电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。     

憎水性涂料在输电线路防冰中的应用前景

论述憎水性化学涂料防冰的原理,评论憎水性化学涂料防冰的有关的研究、应用现状和前景,提出虽然目前现有的防冰涂料具有憎水性,但其接触角一般小于130°,疏水特性仍满足不了输电线路防冰的要求,因此在输电线路防冰中的效果不明显。为使化学涂料具有较好的防冰效果,应使其接触角大于170°。在自然界中,荷叶具有这一特性,仿荷叶涂料在输电线路防冰中具有较好的前景。     

变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究

基于当前对电力变压器故障识别中的模型空间划分缺乏研究的情况,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的183组电力变压器绝缘故障样本进行了多层树形聚类的基础上,通过多次分析绝缘故障,得到了一种准确程度较高的故障诊断方法。     

核主成分分析与随机森林相结合的变压器故障诊断方法

油中溶解气体分析(dissolved gas analysis,DGA)是变压器故障诊断的重要方法。变压器故障诊断研究大多采用人工智能方法学习建立单个分类器,与单个分类器相比,分类器群能够更全面地学习样本集特性,达到更好的诊断效果。分类器间的差异性是影响群体性能的主要因素,针对DGA特征量较少训练得到的分类器差异不大的问题,提出将核主成分分析(kernel principle component analysis,KPCA)与随机森林方法相结合,KPCA将样本从低维的状态空间非线性地映射到高维的核空间,在核空间用随机森林方法训练得到分类器群。对DGA故障样本以及加噪样本的诊断实验结果表明,KPCA能够有效地提取故障特征,用核特征量建模的诊断效果优于直接采用DGA特征量,分类器群的诊断效果以及抗干扰能力均高于单个分类器。     

基于自适应小波网络的汽轮发电机组振动故障诊断方法的研究

基于自适应小波网络理论,构造了一个应用于汽轮发电机组振动故障诊断与识别的自适应小波网络分类器。仿真结果表明,该方法具有良好的诊断性能,且收敛速度快,是一种有效的诊断方法。同时对该网络的分类性能进行了分析,得出了一些具有实际价值的结论。     

基于多目标优化最佳小波包算法的PD信号压缩和重构

根据多目标函数优化的理论 ,提出了基于多目标优化最佳小波包算法的局部放电 (PD)信号压缩和重构方法 ,该方法能在误差范围内通过优化自动地调节各个节点的压缩阈值 ,并对压缩效果评价指标进行多目标优化 ,从而获得最佳的压缩效果。通过对模拟 PD信号的压缩试验表明 ,所提出的压缩方法能在获得较大压缩比的同时不失真地重构原信号 ,是一种有效的 PD信号压缩和重构方法。     

基于多重分形维数的GIS局部放电模式识别

根据气体绝缘组合电器（GIS）设备内部绝缘缺陷产生局部放电的特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电图谱；以差盒维数和多重分形理论为基础，给出了基于差盒维数的多重分形计算方法；提出了一种基于多重分形特征的GIS局部放电图谱特征提取方法，对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征，最后将提取的特征量通过RBF神经网络进行分类，识别结果显示本文方法有效地提高了GIS局部放电4种缺陷的识别率。     

局部放电图像组合特征提取方法

研究了局部放电图像组合识别特征提取和反向传播算法神经网络分类器设计方法 ,根据变压器局部放电在线监测的要求 ,设计了 5种放电模型并进行了模拟实验。 5种放电模型数据识别结果说明 :与分别采用分形特征和统计特征的识别结果相比 ,采用两者组合的识别特征集具有更高的识别率     

SF6局部放电分解组分光声检测信号交叉响应处理技术

SF6局部放电(PD)时,某些特征分解组分气体的红外吸收频带存在重叠部分,利用光声检测法检测其成分时会有严重的交叉响应,影响检测准确度。为此,将主成分分析(PCA)与径向基函数(RBF)神经网络相结合,构建了一种能降低交叉响应的PCA-RBF神经网络,应用于光声检测法输出信号阵列的处理,以解决传统RBF神经网络在输入空间严重自相关时检测准确度的下降,实现对SO2、CO2、CF4混合气体中各组分气体体积分数的准确检测。结果表明:PCA-RBF神经网络有效地消除了样本之间的相关性,提高了神经网络对混合气体中各组分气体体积分数的检测准确度(平均相对误差<3%),为将光声检测法应用于SF6局部放电分解组分气体的检测提供了有效的数据处理手段。     

绝缘子污秽度预测特征量提取与神经网络模型

为了给输电线路防污闪提供科学指导,优化绝缘子污秽度预测特征量从而提高污秽度预测时间裕度和可靠性是关键。在人工雾室模拟35 kV线路3片串普通型和防污型染污绝缘子,测取了相同运行状态下相同采样时段内的泄漏电流,提取泄漏电流有效值均值、有效值最大值和有效值标准差作为污秽度预测的特征量,建立了3个特征量与污秽度的回归拟合关系,对比分析2种绝缘子泄漏电流3个特征量与污秽度的关系,推导验证了防污型绝缘子泄漏电流3个特征量小于普通型的原因。提出在污秽沿面放电安全区段内,主要利用泄漏电流有效值的3个特征量作为污秽预测神经网络模型的输入量。仿真和试验结果对比表明,所建立的预测模型误差在4%以下。所给出的研究结果不仅为输电线路防污预警系统特征量的优化选择提供了理论依据,对线路清扫选线决策也有指导作用。