基于组合赋权法和模糊综合评价的电力设备状态数据质量评估

随着电力网络的扩大以及工业信息化的迅速发展,在电力领域中采集和待处理的数据量呈现爆发式增长,数据的丢失、冗余、异常、冲突等问题也日益突出,影响数据的质量。数据质量评估作为保证数据质量的关键一环,发挥着重要作用。针对电力设备的状态数据提出一种数据质量评估方法,选择完整性、准确性、唯一性、一致性、及时性5个评估指标构建数据质量评估体系,设置了定量计算的评估规则;组合运用模糊层次分析法和熵权法来确定各评估维度的权重,以提高数据质量评估的科学性;再运用模糊综合评价法,依据隶属函数来确定数据质量的所属等级。最后运用上述方法,对某地的油色谱数据质量进行评估,该方法计算得到数据质量的评分为77.15,处于“中等”等级。评估结果与实际应用场景相符,表明该文提出的方法适用于电力设备状态数据质量评估。

基于同步挤压变换和深度迁移学习的GIS隔离开关故障诊断

为实现气体绝缘组合电器(GIS)隔离开关机械故障的智能诊断,基于GIS隔离开关分合闸过程中的振动信号,提出了基于深度迁移学习的GIS隔离开关机械故障诊断方法。首先应用二阶同步挤压傅里叶变换(FSST2)获取GIS隔离开关振动信号的时频分布,然后基于深度迁移学习的思想构建预训练模型并进行优化,建立了GIS隔离开关机械故障智能诊断模型。对某GR角型GIS隔离开关正常和典型机械故障状态下的振动信号的分析结果表明,基于FSST2得到的GIS隔离开关振动信号时频表示具有较好的能量聚集性,所建立的GIS隔离开关机械故障智能诊断模型识别准确率高且模型复杂度低,可用于GIS隔离开关机械故障的高效诊断。

基于随机矩阵的变电站多源异常声音信号的定向方法

变电站的安全稳定运行至关重要,通过分析变电站中电力设备的可听声特征变化可以判断设备是否处于不正常运行状态,对异常声源进行主动定位可以快速确定故障区段,进而提高异常声音的检测效率。在实际应用中,由于准确性和实时性的要求常采用大阵列小快拍系统,造成当多个目标声源角度相近时,传统的声音定位方法不能对其有效分辨。根据随机矩阵理论提出基于均匀平面矩阵的声源定位方法,利用Stieltjes变换校正样本协方差矩阵的特征值和特征向量,然后通过空间谱的谱峰搜索对异常声源定位,可以有效提高分辨相邻声源的成功率。研究结果表明,所提方法可以使用更少的快拍数分辨相邻声源,且分辨成功率得到有效提升。

气隙长度对大气压下环氧树脂阻挡放电的影响研究

为了研究气隙长度对大气压下介质阻挡放电的影响机制,从而进一步明晰介质阻挡放电的放电机理及特性,基于气体放电流体模型,针对长度3 mm以下的环氧树脂阻挡同轴电极气隙,在外施电场恒定的条件下对其放电微观过程进行仿真,从带电粒子微观运动角度研究气隙长度对气隙放电特性的影响。仿真结果表明:在长度小于3 mm的气隙中,环氧树脂的阻挡导致电子崩无法发展成为流注,其放电形式为汤森放电;气隙长度对放电过程的影响主要通过改变带电粒子的分布和电场强度来实现;气隙长度对放电发展速度几乎没有影响;当电子崩靠近较短气隙的阳极时,其崩头密度低于较长气隙;随着气隙长度的增加,放电电流峰值增大,上升速度和降落速度增加,脉冲宽度减小。通过对比理论计算与实验结果,证明了仿真方法的合理性。

