CN106093771A - 一种断路器分合闸线圈电流信号识别方法 - Google Patents
一种断路器分合闸线圈电流信号识别方法 Download PDFInfo
- Publication number
- CN106093771A CN106093771A CN201610679238.0A CN201610679238A CN106093771A CN 106093771 A CN106093771 A CN 106093771A CN 201610679238 A CN201610679238 A CN 201610679238A CN 106093771 A CN106093771 A CN 106093771A
- Authority
- CN
- China
- Prior art keywords
- current signal
- circuit
- coil current
- cluster centre
- breaker
- 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.)
- Granted
Links
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16504—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the components employed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Driving Mechanisms And Operating Circuits Of Arc-Extinguishing High-Tension Switches (AREA)
Abstract
本发明公开了一种断路器分合闸线圈电流信号识别方法,采集断路器操作机构正常运行下分合闸线圈电流信号,提取特征数据集;建立断路器分合闸线圈电流信号的基准模式库;计算待识别样本与基准模式库中聚类中心贴合度,找到贴合度最大的聚类中心;根据残差比值大小识别断路器操作机构的运行状态,实现故障的预警;本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库,在断路器运行和检修状态下,通过在线方式对断路器分合闸线圈电流信号和基准模式库对比,对断路器运行状态识别,实现了故障早期有效预警,满足断路器快速、安全、有效率检测的需求,有效解决了现有断路器机械特性试验法存在的不足,为断路器安全稳定运行提供保障。
Description
技术领域
本发明属于电工技术领域,尤其涉及一种断路器分合闸线圈电流信号识别方法。
背景技术
据统计,60%-70%的断路器缺陷或故障是由断路器机构缺陷造成的,包括:机构卡涩、油脂凝固、弹簧老化、慢分慢合、连杆传动轴断裂、机构拒动等等。但传统断路器的状态检测技术,如红外和局放(含超高频、超声波、暂态地电波)仅针对电接触缺陷和绝缘部件(介质)缺陷诊断,对断路器机构尚无有效的状态检测手段。
由于目前没有有效预判断路器操作机构的技术手段,断路器的停电小修基本依据历史修试报告(一般数据均为正常),基于常规检修周期(3、6、9年)停电检修,这存在“小病大修、无病也修”的弊端,浪费大量的人力和财力,而且还有可能降低断路器操作机构的可靠性。事实表明,大部分的断路器运行缺陷是操作机构缺陷,但断路器检修试验项目(主要是机械特性试验)结果数据异常的却极少,传统断路器机构特性试验基本无法预判机构状态。
此外,传统的机械特性试验是在断路器经过多次分、合操作之后进行(停异操作、电气试验操作等),操作机构在多次“磨合”后,多数缺陷(如油脂凝固、机构卡涩)被暂时掩盖,机械特性试验合格,但根源并未彻底根除。
发明内容
本发明的目的在于提供一种断路器分合闸线圈电流信号识别方法,旨在解决目前没有有效预判断路器操作机构的技术手段,断路器的停电小修基本依据历史修试报告,并基于常规检修周期停电检修,存在“小病大修、无病也修”的弊端,浪费了大量的人力和财力,还有可能降低断路器操作机构的可靠性,同时传统断路器机构特性试验基本无法预判机构状态的问题。
本发明是这样实现的,一种断路器分合闸线圈电流信号识别方法,该断路器分合闸线圈电流信号识别方法包括以下步骤:
步骤一,在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;
步骤二,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;
步骤三,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;
步骤四,通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;
步骤五,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;
步骤六,计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态。
进一步,在步骤二中,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵的具体实现方法为:
a)提取t1、t2、t3、t4、t5这5个特征时刻点以及t1、t2、t3、t4、t5这5个特征时刻点对应的电流值i1、i2、i3、i4、i5作为特征向量X,其中i为某一时刻,n=10;
,X(i)=[x1 x2 …xn]T
b)构造断路器正常状态数据矩阵D,其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数;
进一步,在步骤三中,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为:
c)计算断路器正常状态数据集中每组特征向量X的密度;
d)找到密度指标最大的向量作为第一个聚类中心V* k-1,之后除去这个向量的密度,再计算所有向量的密度指标;
其中,
e)再找到最大的密度指标,并把此向量作为聚类中心,依次循环,直到满足下面的公式,其中0<δ<1;
进一步,在步骤四中贴合度的公式为:
其中,X为基准模式库中的聚类中心,Y为待识别样本。
进一步,在步骤五中,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心时,具体算法公式如下:
εGT=Xobs-Xest
其中,Xobs为待识别样本向量,Xest为贴合度最大的聚类中心向量,残差序列为:
εGT=[ε1 ε2 … εN]
残差比值OMR为:
本发明提供的断路器分合闸线圈电流信号识别方法,在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态;本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库,能在断路器运行和检修的状态下,通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比,对断路器运行状态的识别,实现故障早期有效预警,满足断路器快速、安全、有效率检测的需求,有效解决了现有断路器机械特性试验法存在的不足,为断路器安全稳定运行提供保障。
附图说明
