CN103649763A - 使用prpd包络的值来分类高压设备的单个和多个局部放电(pd)缺陷 - Google Patents
使用prpd包络的值来分类高压设备的单个和多个局部放电(pd)缺陷 Download PDFInfo
- Publication number
- CN103649763A CN103649763A CN201280032411.8A CN201280032411A CN103649763A CN 103649763 A CN103649763 A CN 103649763A CN 201280032411 A CN201280032411 A CN 201280032411A CN 103649763 A CN103649763 A CN 103649763A
- Authority
- CN
- China
- Prior art keywords
- motor
- voltage
- artificial neural
- neural network
- prpd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
一种方法、系统和计算机程序产品,用于对高压电机经历的局部放电的类型进行分类,从而减少这样的分类所需的工作量和专业技能。该方法、系统和计算机程序产品利用特征提取技术来预处理局部放电测量数据以满足神经网络输入要求。
Description
技术领域
本发明涉及一种方法、系统和计算机程序产品,用于对高压电机经受的局部放电的类型进行分类,从而降低这样的分类所需的劳动和专业技能。
背景技术
电机对用于电机械能转换的各种工厂处理起着关键的作用。因此,其可靠性和可用性对工业非常重要。电机通常是耐用和可靠的,但是电机确实会经历因老化而疲劳,而且有时较新的电机可能因为设计缺陷、不正确的操作条件或不恰当的安装而产生故障。
电机故障可能因为诸如转子条断裂、端环断裂、电机轴承受损或空气隙偏心等机械故障引起,或者可能因为诸如定子绕组短路或电源电压不平衡等电路故障引起。电机故障的EPRI和IEEE调查发现37%源自定子故障,10%源自转子故障,41-50%源自轴承振动,少部分故障源自其他原因。
虽然分马力电机和小马力电机是相对便宜的现成产品,但中压电机和高压电机可能十分昂贵,进行替换需要一个较长的交付周期。对这样的高压电机,为预防灾难性故障发生,能够检测和诊断问题非常重要。此外,准确检测和诊断问题的能力也允许操作人员避免与过早地关停电机并进行维护或者更换相关的成本和停机时间。
电机制造者提供用于监测电压、电流、绕组温度、轴承温度和轴承振动的各种传感器。IEEE统计数据显示达到90%的高压电机和发电机故障是由绝缘系统故障引起的。绝缘对预防导体之间或者导体和接地之间的短路从而引起电流流向不期望的路径并阻碍电机正常运行是必要的。绝缘系统还把铜质导体紧紧保持就位,从而防止因电磁力产生的不期望运动。定子绕组的寿命最常受限于电气绝缘而不是导体或者钢芯。因此,监测高压电机的定子绕组绝缘的完好尤为关键。
局部放电(“PD”)是高压绝缘故障的一个原因。PD是一种产生碳化的电气放电和使绝缘局部地桥接的漏电痕迹,从而为电流提供用于流经被假设在相之间或者相和接地之间提供壁垒的绝缘的路径。因此,PD与完全放电相反,完全放电是线电位与接地之间的或两个相之间的彻底故障。局部放电通常发生在所有绕组绝缘系统中发现的充气空隙中。空隙可能位于:铜质导体和绝缘壁之间;绝缘本身内部;外部绝缘壁和接地框架之间;或沿绝缘的表面。PD可能因为随老化而来的绝缘劣化和/或因为由过热导致的提前老化而发生。
因为PD涉及到电子和离子在有限时间段内在短距离上的流动,所以每次PD发生的时候都会产生小的电流流动。电流流动在绝缘系统的阻抗上产生电压脉冲。PD放电脉冲在高频发生;因此,其在通过短距离时快速衰减。该脉冲可以被识别、测量和记录,从而允许高压设备在正常运行期间可被监控PD。除上述提及的用于监测电压、电流、温度和振动的传感器之外,至少一个电机制造者提供局部放电传感器。然而,绝缘介质衰减PD信号,因此弱化了破坏性的PD信号并且使其难以识别。衰减的PD信号也可能被电气噪音源掩盖。
一旦PD破坏发生,通过传统测量电阻方法(诸如兆欧表测试)可以检测到绝缘劣化的证据。因此,局部放电在线测试与传统绝缘电阻测试互为补充,从而允许检测绝缘劣化的进展阶段,在最终故障前尽早发现问题趋势。
许多因素可以引起可发觉的局部放电,但不是所有因素都破坏高压绝缘。例如,从室外线缆封闭端进入空气的电晕就是相对良性的。在线圈内存在空隙时发生内部PD。空隙的内表面因为从气态介质中离解的离子和电子的持续冲击而劣化。通常过了很多年后内部PD才引起故障。与此相对,槽PD是由于通过线圈绝缘流向电机铁芯的容性电流产生的。如果线圈侧与铁芯失去接触,则两者之间产生非常高的电压,从而引起PD。槽放电涉及比内部PD更高的电压级别并且在持续长时段的情况下可以破坏对地绝缘。随着油膜污染或湿气在绝缘表面上引起漏电痕迹和相关联的PD,端部绕组PD发生在定子的端部绕组处。因此,对检测到的局部放电进行正确分类是重要的,以便确定电机运转良好或者需要关注。此分类也帮助维护人员识别发动机故障的特定类型。例如,槽PD与绝缘中的空隙或热老化相关联,而端部绕组PD通常与棒振动或者粉尘污染相关联。
