基于极限学习机的电气设备运行数据异常检测研究

由于现有的数据异常检测方法检测结果与实际负荷变化情况之间存在显著差异,为此,文章研究基于极限学习机的电气设备运行数据异常检测。文章利用经验模态分解(Empirical Mode Decomposition, EMD)对电气设备状态噪声信号进行处理,将重构信号与核函数的乘积进行双重求和,通过信号在模糊空间内的重新映射,完成特征提取。运用极限学习机优化神经网络训练过程,以输出与目标向量维度相匹配的预测结果。结合Parzen窗概率密度估计方法对设备运行状态展开判断。通过实时采集设备数据,输入已训练的概率神经网络(Probabilistic Neural Networks, PNN)模型中,输出设备当前运行状态的概率分布,根据分布判断设备是否处于异常状态。实验结果表明,实验组在400 min时准确地捕捉到电气设备负荷的异常变化,与实际情况高度吻合,有效验证所提出的异常检测方法的准确性。

变电站工程电气一次设计技术分析

目前,电力资源与人们的生活息息相关,人们更加追求稳定、安全的供电环境,对于电网的要求更为严格。变电站作为电力系统的关键部分,与电网是否稳定、安全供电具有紧密联系。因此,国家在针对电网进行改造时,应率先对变电站进行优化设计,尤其重视工程电气一次设计部分,以确保电网供电更加稳定、安全,由此可见,变电站工程电气一次设计技术研究至关重要。基于此,将主要分析变电站工程电气一次设计的原则及技术要点。