基于点云数据的变电站三维建模方法研究

为提高变电站后期监测与运维管理能力,运用三维激光扫描技术,构建基于点云数据的变电站三维模型。首先,运用三维扫描设备采集变电站点云数据,通过概率统计方法、自适应密度体素滤波算法(adaptive density voxel filtering algorithm,ADVFA)及基于密度的空间聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对变电站点云数据集进行顶部与地面切除、压缩和去噪预处理,减少数据运行的难度与时间。其次,构建变电站电气设备点云数据快速提取方法和匹配模型,由特征编码、特征解码和特征学习3个模块组成邻域特征聚合方法对预处理后的电气设备点云数据进行分割提取,基于图像识别的快速匹配方法,完成分类设备点云与模型库设备种类的相对匹配,提高电气模型精细匹配效率。最后,通过算例分析验证所提出的基于点云数据的变电站三维建模方法的有效性和合理性。

基于电流-振动信号和GA-SVM的隔离开关故障诊断

为实现高压隔离开关的机械故障辨识,提出一种基于驱动电机电流信号和振动信号联合特征提取的运行状态识别方法。首先对电流信号做时域分析,通过希尔伯特变换提取电流波形包络,提取波形最大值、均值作为电流特征;然后分析振动信号从电机上电到合闸完成的时域波形,提取主要振动事件的极值时刻作为振动信号的时域特征,与电流特征组成联合特征向量;最后通过支持向量机(support vector machine,SVM)算法实现隔离开关机械状态辨识,并采用遗传算法(genetic algorithm,GA)优化SVM参数。以某GW4型双柱式高压隔离开关为研究对象,模拟隔离开关正常运行、机构卡涩、螺丝松动3种运行状态,搭建软硬件系统采集电流信号与振动信号。实验结果表明,文中所提基于电流-振动信号联合特征与GA-SVM的辨识算法准确率达到了96.7%,有效提高了隔离开关机械故障的识别准确率。

基于修正时频聚类分界的GIS设备特高频偶发局放识别算法

特高压气体绝缘金属封闭开关(gas insulated switchgear,GIS)特高频局放信号呈现小脉冲、少脉冲偶发特征,常被干扰信号淹没。常规单通道局放识别方法难以有效提取特高压GIS特高频偶发局放信号,为此迫切需要研究基于多通道的特高频偶发局放信号识别算法。首先现场实测了1000 kV GIS多通道特高频局放信号,基于其频谱特性,提出了采用双指数脉冲信号注入和真实干扰源的特高压GIS特高频偶发局放信号模拟实验方法,通过改变注入信号幅值模拟不同信噪比的特高频局放信号脉冲,获得了9000组多通道特高频局放信号和干扰信号数据样本;其次研究了多通道特高频信号时频特征聚类方法,在常规K-Means方法的基础上,提出了一种基于修正时频聚类分界的特高压GIS特高频偶发局放识别方法,提出了修正系数L的最优取值;最后将该方法应用于某1000 kV GIS特高频局放现场带电检测,验证了该方法的有效性。

10kV配电线路保护定值的整定探讨

由于10 kV配电网结构差异性大,配电线路保护整定值在依据规范的保护整定计算方法基础上,还需要根据具体情况,作一些特殊的考虑,以满足保护可靠性、速动性、选择性、灵敏性的要求。介绍了通过多年实践摸索出的、针对不同电网10 kV配电线路的、综合考虑多种因素实用并可靠的保护整定方法。

基于加速鲁棒特征的含噪局部放电模式识别

由于变电站现场环境复杂多样,实测的局部放电(PD)数据存在大量的干扰信号。为提高含噪PD类型识别准确度,提出一种基于加速鲁棒特征(SURF)和改进支持向量机(BFOSVM)的PD模式识别方法。首先,将单源PD数据与噪声及干扰数据叠加形成染噪PD数据,并构造脉冲序列分布(PRPS)模式;然后,利用SURF算法自动提取PRPS灰度图像的特征点及特征描述符,结合词袋模型思想和K-means聚类方法生成不同PD类型的视觉单词频率特征;最后,将提取的特征量输入BFO-SVM分类器,并将该算法与基于灰度梯度共生矩阵(GLCM)的特征提取方法和传统SVM优化算法的识别效果进行对比。结果表明:该算法在高幅值白噪声背景及典型干扰环境中具有较高的识别准确率及较强的抗干扰能力。研究结果可为现场PD检测和识别提供参考。