过去,PD是由手动检查PD图形记录的专业技术人员进行分类的。最近,各种模式识别技术被应用来从噪音中分离PD并且分类不同的PD源。虽然应用人工智能技术的PD分类已经在实验室里取得了很好的结果,但现场视觉检查结果并未产生可比的准确度。
图1是对电机电压的测量的完整周期的放大示图。如图1所示,局部放电发生在一个周期的四分之一和四分之三,即,在初始上升正信号期间和初始上升负信号期间。这些局部放电,作为从毫伏到几伏的电压信号的高频变化,不能用标准观测仪器观察到,并且为了示例的目的而在图1中放大。
局部放电脉冲的幅度也包含有用信息,因为一个更大幅度的脉冲导致对绝缘的更大损害。脉冲重复率显示了放电发生的次数,其在确定被测试的绝缘的条件时也起作用。
还已发现如果正极性放电的幅度不同于负极性放电的幅度,则一些类型的PD可以被分类。例如,如果负极性放电超过了正极性充电,则可能的根本原因是铜质导体和绝缘之间的空隙。反过来,如果正极性放电超过了负极性放电,则可能的根本原因是槽放电(由绝缘和铁芯之间的空隙引起),表面局部放电,或者绕组端部匝处的放电。
许多技术已被用来检测PD。IEC60270表明PD通常伴随着声、光、热的发射或者化学反应。相应地,不同的测量技术已被用于识别这样的发射。
一旦检测到PD,必须对其进行分类。如上所述,传统上由专业人员检查PD的图形记录实现分类,但是自动技术也得到发展。一种有用的方法是应用多层人工神经网络。人工神经网络的基本优势是其可以从示例学习,其中网络被提供与已知缺陷/来源相对应的PD特征向量。几种不同种类的人工神经网络已被用于PD识别,包括反向传播神经网络、Kohonen自组织特征映射、学习矢量量化网络、对向传播神经网络、以及模块化和级联神经网络。
除了可用的很多不同种类的人工神经网络之外,每种网络有不同的影响性能的参数,包括训练时间(时期)、层数、训练功能、适应功能、性能功能和转移功能。因此,每个神经网络,在用给定的一组数据训练并以特定方式配置后,提供独特的性能。
用来帮助更好分类现场PD测量结果的任何新的、直接的方法都将为用户省掉较大开销、努力和时间。因此,存在对基于测量特性和/或属性来分类局部放电的改进系统和方法的需求。
发明内容
上述目标和进一步的优点由本发明提供,本发明通过训练人工神经网络应用来广泛地包括用于对高压电机和发电机的局部放电进行分类的方法。申请人发现收集来自具有不同局部放电(PD)特性的大量电机的在线数据并用所述数据训练人工神经网络可以用来实现很好的结果。
重要的是,与利用专业人员检查电机特性的PD波形的图形表示相比,这些信息可以被相对快捷和便宜地获取。
在当前发明的方法中,在线PD数据是从大量电机中收集的并被记录的,统计数据将从每个记录中提取并用来训练人工神经网络。本发明的方法将使得用户能够在不执行常规的费力和费时的专业人员分析就对PD进行分类。
附图说明
根据如下参考附图对发明的详细描述,本发明的更多优点和特征将变得显而易见,在附图中:
图1示出对电机电压的测量的完整周期的放大示意图;
图2示出本发明的方法的实施例的步骤;
图3示出具有不同传感器选项的电机;
图4是相位分布PD(“PRPD”)的图形表示;
图5是一个简化PRPD集的图形表示;
图6是本发明的一个实施例的模块的示意性框图;以及
图7是其中实现本发明的一个实施例的计算机系统的框图。
具体实施方式
如图2所示,方法200从步骤210开始,在该步骤中针对已知包含以下各类缺陷的多个电机来记录在线PD检测:内部PD、电晕PD、槽PD、终端绕组PD和表面PD。此外,针对多个已知正常运转的电机来记录在线PD检测。优选地,分析可以包括每种电机至少50台,总计300台电机。
如图3所示,有多个用于检测PD的传感器选项,包括高压耦合电容器、永久内部高频耦合电容器(“HPCT”),或便携的夹式HFCT(高频电流互感器)。在优选的替代实施例中,罗氏线圈(罗哥夫斯基线圈,Rogowski Coil)被用于替换HPCT。罗氏线圈是缠绕在其电流要被测量的直导体周围的导线的螺旋线圈,来自罗氏线圈的一端的引线通过线圈中央返回至另一端,因而两个终端都在该线圈的同一端。罗氏线圈有一个空气芯,具有低电感并且因此能对快速变化的电流做出响应。其基本不受电磁干扰影响,并且也是高度线性的,感应电压与所测量到的电流(即,衍生)的变化率成比例地变化。罗氏线圈的输出与一个电气的或电子的积分器电路相连以提供与电流成比例的输出信号。
相位分布采集系统和频谱分析仪被用来记录来自罗氏线圈的在线PD信号。图4示出相位分布PD(“PRPD”)谱图的图形表示,呈现上千个点。图5示出简化的PRPD谱图,使用最大-最小包络。本发明的方法可以根据需要通过简化PRPD谱图的范围而被调整为与运行神经网络软件的计算机设备的处理能力相匹配。
继续图2所示的方法的实施例,在步骤220中,统计分析被用来提取最大最小包络数据。
在步骤230中,来自步骤220的提取数据被用来训练人工神经网络以识别相关联的电机运转正常或者经受五种类型PD中的一种。从由NeuralWare公司开发的NeuralSight人工神经网络软件程序已经取得了良好结果。
在步骤240中,在线PD检测针对所研究的电机来执行。
在步骤250中,统计分析被用来提取最大最小包络数据。
