量机方法进行目标的识别，确定目标的位置．实验表明，该方法能够有效地实现对红外目标的检测和识别，并具有较高的抗噪声和抗复杂背景的能力。     

粒子群优化算法在训练前向神经网络中的应用

笔者对用PSO训练前向神经网络做了研究,提出了用PSO算法训练前向神经网络的新方法,并通过算例和BP算法做了比较,实验结果说明了本文算法的有效性.     

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注.通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题.采用量子粒子群算法进行优化而得到结构模态参数.为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数.