CN105548832B - 高压电力电缆故障识别方法 - Google Patents
高压电力电缆故障识别方法 Download PDFInfo
- Publication number
- CN105548832B CN105548832B CN201510909715.3A CN201510909715A CN105548832B CN 105548832 B CN105548832 B CN 105548832B CN 201510909715 A CN201510909715 A CN 201510909715A CN 105548832 B CN105548832 B CN 105548832B
- Authority
- CN
- China
- Prior art keywords
- signal
- high voltage
- voltage power
- power cable
- shelf depreciation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001052 transient effect Effects 0.000 claims abstract description 9
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000012512 characterization method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000009413 insulation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G01R31/12—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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
Abstract
本发明公开了一种高压电力电缆故障识别方法，信号联合采集：用UHF超高频传感器对电磁暂态和电磁波进行采集，用压电式AE超声波传感器对超声波信号进行采集，用TEV地电波传感器对地电波进行采集，用HFCT高频电流传感器对瞬变磁场进行采集；信号综合处理：由局部放电的宽频时域数据提取出若干表征放电强度的统计特征参数，提取出电缆故障所产生的局部放电各种类型的特征参数，构建各种缺陷对应的局部放电指纹特征库；故障智能识别：将提取的时频特征参数分批送入两种智能识别算法中进行自行匹配识别，对两中先进算法的识别结果进行时时对比汇总，进而确定故障的类型及大小。本发明检测安全，故障识别迅速准确，可集成化。
Description
技术领域
本发明涉及高压电力电缆故障检测领域，特别涉及一种高压电力电缆故障识别方法。
背景技术
近年来，随着高压电力电缆在城市配电网中的广泛应用，电力电缆及其附件故障对整个配电网所造成的影响和损失也越来越显著。据统计，在城市电网运行事故中，因高压电力电缆及其附件故障引起的电力事故高达75％，因此对高压电力电缆及其附件故障进行检测分析和故障类型及大小的识别尤为重要。目前国内外对于高压电力电缆及其附件故障分析识别的方法有很多，但大多数分析识别方法不能直接在现场完成，效率低，造成持续性的损失。另外，当前的故障识别方法只能识别是否存在故障，不能实现故障类型及大小的判断，更不能对高压电力电缆及其附件的老化状态及剩余寿命做出一个有效的预估，也就不能提出正确的故障修复方案。
高压电力电缆及其附件故障发生过程中往往会发生局部放电现象，并且局部放电大小随故障缺陷大小及程度而不同。局部放电是涉及绝缘层的放电，由于局部放电的发展受限于绝缘层故障缺陷的类型和大小，局部放电量又与绝缘状况密切相关，所以通过对局部放电量的检测可以检测并识别高压电力电缆及其附件可能存在的故障。基于局部放电检测的高压电力电缆及其附件故障类型识别技术是高压电力电缆及其附件故障信号检测、分析及故障类型识别的最佳方法，并作为及时发现高压电缆及其附件故障隐患、运行寿命预测、保障高压电力电缆及其附件安全可靠运行的重要手段。
目前，国际上研究学者对于高压电力电缆及其附件故障局部放电信号的检测分析及故障类型的识别没有统一的标准，使用较多的检测元件是高频电流传感器，该方法的优点是高压电力电缆及其附件与测量回路之间没有电气连接，从而可以较好的抑制噪声，另外传感器安装简单、操作方便，可检测到完整的局部放电脉冲。缺点是该方法仅适用于电缆外屏蔽层有接地线的情况，对于有完全屏蔽的电缆将线圈套在电缆本体外难以检测到局放信号，因此，单一的使用该检测方法进行高压电力电缆故障局部放电信号的检测分析及故障类型的识别难以达到预期的效果。
发明内容
本发明所要解决的技术问题是提供一种高压电力电缆故障识别方法，能自行对所采集到的故障信号进行去噪、时频分析、特征提取并准确的识别出故障类型及大小。