图1是本发明实施例提供的断路器分合闸线圈电流信号识别方法的实现流程图;
图2是本发明实施例提供的断路器分合闸线圈电流信号典型曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明是这样实现的,一种断路器分合闸线圈电流信号识别方法,该断路器分合闸线圈电流信号识别方法包括以下步骤:
步骤S101,在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;
步骤S102,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;
步骤S103,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;
步骤S104,通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;
步骤S105,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;
步骤S106,计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态。
在本发明实施例中,在步骤S102中,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵的具体实现方法为:
a)提取t1、t2、t3、t4、t5这5个特征时刻点以及t1、t2、t3、t4、t5这5个特征时刻点对应的电流值i1、i2、i3、i4、i5作为特征向量X,其中i为某一时刻,n=10;
X(i)=[x1 x2 …xn]T
b)构造断路器正常状态数据矩阵D,其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数;
在本发明实施例中,在步骤S103中,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为:
c)计算断路器正常状态数据集中每组特征向量X的密度;
d)找到密度指标最大的向量作为第一个聚类中心V* k-1,之后除去这个向量的密度,再计算所有向量的密度指标;
其中,
e)再找到最大的密度指标,并把此向量作为聚类中心,依次循环,直到满足下面的公式,其中0<δ<1;
在本发明实施例中,在步骤S104中贴合度的公式为:
其中,X为基准模式库中的聚类中心,Y为待识别样本。
在本发明实施例中,在步骤S105中,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心时,具体算法公式如下:
εGT=Xobs-Xest
其中,Xobs为待识别样本向量,Xest为贴合度最大的聚类中心向量,残差序列为:
εGT=[ε1 ε2…εN]
残差比值OMR为:
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明提供的断路器分合闸线圈电流信号识别方法,包括以下几个步骤:
步骤1、在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;
步骤2、提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;
步骤3、基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;
步骤4、通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;
步骤5、计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;
步骤6、计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态。
步骤2具体还包括如下步骤:
a)提取t1、t2、t3、t4、t5这5个特征时刻点以及t1、t2、t3、t4、t5这5个特征时刻点对应的电流值i1、i2、i3、i4、i5作为特征向量X,其中i为某一时刻,n=10;
X(i)=[x1 x2…xn]T
b)构造断路器正常状态数据矩阵D,其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数;
步骤3减法聚类的具体算法如下:
c)计算断路器正常状态数据集中每组特征向量X的密度;
d)找到密度指标最大的向量作为第一个聚类中心V* k-1,之后除去这个向量的密度,再计算所有向量的密度指标;
e)再找到最大的密度指标,并把此向量作为聚类中心。依次循环,直到满足下面的公式,其中0<<1;
步骤4贴合度的公式,其中X为基准模式库中的聚类中心,Y为待识别样本:
步骤5的具体算法公式如下:
εGT=[Xbos-Xest]
其中,Xobs为待识别样本向量,Xest为贴合度最大的聚类中心向量,残差序列为:
εGT=[ε1 ε2…εN]
残差比值OMR为:
图2为本发明实施例提供的断路器分合闸线圈电流信号典型曲线。
本发明提供的基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库,能在断路器运行和检修的状态下,通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比,对断路器运行状态的识别,实现故障早期有效预警,有效解决了现有断路器机械特性试验法存在的不足。
本发明公开了一种断路器分合闸线圈电流信号识别方法,方法包括如下步骤:采集断路器操作机构正常运行下的分合闸线圈电流信号,提取特征数据集;利用聚类分析算法提取断路器操作机构正常运行下的分合闸线圈电流信号数据的聚类中心,建立断路器分合闸线圈电流信号的基准模式库;计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;计算待识别样本与基准模式库相似度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态,实现故障的预警。本发明对于评估断路器操作机构的运行状态,实现在线故障预警及优化检修策略有重要的意义。
本发明实施例提供的断路器分合闸线圈电流信号识别方法,在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态;本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库,能在断路器运行和检修的状态下,通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比,对断路器运行状态的识别,实现故障早期有效预警,满足断路器快速、安全、有效率检测的需求,有效解决了现有断路器机械特性试验法存在的不足,为断路器安全稳定运行提供保障。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种断路器分合闸线圈电流信号识别方法,其特征在于,该断路器分合闸线圈电流信号识别方法包括以下步骤:
步骤一,在断路器上安装霍尔传感器,通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据;
