RTV和增爬裙对支柱绝缘子电场和电位分布影响的研究

RTV涂层和增爬裙在电力系统外绝缘中多有应用,研究其对电场、电位的影响对施工以及运行都具有指导意义。以110 kV瓷支柱绝缘子为例,在ANSYS中建立了其真实模型,基于静电场有限元分析了RTV涂层厚度,增爬裙的数目、位置、形状对最大电场、沿绝缘子表面场强/电位的影响。结果表明:RTV涂层和增爬裙不改变电场和电位的整体分布,有RTV涂层后场强略有下降,随RTV涂层厚度的增加最大场强和沿面场强略有下降;随着增爬裙片数、位置、厚度和外径的变化沿面场强/电位有所变化,且随其外径和高场强区片数的增加沿面场强减少更明显。所得结果对RTV涂层和增爬裙的应用具有一定指导意义。     

阻波器检查的几种简单方法

高频通道作为高频保护信号的传输通道,它能否正常地工作对于电网的安全可靠运行起着非常重要的作用。线路阻波器串联在电力线路中,是高频通道的重要部件。由于种种原因,运行中的线路阻波器缺乏测试维护,成为影响高频通道质量的重要因素,该文通过对线路阻波器的分析,结合现场实际给出了阻波器故障检查的几种简单方法。     

汽轮发电机转子绕组匝间短路故障诊断新判据

该文分析了发生转子绕组匝间短路时，汽轮发电机的电磁特性及导致的相关电气参量的变化，提出了在转子发生匝间短路故障时，励磁电流增加而无功输出量却相对减少的特征。根据确定的故障特征，找到一种利用故障前后励磁电流相对变化率作为识别故障的方法，从而建立了在线识别转子匝间短路故障的判据。该判据可以反映故障的严重程度，最后利用动态模拟试验机组进行了相关的实验，得到了与理论分析相吻合的结论。     

灰关联分析在电容型设备绝缘故障诊断中的应用初探

在线监测电容型设备绝缘所获得的tanδ值是波动的,这与环境温湿度、电压等外界因素的影响有关。笔者分析了这些因素对tanδ的影响后,引入了灰关联分析来量化tanδ序列变化与各因素序列变化的接近性,并通过对灰关联度排序实现故障诊断,实例分析验证了方法的有效性。最后,对灰关联分析在电容型设备故障诊断中的应用提出了一些建议。     

结合频谱校正的修正理想采样频率方法用于介损角测量

提出了结合频谱校正方法和修正理想采样频率的介损角测量方法,该方法使用加Hanning窗插值的谐波分析法获得信号基波频率的准确值,然后根据获得的频率采用线性插值的方法构造符合同步采样的序列并进行DFT,进而获得信号的介损角。仿真信号的计算结果表明,该算法精确度高、实现容易,是介损角测量的一种很有推广价值的方法。     

两种高精度介损角算法的比较和分析

加汉宁窗谐波分析法和高阶正弦拟合法是介损角测量的两种有效算法,对两种算法的分析和比较有利于它们在实际中的应用.本文首先介绍了两种算法的原理,分析了它们的优缺点,通过仿真给出了信号频率变化情况下两种算法计算所得介损角误差受采样时间影响及其计算速度,通过对所得结果的比较和分析得出了以下结论:信号频率在正常范围内波动时两种算法能达到很高的精确度,但前者对采样时间长度要求较高、计算量较小;后者对采样时间长度要求不高,计算量较大.     

复介电常数在绝缘子污秽检测中的应用

根据微波辐射特性,提出了一种新的污秽检测方法,该方法利用污秽物的复介电常数特性作为主要参数之一来测量污秽等级。分析了污秽复介电常数与辐射亮温的关系,并利用微波波导测量法测量了实验室制备的各种不同含水含盐的污秽物的复介电常数,研究了介电常数的实部和虚部与含水量、盐度的关系,给出了污秽辐射亮温与盐度的关系。实验研究结果表明污秽物复介电常数的实部与含水量、虚部与盐度存在确定关系,这为利用微波辐射计检测污秽物的性质提供了可能和实验依据。     

大型异步电动机状态监测与故障诊断方法评述

异步电动机典型故障包括轴承故障,定子绕组匝间短路、过热、绝缘故障,以及转子气隙偏心、断条故障。针对上述各种故障,对相关监测与诊断方法的基本原理、优缺点作了介绍与分析,指出了今后的发展趋势及工作重点。对该领域进一步的研究工作具有指导意义。     

大型异步电动机状态监测与故障诊断系统的研制

介绍了大型异步电动机状态监测与故障诊断系统的主要功能及关键技术。该系统仅需采集异步电动机定子三相电压、三相电流瞬时信号，无需任何热或机械传感器，应用方便，运行效果理想。     

发电机定转子绕组温度在线测新方法

发电机定子绕组温度在线监测具有重要意义。文中提出了一种基于参数辨识的发电机定转子绕组温度在线监测方法，即首先辨识发电机定转子绕组电阻，随后根据金属电阻与其温度之间具有严格线性关系这一规律，计算发电机定转子绕组温度，进而实现在线监测。数据字仿真及实验结果证明文中所提出的发电机定转子绕组温度在线监测方法是正确可行的。该方法简捷实用，可集成于发电厂现有的发电机状态监测与故障诊断系统，无需任何额外的硬件投资，软件开销很小。