在步骤260中,基于训练,人工神经网络判断所研究的电机是否运转正常,或者该电机是否经受内部PD、电晕PD、槽PD、终端绕组PD、或者表面PD。
在步骤270中,神经网络把结果输出给操作人员。
从步骤210到步骤230的神经网络训练可以由一个用户执行,从步骤240到步骤270应用训练网络来测试电机,可以由第二用户执行。
图6示出根据本发明的实施例的模块即系统600的示意性框图。
PRPD谱图生成模块610从使高压电机经受在线PD分析的相位分布采集系统和频谱分析仪接受测量电压,该模块对测量电压进行处理并储存为相位分布PD(“PRPD”)谱图。
最大-最小包络数据生成模块620从PRPD谱图生成模块610接收用于高压电机的PRPD谱图并将其简化为最大-最小包络数据。
神经网络模块630包括人工神经网络,该人工神经网络在先前已用来自多个经受过内部PD、电晕PD、槽PD、终端绕组PD、或表面PD的电机、以及多个正常电机的简化的最大-最小包络数据训练过,以使得该人工神经网络能够正确地识别可能有的与简化的最大-最小包络数据相关联的PD缺陷。神经网络模块630从最大-最小包络数据生成模块620接收简化的最大-最小包络数据,分析简化的最大-最小包络数据并向用户报告结果,从而用户选择性地将结果存储到存储器。
图7示出其中可以实施本发明的局部放电分类系统的计算机系统700的示例性框图。计算机系统700包括处理器720(比如中央处理器单元)、输入/输出接口730和支持电路740。在特定实施例中,在计算机系统700需要直接的人机界面的情况下,提供显示器710和输入设备750(如键盘、鼠标或光标)。显示器710、输入设备750、处理器720、以及支持电路740被示出连接到总线790上,总线790还连接到存储器760。存储器760包括程序存储器770和数据存储器780。注意虽然计算机系统700被描述为有直接的人机界面元件显示器710和输入设备750,但也可以在输入/输出接口730上替代地实现模块编程和数据输出,例如,在计算机系统700连接到网络并且编程和显示操作发生在相关联的另一计算机上,或者通过对于与可编程逻辑控制器接口相连的可拆卸输入设备实现的情况下。
程序存储器770和数据存储器780可以每一个都包含易失性存储器(RAM)和非易失性存储器(ROM)单元并且也可以包括硬盘和备份存储能力,并且程序存储器770和数据存储器780可以在单独存储设备或独立的多个存储设备中实施。程序存储器770存储软件程序模块和相关联的数据,特别是存储PRPD谱图生成模块610、最大-最小包络数据生成模块620、和神经网络模块630。数据存储器780存储PRPD谱图数据、最大-最小包络数据、由神经网络模块630产生的结果、和由本发明的一个或更多个模块生成的其他数据。
应理解计算机系统700可以是任何计算机诸如个人计算机、小型计算机、工作站、主机、专用控制器(如可编程逻辑控制器)、或上述的组合。虽然计算机系统700,为了说明用途,仅被示出为一个单独的计算机单元,但该系统可以包括可以根据处理负载和数据库大小进行规模调整的一组计算机。
计算机系统700优选地支持一个操作系统,例如存储在程序存储器770中并且由处理器720从随机存储器执行。根据本发明的实施例,操作系统包含用于计算机系统700与因特网与/或私有网络接口相连的指令。
本领域技术人员也可以理解本发明的局部放电分类方法的实施例可以用计算机程序产品的形式提供。
本发明的系统和方法已经在上面并参照附图进行了描述;然而,本领域技术人员清楚可以进行修改,并且本发明的保护范围由所附的权利要求限定。
Claims (14)
1.一种用于训练人工神经网络以将高压电机表征为正常或经受内部局部放电(“PD”)、电晕PD、槽PD、终端绕组PD或表面PD的方法,该方法包括:
识别经受内部PD、电晕PD、槽PD、终端绕组PD或表面PD的多个电机和多个正常电机;
使每个识别出的电机经受在线PD分析,测量电机引线处的PD电压;
使用相位分布采集系统和频谱分析仪,把来自每个电机的测量电压记录为相位分辨PD(“PRPD”)谱图;
把每个PRPD谱图简化为最大-最小包络数据;并且
用来自每个电机的简化的最大-最小包络数据来训练人工神经网络,直到人工神经网络能够正确地识别与每个简化的PRPD谱图相关联的可能有的PD缺陷。
2.一种用于操作人工神经网络以将高压电机表征为正常或经受内部局部放电(“PD”)、电晕PD、槽PD、终端绕组PD、或表面PD的方法,该方法包括:
识别要被使用先前训练的人工网络来进行测试的高压电机;
使识别出的高压电机经受在线PD分析,测量电机引线处的PD电压;
使用相位分布采集系统和频谱分析仪,把来自高压电机的测量电压记录为相位分布PD(“PRPD”)谱图;
把用于高压电机的PRPD谱图简化为最大-最小包络数据;
把来自高压电机的简化的最大-最小包络数据输入到所训练的人工神经网络中并且指示该人工神经网络分析新的数据;并且
将结果报告给用户。
3.一种用于训练并操作人工神经网络以将高压电机表征为正常或经受内部局部放电(“PD”)、电晕PD、槽PD、终端绕组PD、或表面PD的方法,该方法包括:
如权利要求1所述的用于训练人工神经网络的方法;
识别要被使用先前训练的人工网络来进行测试的高压电机;
使识别出的要进行测试的高压电机经受在线PD分析,测量电机引线处的PD电压;