封闭条件下温度对气隙放电影响的模拟研究

气隙缺陷往往导致局部放电(PD)现象,局放的发展过程与放电条件密切相关,通过放电的宏观表征来分析判断放电条件,是实现绝缘条件评估的重要途径。以温度对气隙缺陷下局放过程的影响为例,通过建立温度条件对放电过程的参数控制模型,研究了不同温度对其微观发展过程的影响,得到了不同温度条件下的宏观表征。仿真研究表明,在封闭条件下,温度的升高会影响放电过程中的电子密度分布以及电场分布。在303、323和343 K的条件下模拟放电过程,其电流峰值依次为0.479、0.356和0.261 A,随温度升高逐渐下降;此外其电流脉冲持续时间依次为19.261、15.516和13.438 ns,随温度升高逐渐变短。最后,实地测量了不同温度下的放电电流,获得了与仿真模型一致的结果。

GIS内置特高频传感器性能参数仿真研究

为了提高气体绝缘组合电器局部放电的检测效果,对内置圆盘型特高频传感器进行了性能参数的仿真研究。通过建立回波损耗参数S11和有效高度的测试仿真模型,分析了传感器圆盘直径、介电常数和短路针距离对性能的影响。结果表明:对于内置式特高频传感器,圆盘半径为75 mm,介电常数维持在3~4之间,短路针距离圆心距离为60 mm左右时,回波损耗和灵敏度达到最优。研究发现,随着圆盘直径增大,传感器的谐振频率和有效高度逐渐降低。同时,介电常数和短路针距离的增加导致谐振频率降低,有效高度增加。

面向新型电力系统的数字化电力设备关键技术及其发展趋势

新型电力系统对设备状态以及运行环境等信息感知的深度和广度有更高的要求,亟需利用先进的数字化和信息化技术对传统电力设备进行升级,构建新一代的数字化电力设备。因此提出了数字化电力设备的定义、内涵特征和基本架构,详细阐述了电力设备状态智能感知、电力设备物联网平台、数字孪生建模仿真和状态精准评估诊断、复杂多维信息合成与可视化等电力设备数字化关键技术的研究现状和存在的问题,并展望了未来的重点研究方向及技术发展趋势,包括电力设备全景状态感知、多场景数字孪生仿真、数字化测试和试验、智能感知芯片等。

基于自适应扩展卡尔曼滤波的变压器顶层油温多时间尺度预测

为实现电力变压器的负荷优化调度和热故障及时预警,提高电力设备的运行可靠性,该文提出一种基于自适应扩展卡尔曼滤波算法的顶层油温短期-超短期多时间尺度预测方法。该方法将卡尔曼滤波算法和Susa热路等值模型相结合,选取顶层油温、油指数和油时间常数作为状态变量,环境温度和负载电流作为输入量,通过对顶层油温估计值和观测值的比对实现油指数和油时间常数的迭代优化,以提高顶层油温多时间尺度下的预测精度。此外,该模型利用自适应噪声估计器修正噪声统计参量,以自动优化简便噪声初值设定,从而进一步提高模型的预测准确度。以2台110kV油浸式变压器为例进行分析,结果表明该方法对顶层油温的日内超短期预测、日前短期预测,相较于热路等值模型计算和扩展卡尔曼滤波算法有着更高的预测准确度。

基于图像能量和NSST的电力设备发热定位方法

为了解决现有红外检测技术中电力设备发热点定位不够准确的问题,基于图像能量和非下采样剪切波变换,提出了一种实时监测方法。结合红外图像灰度与温度的关系,使用了图像能量算法和种子生长算法对红外图像进行分割;同时在分析终端使用非下采样剪切波变换融合可见光与红外图像,提高了发热区域的定位精准度;对发热特征进行分析,减小了误判、漏判情况出现的概率。研究结果表明,所提方法为电力设备故障发热区域定位提供了有效信息,可用于在线监测与故障定位。