为解决上述技术问题，本发明采用的技术方案是：
一种高压电力电缆故障识别方法，包括信号联合采集、信号综合处理和故障智能识别，具体为：
信号联合采集：采用UHF超高频传感器对局部放电产生的电磁暂态和电磁波进行采集，采用压电式AE超声波传感器对局部放电产生的超声波信号进行采集，采用TEV地电波传感器对局部放电产生的地电波进行采集，采用HFCT高频电流传感器对局部放电产生的瞬变磁场进行采集；
信号综合处理：在信号联合采集过程中通过四个传感器对局部放电信号进行检测，并通过示波器记录每个放电脉冲的时域波形，波形上的每一个点都会对应一个时间和幅值，提取5个表征放电强度的统计特征参数，包括脉冲上升时间tr、下降时间td、50％幅值脉冲持续时间t50％、10％幅值脉冲持续时间t10％、脉冲总持续时间ttotal，通过这些特征参数对局部放电进行趋势分析，结合局部放电的相位分布图谱，检测提取出表征局部放电类型的相位；还包括提取出电缆故障所产生的局部放电的特征参数，包括平均值方差σ2＝Σ(xi-μ)2pi，偏斜度陡峭度放电不对称度构建缺陷所对应的局部放电指纹特征库，所述缺陷包括线芯毛刺、主绝缘割伤、半导电层翘起、绝缘内部存在气隙、主绝缘表面存在导电微粒；
故障智能识别：将提取的时频特征参数分批送入两种智能算法中进行自行匹配识别，两种智能识别算法为BP神经网络分类识别和ELM极限学习机分类识别，对两种智能识别算法的识别结果进行时时对比汇总，进而确定故障的类型及大小。
根据上述方案，在故障智能识别中，还包括用已有的故障类型数据库对两种智能识别算法进行训练，以提高两种智能识别算法的性能。
根据上述方案，所述UHF超高频传感器的信号接收天线为希尔伯特分形天线。
根据上述方案，在对信号进行特征提取之前，还包括将采集到的信号用带通滤波器去除干扰信号及噪声信号，之后再将去噪后的信号进行放大的步骤。
根据上述方案，去除干扰信号的步骤具体为：采用基于FFT的窄带干扰抑制算法去除窄带干扰，采用基于小波的消噪算法去除白噪声干扰，采用基于神经网络的滤波算法去除脉冲型干扰信号。
根据上述方案，采用BP神经网络分类识别和ELM极限学习机分类识别进行识别时，识别结果都会进行时时对比存储。
根据上述方案，在进行识别之前，先用已有的特征数据库对网络进行训练、测试和验证，优化网络性能。
与现有技术相比，本发明的有益效果是：本发明自行对所采集到的故障信号进行去噪、时频分析、特征提取并准确的识别出故障类型及大小，为后续高压电力电缆及其附件的剩余寿命评估提供可靠而又科学的依据，从而大大降低因电缆故障所带来的电网损失。本发明检测安全，故障识别迅速准确，可集成化，便于工作人员学习掌握，可广泛用于实验室项目研究和现场在线测试识别。
附图说明
图1是本发明中示波器记录每个放电脉冲的时域波形。
具体实施方式
下面对本发明高压电力电缆故障识别方法作进一步的说明。
针对当前高压电力电缆故障信号检测分析及故障类型识别所存在的不足，本发明提出了一种高效、快速、精准的高压电力电缆故障类型识别方法。高压电力电缆故障类型及故障大小的判定对电缆的剩余使用寿命评估至关重要，因为其直接关系着整个电网的运行安全。本发明包括信号联合采集、信号综合处理与故障智能识别等步骤，现详述如下。
信号联合采集
分别从电磁波、超声波等领域对局放信号进行采集分析，从而实现全方位、不同角度对高压电力电缆故障所产生的局部放电信号进行采集，实现局放信号全方位、零死角的捕捉，为后续的信号分析、故障类型及大小识别提供可靠的信号来源。
采用4种传感器对信号进行采集，即是UHF超高频传感器、AE超声波传感器、TEV地电波传感器和HFCT高频电流传感器。高压电力电缆及其附件存在故障时，在高压下往往会产生局部放电，局部放电过程会长生宽频带的暂态和电磁波。不同类型的电击穿过程不尽相同，从而产生不同幅值和陡度的脉冲电流，因此产生不同频率成分的电磁暂态和电磁波。采用的UHF超高频传感器由超高频信号接收天线构成，传感器天线采用希尔伯特分形天线，它是一种非频变天线，其电性能与频率无关，具有宽频率，圆极化，尺度小，效率高，可嵌装等优点。放大器采用低噪音、高增益(40db)超高频信号，传感器工作频带300～1500MHz，能够有效避开现场电晕等干扰，具有较强的抗干扰能力。
当高压电力电缆及其附件内部产生局部放电的时候，会产生冲击的振动及声音，同时激发超声波信号，局部放电所激发的超声波信号，其类型包括纵波、横波和表面波。纵波通过气体传到外壳，横波则需要通过固体介质传到外壳。通过贴在高压电力电缆及其附件表面的压电式AE超声波传感器接收这些超声波信号，以达到检测局方的目的。
高压电力电缆及其附件内部局放所激发的脉冲电流在传播过程中会在半导层、屏蔽层等金属表面形成暂态地电波。通过贴在高压电力电缆及其附件表面的TEV地电波传感器接收这些地电波信号，以达到检测局方的目的。
高压电力电缆及其附件内部产生局放时会形成脉冲电流，当脉冲电流经半导层、屏蔽层流经地线时会在周围空间产生瞬变磁场。将HFCT高频电流传感器套在地线上通过感应脉冲电流流经地线时产生的瞬变磁场来检测局放。