步骤二,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵;
步骤三,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库;
步骤四,通过霍尔传感器采集断路器分合闸线圈电流信号样本数据,提取特征量构造待识别样本数据集;
步骤五,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心;
步骤六,计算待识别样本与基准模式库贴合度最大的聚类中心残差比值,根据残差比值的大小识别断路器操作机构的运行状态。
2.如权利要求1所述的断路器分合闸线圈电流信号识别方法,其特征在于,在步骤二中,提取断路器正常状态下分合闸线圈电流信号的特征量数据,构造断路器正常状态数矩阵的具体实现方法为:
a)提取t1、t2、t3、t4、t5这5个特征时刻点以及t1、t2、t3、t4、t5这5个特征时刻点对应的电流值i1、i2、i3、i4、i5作为特征向量X,其中i为某一时刻,n=10;
X(i)=[x1 x2 … xn]T
b)构造断路器正常状态数据矩阵D,其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数;
3.如权利要求1所述的断路器分合闸线圈电流信号识别方法,其特征在于,在步骤三中,基于减法聚类算法对正常状态数据集提取聚类中心,建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为:
c)计算断路器正常状态数据集中每组特征向量X的密度;
d)找到密度指标最大的向量作为第一个聚类中心V* k-1,之后除去这个向量的密度,再计算所有向量的密度指标;
其中,
e)再找到最大的密度指标,并把此向量作为聚类中心,依次循环,直到满足下面的公式,其中0<δ<1;
4.如权利要求1所述的断路器分合闸线圈电流信号识别方法,其特征在于,在步骤四中贴合度的公式为:
其中,X为基准模式库中的聚类中心,Y为待识别样本。
5.如权利要求1所述的断路器分合闸线圈电流信号识别方法,其特征在于,在步骤五中,计算待识别样本与基准模式库中聚类中心贴合度,遍历基准模式库中所有的聚类中心,找到贴合度最大的聚类中心时,具体算法公式如下:
εGT=Xobs-Xest
其中,Xobs为待识别样本向量,Xest为贴合度最大的聚类中心向量,残差序列为:
εGT=[ε1 ε2 … εN]
残差比值OMR为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610679238.0A CN106093771B (zh) | 2016-08-16 | 2016-08-16 | 一种断路器分合闸线圈电流信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610679238.0A CN106093771B (zh) | 2016-08-16 | 2016-08-16 | 一种断路器分合闸线圈电流信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106093771A true CN106093771A (zh) | 2016-11-09 |
CN106093771B CN106093771B (zh) | 2019-03-22 |
Family
ID=58070888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610679238.0A Active CN106093771B (zh) | 2016-08-16 | 2016-08-16 | 一种断路器分合闸线圈电流信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106093771B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
CN109298225A (zh) * | 2018-09-29 | 2019-02-01 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型及方法 |
CN110579323A (zh) * | 2019-08-20 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN112352165A (zh) * | 2018-08-09 | 2021-02-09 | Abb瑞士股份有限公司 | 用于监测断路器的方法以及使用该方法的装置和物联网 |
CN112798948A (zh) * | 2020-12-30 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 一种gis分合闸线圈的状态评估方法和装置 |
CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010049988A (ja) * | 2008-08-22 | 2010-03-04 | Chugoku Electric Power Co Inc:The | 配線用遮断器の無停電試験装置 |
JP2012149915A (ja) * | 2011-01-17 | 2012-08-09 | Chugoku Electric Power Co Inc:The | 遮断器試験装置、プログラムおよび遮断器試験方法 |
CN102645621A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于空间特征参数的变电站多源局部放电检测方法及装置 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104713714A (zh) * | 2015-02-09 | 2015-06-17 | 云南电网有限责任公司电力科学研究院 | 一种基于网格多密度聚类的高压断路器动作特性分析方法 |
CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
-
2016
- 2016-08-16 CN CN201610679238.0A patent/CN106093771B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010049988A (ja) * | 2008-08-22 | 2010-03-04 | Chugoku Electric Power Co Inc:The | 配線用遮断器の無停電試験装置 |
JP2012149915A (ja) * | 2011-01-17 | 2012-08-09 | Chugoku Electric Power Co Inc:The | 遮断器試験装置、プログラムおよび遮断器試験方法 |
CN102645621A (zh) * | 2012-05-17 | 2012-08-22 | 广东电网公司电力科学研究院 | 基于空间特征参数的变电站多源局部放电检测方法及装置 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104713714A (zh) * | 2015-02-09 | 2015-06-17 | 云南电网有限责任公司电力科学研究院 | 一种基于网格多密度聚类的高压断路器动作特性分析方法 |
CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
Non-Patent Citations (1)
Title |
---|
李宇 等: "基于模糊理论的高压断路器状态评估研究", 《高压电器》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
CN112352165A (zh) * | 2018-08-09 | 2021-02-09 | Abb瑞士股份有限公司 | 用于监测断路器的方法以及使用该方法的装置和物联网 |
US11867763B2 (en) | 2018-08-09 | 2024-01-09 | Abb Schweiz Ag | Method for monitoring circuit breaker and apparatus and internet of things using the same |
CN112352165B (zh) * | 2018-08-09 | 2024-03-26 | Abb瑞士股份有限公司 | 用于监测断路器的方法以及使用该方法的装置和物联网 |
CN109298225A (zh) * | 2018-09-29 | 2019-02-01 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型及方法 |
CN109298225B (zh) * | 2018-09-29 | 2020-10-09 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型系统及方法 |
CN110579323A (zh) * | 2019-08-20 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN110579323B (zh) * | 2019-08-20 | 2021-09-10 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN112798948A (zh) * | 2020-12-30 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 一种gis分合闸线圈的状态评估方法和装置 |
CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106093771B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093771A (zh) | 一种断路器分合闸线圈电流信号识别方法 | |
CN105891629A (zh) | 一种变压器设备故障的辨识方法 | |
Ghanbari | Autocorrelation function‐based technique for stator turn‐fault detection of induction motor | |
CN104569481B (zh) | 瓦斯继电器油流流速采集系统和重瓦斯整定值校验方法 | |
CN106841909B (zh) | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 | |
CN108491990A (zh) | 一种风电场设备状态评价及检修决策支持检测方法及系统 | |
CN107991584A (zh) | 一种基于极化/去极化电流的变压器电容式套管绝缘老化测试方法 | |
CN112116276B (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
Kundu et al. | Online identification of protection element failure using wide area measurements | |
CN113268590A (zh) | 一种基于设备画像和集成学习的电网设备运行状态评估方法 | |
CN109342882A (zh) | 基于多源特征值分析的电缆故障在线监测方法 | |
Mirzai et al. | Regular paper Failures Analysis and Reliability Calculation for Power Transformers | |
Moradzadeh et al. | Location of disk space variations in transformer winding using convolutional neural networks | |
Łowczowski et al. | Monitoring, detection and locating of transient earth fault using zero-sequence current and cable screen earthing current in medium voltage cable and mixed feeders | |
Kim et al. | New diagnosis method of unknown phase-shifted PD signals for gas insulated switchgears | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
KR101223883B1 (ko) | 초저주파 탄델타 측정 데이터를 이용한 전력 케이블 상태 진단 장치 및 그 방법 | |
CN116894165A (zh) | 一种基于数据分析的电缆老化状态评估方法 | |
CN105137311B (zh) | 一种干式空心电抗器匝间绝缘电老化试验系统及其试验方法 | |
CN105137211B (zh) | 一种基于wrf模式和相似日强对流指数辨识的雷害预警方法 | |
CN103777106A (zh) | 一种输电线路风偏故障智能辨识方法 | |
Anjum et al. | Radio frequency (RF) technique for field inspection of porcelain insulators | |
Kimiyaghalam et al. | Application of IBSFLA and BSFLA approaches for locating of fault indicators in distribution networks | |
Hao et al. | Transmission line fault diagnosis based on machine learning | |
Zhang et al. | Bird pecking damage risk assessment of UHV transmission line composite insulators based on deep learning |
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 |