电力设备ChatGPT类模式与关键技术

ChatGPT(chat generative pre-trained transformer)是近些年人工智能领域发展的新技术方向,其涵盖了设备数字孪生、设备管理、平台运行等数字化功能,更具备通用性、生成式人机对话的特点。文章首先介绍了ChatGPT的发展现状,以及电力设备ChatGPT类模式和核心技术架构,说明大模型具有优异的泛化能力、逻辑推理能力、多模态数据分析生成能力等突出特点。然后,从高算力人工智能芯片、语料样本体系构建、基于Transformer的生成式预训练模型、嵌入大语言模型的多模态算法、基于人类反馈的强化学习技术这五个方面分析了电力设备ChatGPT类模式所涉及的关键技术。最后,提出了电力设备ChatGPT在电力行业开展的可行性和技术方案,总结出未来电力设备ChatGPT所面临的挑战和发展方向。

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明:优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。

基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题,提出一种基于样本集成学习和蛇优化算法(SO)优化支持向量机(SVM)的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集;然后以Bagging策略训练SO优化关键参数后的SVM模型,综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证,数据表明,SO-SVM的故障诊断相比于RF、SVM、KNN等模型,诊断准确率分别提高了3.44%、6.89%、10.92%,AUC值分别提高了0.0264、0.0425、0.0812;在同一分类器下,SO-SVM模型相比于SMOTE和ADASYN样本平衡方法,诊断准确率分别提高了4.59%、2.87%,说明SO-SVM模型对不平衡样本的故障诊断能力更优。

状态参量关联规则挖掘及深度学习融合的变压器故障诊断算法

变压器的正常运转是电力系统可靠供电的基础,它的早期故障检测一直是研究的热点方向。随着大数据和人工智能的兴起,变压器的多种日常运行监测数据得以更有效的利用。早期故障检测方法容易误判,对故障部位及故障程度的识别也比较模糊。因此,为了获得更高的故障预测及诊断精度,文中提出了一种关联规则输入的变压器深度学习故障辨识方法。首先应用Apriori算法挖掘特征量集中的高频项,计算其与故障类型的置信度,找到强置信度规则。然后将置信度与油中溶解气体浓度一起作为输入应用到深度神经网络DNN(deep neural networks)模型中,通过正向传播、反向梯度更新进行训练,以确定变压器的故障类型。最终实例证明基于关联规则的故障检测模型具有更高的精度和更快的响应速度,相较于未输入关联规则的模型准确度至少提升了5%。

基于多物理场仿真和神经网络算法相结合的油浸式变压器热点温度动态反演方法

绕组热点温度是影响油浸式电力变压器绝缘老化程度的重要因素之一。已有的变压器热点温度计算方法主要包括经验热模型、热路等值模型、人工智能算法等,这些方法在计算准确性和实际应用方面各有不足。基于此,提出了基于多物理场仿真和神经网络算法相结合的油浸式变压器热点温度反演方法。借助多物理场仿真技术实现变压器的高精度模拟,以获取多种环境温度和负载升降变化运行断面下的可信样本,并提取环境温度、顶层油温、负载系数等特征参量作为输入,采用反向传播神经网络建立变压器热点温度的反演模型。以100 kVA/10 kV变压器为例进行分析,结果表明该文提出的热点温度计算方法可以实现负载系数和环境温度变化过程中热点温度的动态反演,其动态反演曲线和实际测量曲线均方根误差为0.94℃,较现有的导则经验公式和热路模型有更高的计算精度。

油浸式电力变压器匝间故障早期的电热特性研究

油浸式电力变压器匝间绝缘的老化和劣化会造成匝间绝缘电阻减小,从而引起故障线圈上电流和产生热量增加。因此,研究变压器匝间故障早期的电热特性具有重要意义。该文分析匝间故障电阻对变压器等效电路和绕组损耗的影响,提出基于电磁、热–流体场耦合的变压器匝间故障模型。基于数字孪生(digital twin,DT)的理念,建立变压器的高保真仿真模型,通过传递变压器实体的结构、尺寸、材料参数等,实现对绕组电流和不同部件温度的准确模拟。采用此高保真仿真模型,研究高压绕组发生1%匝间故障的电热特性,结果表明低压绕组电流幅值仅增加2%,而顶层油温升高了9.4℃(25.7%),油箱外壳整体温度升高了10℃。在匝间故障早期阶段,顶层油温和油箱外壳温度的变化较绕组电流更为显著,因此,顶层油温、油箱外壳温度和绕组电流等电热特性参量可用于辨识早期故障。

