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。

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。

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。

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%。

GIS局部放电光学传感器仿真设计与试验研究

在气体绝缘开关设备(GIS)的光学局部放电检测中,光学传感器是检测系统的核心部件。该文针对导光柱光学局部放电传感器的设计开展了仿真和实验研究。首先,基于TracePro仿真软件,对导光柱的前置微结构和长度进行设计,提出了一种用于GIS局部放电检测的导光柱光学传感器。随后,搭建GIS光学局部放电实验平台,研究了不同前置微结构和长度的导光柱的实际检测效果。仿真与实验结果均表明:前置微结构为凹锥,长度与罐体内壁平齐的导光柱传感效果较好。仿真与实验结果一致,证明了设计的可行性和仿真模型的正确性。最后,在该仿真模型中设置了多个探测面和探测点,观察并分析了各探测面的总光辐射度分布图和各探测点的光辐射度值。不同探测点接收的光辐射度值与部件遮挡以及直射光强弱有关。以放电源y-115为例,P1探测面上的光斑集中在150°~210°附近,P2探测面上的最优探测点主要位于在30°和330°附近。研究成果将为GIS光学局部放电传感器的研制提供参考依据。

面向新型电力系统的电力设备运行维护关键技术及其应用展望

在"碳中和、碳达峰"的目标下,建设以新能源为主体的新型电力系统是电网升级换代发展的必然趋势。随着新型电力系统的建设和发展,电力电子装置、大规模储能装置等新型电力设备将获得广泛应用,电网对柔性可控和安全稳定的要求越来越高,保障电力设备的可靠运行面临巨大的挑战。为此,提出了新型电力系统背景下电力设备高效运行和智能维护的基本特征和技术体系,详细阐述了电力设备数字化和智能化、新型电网设备状态评估以及电力设备高效优化运行等支撑新型电力系统的设备运行维护关键技术研究现状和进展,探讨了研究和应用中还需要解决的主要问题,最后对未来电力设备运行维护的模式和技术发展趋势进行了展望。

区块链在电力设备泛在物联网应用的关键技术及方案

随着泛在电力物联网(ubiquitous power internet of things,UPIoT)的建设,将有亿级海量终端设备接入系统,给基于传统中心化分布式网络结构的电力设备泛在物联网带来巨大的挑战。为此,首先分析了泛在电力物联网在网络结构、信息安全、隐私保护、通信壁垒和多主体协同中存在的问题。然后利用区块链思维将区块链技术与物联网(internet of things,IoT)相结合,提出了基于区块链的电力设备泛在物联网建设方案,并重点阐述了在物联网区块链应用中的分区并行高通量联盟链、跨链通信、共识算法、智能合约、加密算法和数据压缩等关键技术。最后讨论了区块链与电力设备泛在物联网融合创新的发展趋势。区块链技术的发展势必深刻影响到社会的方方面面,论文的研究成果可为区块链在电力物联网的应用和实践提供参考。

运行条件下GIS局部放电严重程度评估方法

运行条件下气体绝缘组合电器(gasinsulatedswitchgears,GIS)的局部放电检测已取得了大量的应用,但对于检测到局部放电信号的严重程度评估仍然是亟待解决的难题。利用变电站现场GIS的局部放电检测数据,结合长短时记忆网络(long short-term memory network,LSTM)和Bagging集成学习方法,提出一种运行条件下GIS局部放电严重程度评估方法。先明确了用GIS设备未来1个月内的故障概率来定义局部放电严重程度,并基于该定义对大量的变电站现场检测数据确定了数据标签,建立了数据集。针对数据样本不均衡,利用Bagging集成学习方法将N个LSTM深度网络构建成适用于局部放电严重程度评估的集成学习模型。通过对由局部放电数据特征值、局部放电技术影响因素、设备运行信息等组成的特征向量进行分析,模型最终可以输出局部放电严重程度评估结果。通过与普通LSTM网络、反向传播神经网络(backpropagationneuralnetwork,BPNN)以及Bagging-BPNN方法的对比,以及变电站现场检测案例分析,结果表明所提方法可以有效地对运行条件下GIS局部放电进行严重程度评估,易于实施,与普通LSTM、BPNN和Bagging-BPNN相比评估结果的可信度更高。

基于BP神经网络的特高频局部放电定位误差校正

为了提高UHF法变电站站域局放定位的精度,提出了一种基于BP神经网络的定位误差校正方法,采用K-Means机器学习算法对测量值进行去抖动,通过对有限个标定点（径向距离r,方位角θ）误差值的训练,构造了040 m范围时,径向距离测量误差呈递增趋势,方向角测量误差分布具有相似的规律,经过误差补偿后,误差分布趋于平稳且误差值大大减小,证明了该方法的可行性与有效性。