信号综合处理
在信号联合采集模块中通过四个传感器对局放信号进行检测，并通过示波器记录每个放电脉冲的时域波形，波形上的每一个点都会对应一个时间和幅值。不同类型故障的放电对应不同的时域脉冲波形，通过对这些脉冲波形的分析，提取5个表征放电强度的统计特征参数，包括脉冲上升时间tr、下降时间td、50％幅值脉冲持续时间t50％、10％幅值脉冲持续时间t10％、脉冲总持续时间ttotal。结合图1可得5个表征放电强度的统计特征参数的计算公式如下：
tr＝T3-T0 (1)
td＝T6-T3 (2)
t50％＝T4-T2 (3)
t10％＝T5-T1 (4)
ttotal＝T6-T0 (5)
直接由局部放电的宽频时域数据可以提取出若干表征放电强度的统计特征参数，通过这些特征参数可以对局部放电进行趋势分析，结合局部放电的相位分布图谱，可以检测提取出表征局部放电类型的相位，最后再通过这些特征参数进行故障类型识别。
故障智能识别
不同的故障类型将会产生不同的放电，故障智能识别是将之前信号综合处理所提取的特征参数与已有故障类型数据库的特征参数进行自行匹配识别，进而确定故障的类型及大小。
本发明方法计采用两种智能分类识别算法：BP神经网络分类识别、ELM极限学习机分类识别，每种方法的识别结果都会进行时时对比存储，以便后续调用。采用BP神经网络进行识别首先是创建BP神经网络，在创建BP神经网络之前需要确定网络的结构，即需要确定以下几个参数：输入变量个数、隐含层及各层神经元个数、输出变量个数。本发明中输入则为相应的特征参数，输出为故障类型的相应代码。在进行识别前，先用已有的特征数据库对网络进行训练，使网络的性能达到最优，以便于提高最终的识别精度。
ELM极限学习机分类识别算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在网络训练过程中无需调整，只需要设置隐含层神经元的个数比可使该算法的性能达到最优。每一阶段识别结果会用扇形图进行统计，将可能出现的每一种故障的比例清楚显示出来并进行记录，确定最终的故障类型及大小。
以上两种识别算法在进行故障识别之前都需要用已有的数据库对其进行训练、测试、验证，使其性能达到最优，提高最终故障类型及大小判断的准确性。本发明方法采用两种故障智能识别方法进行对比识别来确定最终的识别结果，首先对采集的信号进行处理分析，其次采用两种识别方法同时识别，再将识别结果进行对比分析得出最终结果与电缆的运行检测方法进行匹配，提出相应的剩余寿命预估和修复方案。
Claims (7)
1.一种高压电力电缆故障识别方法，其特征在于，包括信号联合采集、信号综合处理和故障智能识别，具体为：
信号联合采集：采用UHF超高频传感器对局部放电产生的电磁暂态和电磁波进行采集，采用压电式AE超声波传感器对局部放电产生的超声波信号进行采集，采用TEV地电波传感器对局部放电产生的地电波进行采集，采用HFCT高频电流传感器对局部放电产生的瞬变磁场进行采集；
信号综合处理：在信号联合采集过程中通过四个传感器对局部放电信号进行检测，所述四个传感器分别为UHF超高频传感器、压电式AE超声波传感器、TEV地电波传感器和HFCT高频电流传感器，并通过示波器记录每个放电脉冲的时域波形，波形上的每一个点都会对应一个时间和幅值，提取5个表征放电强度的特征参数，包括脉冲上升时间tr、下降时间td、50％幅值脉冲持续时间t50％、10％幅值脉冲持续时间t10％、脉冲总持续时间ttotal，通过这些特征参数对局部放电进行趋势分析，结合局部放电的相位分布图谱，检测提取出表征局部放电类型的相位；还包括提取出电缆故障所产生的局部放电的特征参数，包括平均值方差σ2＝∑(xi-μ)2pi，偏斜度陡峭度放电不对称度构建缺陷所对应的局部放电指纹特征库，所述缺陷包括线芯毛刺、主绝缘割伤、半导电层翘起、绝缘内部存在气隙、主绝缘表面存在导电微粒；
故障智能识别：将提取的时频特征参数分批送入两种智能算法中进行自行匹配识别，两种智能识别算法为BP神经网络分类识别和ELM极限学习机分类识别，对两种智能识别算法的识别结果进行实时对比汇总，进而确定故障的类型及大小。
2.如权利要求1所述的高压电力电缆故障识别方法，其特征在于，在故障智能识别中，还包括用已有的故障类型数据库对两种智能识别算法进行训练，以提高两种智能识别算法的性能。
3.如权利要求1所述的高压电力电缆故障识别方法，其特征在于，所述UHF超高频传感器的信号接收天线为希尔伯特分形天线。
4.如权利要求1所述的高压电力电缆故障识别方法，其特征在于，在对信号进行特征提取之前，还包括将采集到的信号用带通滤波器去除干扰信号及噪声信号，之后再将去噪后的信号进行放大的步骤。
5.如权利要求4所述的高压电力电缆故障识别方法，其特征在于，去除干扰信号的步骤具体为：采用基于FFT的窄带干扰抑制算法去除窄带干扰，采用基于小波的消噪算法去除白噪声干扰，采用基于神经网络的滤波算法去除脉冲型干扰信号。