基于多光谱阵列的C_(4)F_(7)N/CO_(2)混合气体局部放电光学特征分析与诊断

局部放电(PD)的光学检测是反映设备绝缘状态的重要方法.C_(4)F_(7)N/CO_(2)混合气体是目前最具有潜力的SF_(6)替代气体,但是缺乏针对该混合气体光学PD特性和诊断方法的研究.构建了一个可采集7个特征波段的PD多光谱阵列检测平台,制作了4种PD缺陷,分析了5种不同比例的C_(4)F_(7)N/CO_(2)混合气体和纯SF_(6)气体条件下多光谱PD特征在相位分布、能量分布和特征堆叠图的异同,提出了一种基于多光谱特征(MF)和最近邻算法(KNN)的PD诊断新方法.实验结果表明,纯SF_(6)故障识别准确率可达96.2%;C_(4)F_(7)N/CO_(2)混合气体的识别率在88%以上,最高准确率为91.1%.该方法对环保型气体绝缘设备的PD诊断具有指导意义,也为传统的PD检测和诊断提供了新思路.

基于图卷积神经网络的输电线路自然灾害事故预测

台风、山火及线路覆冰等自然灾害为输电线路的可靠运行带来了挑战。为了更精准地预测自然灾害下输电线路的事故概率,近年来的预测方法整体上表现出考虑因素越来越全面的趋势,但仍存在改进的空间。对于离散型随机变量,传统的独热向量编码方式忽略了文字本身的信息和变量之间的逻辑关系。为了改进考虑多种影响因素的数据驱动预测方法,采用嵌入向量作为变量的编码方式以考虑变量内部的文字信息,基于知识图谱设计图卷积神经网络以考虑了变量之间的逻辑关系,最终实现事故预测。算例分析表明,提出的方法对自然灾害下输电线路事故的整体预测准确率为88%,与采用独热向量的编码方式相比准确率更高。一方面,采用嵌入向量替代独热向量对结构化数据和非结构化信息进行编码可以提高预测准确率;另一方面,有效挖掘变量之间的逻辑关系是进一步提高预测准确率的关键。

基于随机矩阵理论的状态监测数据关联分析方法

随着大数据技术在电力系统中应用研究的广泛开展,特别是针对设备多参量监测数据的关联分析,亟需新的数学工具对所获取的数据进行高效的数据表征及信息提取。文中采用高维随机矩阵对状态监测数据进行数学表征,并运用随机矩阵理论的特征根谱分析、MP定律、圆环率等理论,对设备状态监测数据进行数据挖掘。在理论方法基础上,文中以输电线路状态监测数据为研究对象,将输电线路电压及其谐波通过高维随机矩阵统一建模,并对其关联信息进行分析和提取。研究结果表明高维随机矩阵表征下的数据分析技术具备对设备状态信息的高度敏感性,适用于对多源数据关联关系的分析,且在设备状态分析应用中具有传统方法所缺乏的直观性与高效性。

变压器不平衡样本故障诊断的过采样和代价敏感算法

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。

氮化硼纳米片取向对环氧复合材料导热及绝缘性能的影响

在BN/环氧树脂混合料的固化过程中施加不同直流电场制备了纳米BN取向程度不同的环氧复合材料,研究不同电场强度对BN纳米片取向程度的影响,同时探讨BN纳米片取向程度对环氧复合材料热导率和电性能的影响。结果表明:随着直流电场强度的增大,BN纳米片的取向与电场方向更相近,环氧复合材料的热导率得到提升,介电常数和电导率增大。通过调控BN纳米片的分布取向,实现了环氧复合材料导热性能和绝缘性能的协同提升。