基于PowerPC+DSP架构微机保护硬件平台设计

为了解决常规微机保护装置的硬件平台不能满足电子互感器及新继电保护原理在智能变电站中应用的问题,设计开发了一套基于PowerPC+DSP硬件平台系统。该系统充分发挥PowerPC支持网络通信接口多、通信处理能力强和DSP运算能力强的特点,通过适当的功能分区设计,解决了微机保护装置硬件平台系统的通信处理能力及运算瓶颈问题。采用该硬件平台系统的线路距离保护装置的测试结果表明,该硬件平台系统的性能完全可以满足智能变电站对微机保护装置的需求。

面向电网设备故障报告的半监督命名实体识别方法

针对电网领域命名实体识别(NER)对人工标注的依赖问题,提出了一种面向电网设备故障报告的半监督命名实体识别方法 Semi-supervised PGTBC。首先使用基于多头自注意力机制的深度自注意力网络进行特征抽取,然后结合双向长短记忆神经网络(BiLSTM)和条件随机场模型(CRF)建立电网领域命名实体识别模型,最后基于半监督思想,引入基于深度自注意力网络的实体类别综合描述相似度计算,结合PGTBC的置信度作为半监督阈值筛选依据,减少对电网设备故障报告实体标注的依赖。数据集使用来源于1 256篇的电网故障报告的10 301条标注样本数和30 829条无标注样本数。在有标注电网领域数据上的实验结果表明,基于PGTBC模型的预测F1为96.43%,相对于传统的BiLSTM-CRF模型提高了7.09个百分点。在无标注样本上,半监督方法 Semi-supervised PGTBC取得了93.16%的F1,相对半监督CRF模型的F1提高了23.4个百分点,并对无标注样本进行了自动标注,识别出1 661条新实体,有效减少电网设备故障报告命名实体任务对人工标注的依赖。

基于宽频介电响应的油纸绝缘套管受潮特征提取和状态诊断

以油纸绝缘宽频介电响应为研究对象,针对实验室不同水分含量的油纸绝缘样品,开展了宽频介电响应测试。通过介电谱中的弛豫极化部分,提取了表征受潮程度的频谱参数,分析其与油纸绝缘中水分含量的关系,进一步设计了油浸式套管缩比模型的受潮试验,讨论了频谱参数在套管受潮诊断中的应用。结果表明:弛豫极化频谱中的低频极化过程对水分含量较为敏感,其损耗峰峰值可作为表征水分含量的特征参数;在套管不同受潮类型情况下,低频和高频弛豫极化的损耗峰值及特征频率等参数的变化规律不同,可作为套管受潮类型的初步判据。

改进BERT的故障案例智能匹配方法

随着工业界的快速发展,电网输变电设备日常检修维护工作中积累了大量设备故障案例检修记录,文本匹配技术从大量的故障案例数据中挖掘出与目标故障案例相似度高的案例,对现场运检人员遇到新故障时快速判断和检修决策具有重要参考价值。当前,大多数文本匹配的方法都是通过构建卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)模型来计算文本之间的相似度,忽略了海量无标签文本数据中潜在的深层语义信息。因此,构建一种新型的文本匹配模型将相似案例匹配问题转化为句子对的二分类问题,利用改进的预训练语言模型(Bidirectional Encoder Representations from Transformers,BERT)提取句子对的深层语义特征,进而接入分类模型捕获句子对的语义相似度。试验表明所提出的方法在故障相似案例数据上相比于CNN、LSTM有更高的匹配准确率。