6.如权利要求1所述的高压电力电缆故障识别方法，其特征在于，采用BP神经网络分类识别和ELM极限学习机分类识别进行识别时，识别结果都会进行实时对比存储。
7.如权利要求1至6任一项所述的高压电力电缆故障识别方法，其特征在于，在进行识别之前，先用已有的特征数据库对网络进行训练、测试和验证，优化网络性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510909715.3A CN105548832B (zh) | 2015-12-10 | 2015-12-10 | 高压电力电缆故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510909715.3A CN105548832B (zh) | 2015-12-10 | 2015-12-10 | 高压电力电缆故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105548832A CN105548832A (zh) | 2016-05-04 |
| CN105548832B true CN105548832B (zh) | 2018-09-21 |
Family
ID=55828152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510909715.3A Active CN105548832B (zh) | 2015-12-10 | 2015-12-10 | 高压电力电缆故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105548832B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106771919B (zh) * | 2016-12-22 | 2020-01-31 | 国网上海市电力公司 | 脉冲电流波形半峰值时宽-相位谱图构造方法及装置 |
| CN107544005B (zh) * | 2017-07-19 | 2020-07-10 | 华北电力大学 | 一种高压igbt局部放电电流时域参数的确定方法和装置 |
| CN107505549A (zh) * | 2017-08-30 | 2017-12-22 | 国网上海市电力公司 | 一种智能型多功能局部放电在线监测系统 |
| CN107819492A (zh) * | 2017-12-15 | 2018-03-20 | 浙江维思无线网络技术有限公司 | 一种电力线检测信号接收方法及装置 |
| CN108828403A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 电缆测试信号消噪方法、装置及终端 |
| CN109102012A (zh) * | 2018-07-30 | 2018-12-28 | 上海交通大学 | 一种局部放电信号的缺陷识别方法及系统 |
| CN109001601A (zh) * | 2018-08-09 | 2018-12-14 | 苏州光格设备有限公司 | 电缆局部放电在线监测方法和装置 |
| CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
| CN109375059A (zh) * | 2018-11-12 | 2019-02-22 | 国网山西省电力公司晋中供电公司 | 一种高压电力电缆故障识别方法 |
| CN109490730A (zh) * | 2018-12-19 | 2019-03-19 | 国网北京市电力公司 | 电缆放电检测方法、装置、存储介质及处理器 |
| CN110208657B (zh) * | 2019-07-10 | 2021-03-30 | 四川轻化工大学 | 一种t接线路故障智能识别新方法 |
| CN110866634A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于模型选择的地下电缆故障预警方法和装置 |
| CN110851670A (zh) * | 2019-10-25 | 2020-02-28 | 袁茂银 | 地下电缆故障修复方法和装置 |
| CN110837898A (zh) * | 2019-10-25 | 2020-02-25 | 袁茂银 | 基于模型选择的地下电缆故障修复方法和装置 |
| CN110825923A (zh) * | 2019-10-25 | 2020-02-21 | 袁茂银 | 基于单模型的地下电缆故障修复方法和装置 |
| CN110866839A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于多模型的地下电缆故障修复方法和装置 |