使用相位分布采集系统和频谱分析仪,把来自高压电机的测量电压记录为相位分布PD(“PRPD”)谱图;
把用于高压电机的PRPD谱图简化为最大-最小包络数据;
把来自高压电机的简化的最大-最小包络数据输入到所训练的人工神经网络中并且指示该人工神经网络分析新的数据;并且
将结果报告给用户。
4.如权利要求2所述的方法,进一步包括将报告的结果记录到存储器中。
5.如权利要求3所述的方法,进一步包括将报告的结果记录到存储器中。
6.如权利要求1所述的方法,进一步包括选择PRPD谱图的范围以与神经网络的处理能力相匹配。
7.如权利要求2所述的方法,进一步包括选择PRPD谱图的范围以与神经网络的处理能力相匹配。
8.如权利要求3所述的方法,进一步包括选择PRPD谱图的范围以与神经网络的处理能力相匹配。
9.如权利要求1所述的方法,进一步包括使用罗氏线圈获得电机引线处的PD测量结果。
10.如权利要求2所述的方法,进一步包括使用罗氏线圈获得电机引线处的PD测量结果。
11.如权利要求3所述的方法,进一步包括使用罗氏线圈获得电机引线处的PD测量结果。
12.一种用于把高压电机表征为正常或经受内部局部放电(“PD”)、电晕PD、槽PD、终端绕组PD或表面PD的系统,包括:
非易失性存储器设备,存储计算模块和数据;
耦合到所述存储器的处理器;
第一计算模块,接受来自已经使高压电机经受在线PD分析的相位分布采集系统和频谱分析仪的测量电压,第一计算模块处理该测量电压并将其存储为相位分布PD(“PRPD”)谱图;
第二计算模块,把用于高压电机的PRPD谱图简化为最大-最小包络数据;并且
第三计算模块,包括人工神经网络,该人工神经网络已用来自经受内部PD、电晕PD、槽PD、终端绕组PD或表面PD的多个电机以及多个正常电机的简化的最大-最小包络数据训练,以使得该人工神经网络能够正确地识别与简化的最大-最小包络数据相关联的可能有的PD缺陷;
其中第三计算模块从第二计算模块接收简化的最大一最小包络数据,分析该简化的最大一最小包络数据并将结果存储到存储器。
13.一种用来把高压电机表征为正常或者经受内部局部放电(“PD”)、电晕PD、槽PD、终端绕组PD或表面PD的计算机程序产品,包括非临时性计算机可读介质,非临时性计算机可读介质中实现了计算机可读程序代码,当该计算机可读程序代码由处理器执行时使处理器:
加载已经用来自经受内部PD、电晕PD、槽PD、终端绕组PD或表面PD的多个电机以及多个正常电机的简化的最大-最小包络数据训练的人工神经网络,通过该训练,人工神经网络能够正确地识别与简化的最大-最小包络数据相关联的可能有的PD缺陷;
接受来自相位分布采集系统和频谱分析仪的测量电压输入,该相位分布采集系统和频谱分析仪已被用来使用电机引线处的PD测量结果使高压电机经受在线PD分析;
存储来自高压电机的测量电压作为相位分布PD(“PRPD”)谱图;
把用于高压电机的PRPD谱图简化为最大-最小包络数据;
指示训练的人工神经网络分析来自高压电机的简化的最大-最小包络数据;并且
存储来自训练的人工神经网络的结果。
14.如权利要求13所述的计算机程序产品,进一步包括计算机可读程序代码,该计算机可读程序代码当由处理器执行时使处理器选择与处理器的处理能力相匹配的PRPD谱图。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161501518P | 2011-06-27 | 2011-06-27 | |
US61/501,518 | 2011-06-27 | ||
PCT/US2012/037711 WO2013002897A2 (en) | 2011-06-27 | 2012-05-14 | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103649763A true CN103649763A (zh) | 2014-03-19 |
Family
ID=47010706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280032411.8A Pending CN103649763A (zh) | 2011-06-27 | 2012-05-14 | 使用prpd包络的值来分类高压设备的单个和多个局部放电(pd)缺陷 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20120330871A1 (zh) |
EP (1) | EP2724169A2 (zh) |
JP (1) | JP2014517320A (zh) |
KR (1) | KR20140019839A (zh) |
CN (1) | CN103649763A (zh) |
WO (1) | WO2013002897A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999382A (zh) * | 2020-09-17 | 2020-11-27 | 海南电网有限责任公司电力科学研究院 | 一种考虑绝缘老化的电缆局部放电特征参数提取方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106468753A (zh) * | 2015-12-01 | 2017-03-01 | 中国电力科学研究院 | 一种检测变压器局部放电的方法 |
US10928436B2 (en) * | 2017-01-30 | 2021-02-23 | General Electric Company | Evaluation of phase-resolved partial discharge |
EP3410687B1 (en) | 2017-05-30 | 2019-12-25 | Veoneer Sweden AB | Camera module for a motor vehicle, method of using, and method of assembling a camera module |
KR102085932B1 (ko) * | 2018-09-28 | 2020-03-06 | 한국서부발전 주식회사 | 고압 전동기 전기적 및 기계적 결함 통합 검출 장치 |
CN110119778B (zh) * | 2019-05-10 | 2024-01-05 | 辽宁大学 | 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 |
CN110286302B (zh) * | 2019-06-26 | 2021-08-17 | 全球能源互联网欧洲研究院 | 局部放电信号的检测方法及检测系统 |
US11163013B2 (en) | 2019-10-30 | 2021-11-02 | Hamilton Sundstrand Corporation | Electrical device partial discharge monitoring |
CN112130032B (zh) * | 2020-08-11 | 2023-10-31 | 国网天津市电力公司电力科学研究院 | 利用振荡波激发局部放电次数判定电缆缺陷程度的方法 |
CN113238128B (zh) * | 2021-05-11 | 2022-07-22 | 广州智丰电气科技有限公司 | 一种循环渐进式局部放电判别方法 |
CN115480134A (zh) * | 2022-09-02 | 2022-12-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于设备局部放电数据图的故障识别方法及系统 |
KR102518013B1 (ko) * | 2022-10-12 | 2023-04-05 | (주)오앤엠 코리아 | Prpd 패턴 이미지에 서포트 벡터 머신 기법을 적용한 활선 고전압 고정자 권선 부분 방전 유형 판별 방법 |
CN117708685A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0843475A (ja) * | 1994-08-03 | 1996-02-16 | Tokyo Electric Power Co Inc:The | 絶縁機器の部分放電検出方法およびその部分放電検出装置 |
JP3201959B2 (ja) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | 部分放電測定方法 |
CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
GB2431726A (en) * | 2005-10-27 | 2007-05-02 | Korea Electric Power Corp | Identification of partial discharge using a neural network |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4020A (en) * | 1845-05-01 | Machine foe | ||
US8008A (en) * | 1851-04-01 | hollingsworth | ||
US5475312A (en) * | 1994-06-07 | 1995-12-12 | Iris Power Engineering Inc. | Method and device for distinguishing between partial discharge and electrical noise |
JPH0921842A (ja) * | 1995-07-10 | 1997-01-21 | Kansai Electric Power Co Inc:The | 容量形計器用変圧器の内部部分放電検出装置および容量形計器用変圧器の内部部分放電検出方法 |
US6088658A (en) * | 1997-04-11 | 2000-07-11 | General Electric Company | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation |
JPH11248783A (ja) * | 1998-03-06 | 1999-09-17 | Mitsubishi Electric Corp | 部分放電検出装置 |
US7539549B1 (en) * | 1999-09-28 | 2009-05-26 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
JP4157636B2 (ja) * | 1999-01-28 | 2008-10-01 | 株式会社日立製作所 | ガス絶縁機器の部分放電診断装置 |
JP3685367B2 (ja) * | 1999-05-24 | 2005-08-17 | 三菱電機株式会社 | 回転電機の異常検出装置 |
-
2012
- 2012-05-11 US US13/469,401 patent/US20120330871A1/en not_active Abandoned
- 2012-05-14 JP JP2014515826A patent/JP2014517320A/ja active Pending
- 2012-05-14 KR KR1020137033702A patent/KR20140019839A/ko not_active Application Discontinuation
- 2012-05-14 WO PCT/US2012/037711 patent/WO2013002897A2/en active Application Filing
- 2012-05-14 EP EP12770295.9A patent/EP2724169A2/en not_active Withdrawn
- 2012-05-14 CN CN201280032411.8A patent/CN103649763A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0843475A (ja) * | 1994-08-03 | 1996-02-16 | Tokyo Electric Power Co Inc:The | 絶縁機器の部分放電検出方法およびその部分放電検出装置 |
JP3201959B2 (ja) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | 部分放電測定方法 |
CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
GB2431726A (en) * | 2005-10-27 | 2007-05-02 | Korea Electric Power Corp | Identification of partial discharge using a neural network |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
Non-Patent Citations (3)
Title |
---|
HANS-GERD KRANZ: "Diagnosis of Partial Discharge Signals using Neural Networks and Minimum Distance Classification", 《IEEE TRANSACTION ON ELECTRICAL INSULATION》 * |
J.KEITH NELSON,ETC: "A field assessment of PD and EMI methodology applied to large utility generators", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
T.PINPART,ETC: "Differentiating between partial discharge sources using envelope comparison of ultra-high-frequency signals", 《IET SCIENCE,MEASUREMENT AND TECHNOLOGY》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999382A (zh) * | 2020-09-17 | 2020-11-27 | 海南电网有限责任公司电力科学研究院 | 一种考虑绝缘老化的电缆局部放电特征参数提取方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2013002897A2 (en) | 2013-01-03 |
WO2013002897A3 (en) | 2013-02-28 |
JP2014517320A (ja) | 2014-07-17 |
US20120330871A1 (en) | 2012-12-27 |
KR20140019839A (ko) | 2014-02-17 |
EP2724169A2 (en) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103649763A (zh) | 使用prpd包络的值来分类高压设备的单个和多个局部放电(pd)缺陷 | |
