电力系统要求对系统各个环节可测可控,以便及时发现系统内的问题,并迅速采取应对措施,保证电力网络安全稳定。我国现有的高压输电网络中已大量配置SF6电气设备。并且十二五期间,我国坚强智能电网中高压输电网络的建设也将大量使用SF6电气设备。这些设备一旦发生故障,将严重威胁电力网络的安全与稳定。因此SF6电气设备工作状态的检测技术是当今人们研究的一个热门问题。SF6电气设备优异的性能取决于它采用SF6气体作为绝缘介质。当设备内SF6气体的状态发生变化时,则可能影响到电气设备的工作状态。大量研究表明,当电气设备内部发生不同故障行为时,设备内SF6气体将会分解出不同的衍生物。这意味着可以通过分析SF6气体的衍生物组成来判断设备内发生过的故障行为。这种诊断方式带来的好处便是无需对设备进行解体便能发现设备内部发生过的故障行为,能很好的判断电气设备的工作状态,对制定设备检修维护策略提供很好的数据参考,缩短检修周期,保证电力系统正常不间断供电。基于SF。衍生物分布情况的电气设备故障诊断与预警方法的研究主要包含以下几个内容：SF6电气设备内放电行为与SF6衍生物形成之间的关系的研究；SF6电气设备中绝缘气体的光谱谱图获取,以及谱图数据的自动提取方法研究；数据的降维处理方法研究；故障诊断与预警模型的建立。SF6电气设备内放电行为与SF6衍生物形成之间的关系是本文提出的故障诊断与预警模型的基础。理清二者之间的关系需进行大量的实验与验证工作,前人在该领域已经做了较多的工作,本文对这些研究工作进行了整理。然后与广西电力科学研究院合作,针对整理出的结果中存在疑问或者研究尚未涉及的地方设计了相应的实验,采用实验的方式来找到它们之间的关系。最终,本文形成了一个初步的二者之间的关系。为了验证这个关系表的有效性,本文采用整理好的关系对某一故障电气设备内的绝缘气体红外光谱谱图进行了分析。分析结果与实际情况基本相符。本文主要采用红外光谱法获取绝缘气体内SF6衍生物的组成情况。实验过程中也适当采用气相色谱技术辅助分析。红外光谱技术是本研究选择的主要的衍生物分析方法,为了从谱图中快速得到分析结果,本文建立了基于小波变换理论的光谱谱图峰值提取算法。该算法将传统的峰值提取三步骤基线校正、谱线平滑、峰值提取融合为一步完成。为了提取诊断与预警模型的输入特征值,需要对原始数据进行处理。由于纳入考虑范围的衍生物种类多达13种,故数据处理的主要目的是数据降维。在数据降维方面,本文首先采用主成分分析法和因子分析法对数据进行了降维处理,然后将二者的处理结果进行了比较,最后选择了主成分分析法进行数据降维处理。采用组成分分析法将原来13维数据降低到了6维。该6维信息包含了原始数据87.58%的信息。最后预测与诊断模型选择这6维数据矩阵作为特征值矩阵。基于SF6衍生物分析的SF6电气设备故障诊断与预测方法的实现最终需要建立一个相应的模型。本文最初选择采用径向基神经网络理论和决策树理论来分别建立故障诊断与预警模型。仿真结果表明上述两种模型都具有较好的预测能力,但经过分析发现决策树模型在进行电弧放电故障识别时的准确率高于径向基神经网络模型。而在进行火花放电故障和电晕放电故障预测时,径向基神经网络模型表现出来的能力则更强。为了进一步提高预测模型的准确率,本文提出将基于径向基神经网络的预测模型和基于决策树理论的预测模型结合起来构成一个新的预测模型。在该模型中,对同一预测对象,若径向基预测模型与决策树预测模型的预测结果不同,则将该对象标记为拒识,由专家根据实际情况给出判断。加入拒识率可以降低模型在诊断过程中给出错误答案的概率,提高准确性。在本文给出的仿真结果中,当拒识率达到19.51%时,模型给出的诊断结果准确率达到100%。