| CN110927535A (zh) * | 2019-11-12 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 基于极限学习机的电力设备局部放电严重程度评估方法 |
| CN111189533B (zh) * | 2019-12-26 | 2021-11-16 | 深圳供电局有限公司 | 外力入侵监测方法、装置、计算机设备和存储介质 |
| CN112631250B (zh) * | 2020-12-15 | 2022-06-24 | 中国计量大学 | 基于去噪自编码器的非线性过程中的故障隔离与识别方法 |
| CN113009290B (zh) * | 2021-02-05 | 2022-12-16 | 江苏大学 | 一种特高压gis设备局部放电种类识别和定位方法及系统 |
| CN112748317B (zh) * | 2021-03-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
| CN113406445A (zh) * | 2021-03-24 | 2021-09-17 | 上海朋禾智能科技有限公司 | 一种变压器局部放电多维数据在线检测方法 |
| CN113341251B (zh) * | 2021-06-02 | 2024-02-27 | 启晗电力建设集团有限公司 | 一种输变电现场施工监测系统 |
| CN113568353A (zh) * | 2021-07-30 | 2021-10-29 | 国网四川省电力公司电力科学研究院 | 基于精简状态特征集的开关柜局部放电监测预警方法 |
| CN113568054B (zh) * | 2021-08-19 | 2022-06-17 | 海南电网有限责任公司文昌供电局 | 一种地埋电缆查找装置及方法 |
| CN113933660A (zh) * | 2021-08-31 | 2022-01-14 | 华能澜沧江水电股份有限公司 | 一种基于局部放电特征的发电机绝缘故障劣化监测方法 |
| CN113805018A (zh) * | 2021-09-15 | 2021-12-17 | 陕西省地方电力（集团）有限公司 | 一种配电网10kV电缆局部放电故障类型智能识别方法 |
| CN115542099B (zh) * | 2022-11-28 | 2023-02-07 | 国网山东省电力公司东营供电公司 | 一种在线gis局部放电检测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
| CN104569770A (zh) * | 2015-01-29 | 2015-04-29 | 国家电网公司 | 一种用于超高压电缆的局放时频混合特征参数提取方法 |
| CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
| CN105021957A (zh) * | 2015-08-03 | 2015-11-04 | 西南石油大学 | 一种电力电缆附件故障识别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0815366A (ja) * | 1994-06-29 | 1996-01-19 | Chubu Electric Power Co Inc | 部分放電測定システム |
| JP2003075501A (ja) * | 2001-06-22 | 2003-03-12 | Showa Electric Wire & Cable Co Ltd | 部分放電検出方法およびこれに用いる部分放電検出装置 |
-
2015
- 2015-12-10 CN CN201510909715.3A patent/CN105548832B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
| CN104569770A (zh) * | 2015-01-29 | 2015-04-29 | 国家电网公司 | 一种用于超高压电缆的局放时频混合特征参数提取方法 |
| CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
| CN105021957A (zh) * | 2015-08-03 | 2015-11-04 | 西南石油大学 | 一种电力电缆附件故障识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105548832A (zh) | 2016-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105548832B (zh) | 高压电力电缆故障识别方法 | |