Sin et al. | Induction machine on-line condition monitoring and fault diagnosis-a survey | |
Frosini et al. | A novel approach to detect short circuits in low voltage induction motor by stray flux measurement | |
US7042229B2 (en) | System and method for on line monitoring of insulation condition for DC machines | |
US10088506B2 (en) | Method for detecting a fault condition in an electrical machine | |
Lee et al. | An online groundwall and phase-to-phase insulation quality assessment technique for AC-machine stator windings | |
US20090219030A1 (en) | Methods and Systems for Detecting Rotor Field Ground Faults In Rotating Machinery | |
US20050218906A1 (en) | System and method for monitoring of insulation condition | |
US8781765B2 (en) | Online monitoring system and method to identify shorted turns in a field winding of a rotor | |
US6911838B2 (en) | Online detection of shorted turns in a generator field winding | |
JP2005538370A (ja) | 電気機械におけるシャフトアセンブリの振動を捕捉する方法および装置 | |
EP2149980B1 (en) | Stray flux processing method and system | |
Stone | The use of partial discharge measurements to assess the condition of rotating machine insulation | |
Grubic et al. | A survey of testing and monitoring methods for stator insulation systems in induction machines | |
Yazidi et al. | Broken rotor bars fault detection in squirrel cage induction machines | |
CN111830438B (zh) | 一种变压器故障检测方法及变压器 | |
KR101151742B1 (ko) | 휴대형 부분 방전 진단 시스템 | |
Kane et al. | Advantages of continuous monitoring of partial discharges in rotating equipment and switchgear | |
JPWO2015029151A1 (ja) | 部分放電計測法およびそれを用いて検査した高電圧機器 | |
Mirzaeva et al. | Ac motor instrumentation and main air gap flux measurement for fault diagnostics | |
Hurtado et al. | A review on location, detection and fault diagnosis in induction machines. | |
Toudji et al. | Predictive diagnostic based on HF modeling of electrical machines windings | |
Negoita et al. | A brief review of monitoring techniques for rotating electrical machines | |
Ramirez-Niño et al. | Monitoring network for online diagnosis of power generators | |
Zöller et al. | Separation of fundamental wave and transient components of the current signal for machine insulation state monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140319 |