基于COMSOL的干式变压器故障诊断

干式变压器是一种重要的电力设备,广泛应用于电力系统和工业领域。传统的干式变压器故障检测方法主要依靠人工巡检和手动诊断,存在着准确性低、效率低、依赖性强等问题。随着机器学习技术的快速发展,基于机器学习的干式变压器故障识别方法逐渐得到了广泛应用。基于COMSOL Multiphysics软件的有限元分析方法,对干式变压器进行模型构建、网格划分和温度场仿真。使用仿真计算得到的数据进行机器学习训练集和测试集的制作。分析了机器学习多分类算法并对数据处理及分类准确率进行了比较分析。分析并研究了对支持向量机模型参数进行了遗传算法优化的故障识别方法,准确率可达96.00%,在对比传统支持向量机聚类方法上,准确率提高了11.63%。

基于图卷积网络的电能质量评估

新型电力设备的广泛使用给电力系统带来了新的干扰因素,同时也对电能质量提出了更高要求。为充分利用国家标准中各项电能质量指标,对电能质量进行更全面、更综合地评估,文中提出一种基于图卷积网络的电能质量评估方法。根据现行国家标准提出了指标分级的电能质量评估体系,对各项电能质量评估指标间的关联性进行初步确定。在此基础上确定指标关系图,搭建图神经网络模型并进行训练,测试集误差率为9.02%。以某电力系统实测数据为例与其他评估方法进行对比分析,证明了所提方法在对长时间跨度的电能质量进行评估时效果更优。