| CN105021957B (zh) | 一种电力电缆附件故障识别方法及系统 | |
| Ma et al. | Smart transformer for smart grid—intelligent framework and techniques for power transformer asset management | |
| Gao et al. | Analysis of the intrinsic characteristics of the partial discharge induced by typical defects in GIS | |
| US10408873B2 (en) | Partial discharge signal processing method and apparatus employing neural network | |
| Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
| CN109799434A (zh) | 局部放电模式识别系统及方法 | |
| CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
| Contin et al. | Classification and separation of partial discharge signals by means of their auto-correlation function evaluation | |
| CN207300606U (zh) | 基于声学原理的变压器信息采集装置 | |
| CN104964738A (zh) | 一种基于噪声分离的电力变压器噪声评估方法 | |
| CN105044566B (zh) | 一种基于特征超高频信号的gis局部放电故障检测方法 | |
| CN101666850A (zh) | 一种电力电缆绝缘缺陷的声电检测装置 | |
| WO2013091460A1 (zh) | 电气设备特高频局部放电检测中信号与干扰的鉴别方法 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| Yang et al. | Recognising multiple partial discharge sources in power transformers by wavelet analysis of UHF signals | |
| Soomro et al. | Study on different techniques of partial discharge (PD) detection in power transformers winding: Simulation between paper and EPOXY resin using UHF method | |
| CN103558532A (zh) | 高压交联聚乙烯电力电缆局部放电在线检测系统 | |
| Biswas et al. | Cross-spectrum analysis based methodology for discrimination and localization of partial discharge sources using acoustic sensors | |
| Jia et al. | Power transformer partial discharge fault diagnosis based on multidimensional feature region | |
| Chan et al. | Automatic blind equalization and thresholding for partial discharge measurement in power transformer | |
| Kuo | Artificial recognition system for defective types of transformers by acoustic emission | |
| Swedan et al. | Acoustic detection of partial discharge using signal processing and pattern recognition techniques | |
| Dang et al. | Fault diagnosis of power transformer by acoustic signals with deep learning | |
| CN104375066B (zh) | 一种振荡型冲击电压下gis局部放电模式识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |