CN107505541A - 一种变压器局部放电模式的识别方法 - Google Patents
一种变压器局部放电模式的识别方法 Download PDFInfo
- Publication number
- CN107505541A CN107505541A CN201710494036.3A CN201710494036A CN107505541A CN 107505541 A CN107505541 A CN 107505541A CN 201710494036 A CN201710494036 A CN 201710494036A CN 107505541 A CN107505541 A CN 107505541A
- Authority
- CN
- China
- Prior art keywords
- discharge
- characteristic parameter
- transformer
- class
- 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.)
- 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
- G01R31/12—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器局部放电模式的识别方法,是首先通过产生、研究局部放电PRPD模式的三维和二维谱图,再从谱图中提取分析局部放电特征参量,然后基于聚类分析而划分局部放电的特征参量类归属的模式,最后通过人工神经网络比较特征参量类的相异度而确定局部放电模式,并得到识别案例数据库。本发明通过聚类分析法和人工神经网络的结合,创新了局部放电特征参量识别库的构建方法,避免了识别分析时遗漏放电信息,大幅提升了诊断局部放电缺陷的准确性,从而能帮助及早发现变压器潜伏性缺陷,避免了电力安全事故的发生。
Description
技术领域
本发明属于变压器绝缘检测的研究与应用技术领域,尤其涉及一种变压器局部放电模式的识别方法。
背景技术
电力变压器绝缘状况是决定其运行可靠性和系统稳定性的主要条件之一,而造成变压器绝缘老化和破坏的主要原因之一则是局部放电,即是导体间绝缘介质内部所发生的局部击穿的一种放电。该放电可能发生在绝缘内部或邻近导体的地方。局部放电包括内部放电、表面放电。其中内部放电是指绝缘介质内部空隙里的局部放电,可能发生在导体附近;而表面放电是指在绝缘表面上方或沿着绝缘表面的局部放电。因此监测变压器的内部放电情况,是提高电力系统可靠性和经济性的重要途径。局部放电过程会伴随着相应的特征参量,故考虑采用特高频法检测局部放电波形的幅度大小、放电次数、相位分布以及其他特征,从而诊断变压器内部局部放电模式和绝缘缺陷提供可靠依据。
特高频局部放电状态监测装置在电力系统得到广泛应用,可以通过探测到的特高频电磁波信号,进而判断、发现被测设备的局部放电故障。从而方便地实现实时检测电力变压器内部发电程度,并分析设备绝缘状况的目的,但因不同局部放电类型的特征参数各异,识别局部放电故障模式还缺少统一的标准和方法。
通过分析放电脉冲相位分布(phase resolved partial discharge,PRPD) 而识别局部放电模式是评估电气设备绝缘状态的主要方法。从上世纪90年代起,模式识别方法开始应用于局部放电模式的识别,以代替放电谱图的目测判断,但传统的PRPD方法在处理大数据时会出现效率低下的问题。
近年来,人工神经网络(Artificial Neural Network,ANN)被越来越多的应用于识别局部放电类型,人工神经网络则是将大量功能简单的神经元通过一定的拓扑结构组织起来,构成群体并行式处理的计算结构,不同的连接方式将得到不同特性的神经网络,但如何获得数据较为完备的标准样本是关键问题。
上述情况导致现有监测技术难以真实反映变压器内部的实际放电情况,影响及时发现、处置电力变压器的潜伏性缺陷,故很有必要建立一种可靠识别变压器局部放电模式的方法,从而准确和及早发现设备的潜伏性缺陷。
发明内容
针对现有技术的不足,本发明提供一种变压器局部放电模式的识别方法,能够准确识别局部放电监测数据,用以实现记录与评价局部放电特征指标的功能,解决行业内缺少可靠耐用的电力变压器局部放电状态实时监测手段的弊端,从而准确和及早发现设备的潜伏性缺陷,避免酿成电力安全生产事件。
为实现上述目的,本发明采用以下技术方案:
一种变压器局部放电模式的识别方法,包括以下步骤:
S1.通过不同的变压器放电模型产生不同的典型局部放电模式,并采集不同局部放电模式下的统计谱图,所述统计谱图包括三维统计谱图和二维统计谱图;
S2.提取统计谱图的局部放电主要特征参量;
S3.基于聚类分析方法,预选出各种典型局部放电模式下每个特征参量的类和聚类中心,根据聚类中心对应的特征参量划分局部放电的强度和模式,进而通过聚类中心确定其所在类中其他特征参量对应的局部放电模式;
S4.构建人工神经网络,并输入步骤S3所获得的特征参量的类,通过人工神经网络比较变压器放电实例与各种变压器放电模型特征参量的相异度,进而得到识别结果。
进一步的,所述步骤S3包括以下子步骤:
S31. 设有A种变压器放电模型,共产生A种典型局部放电模式,分别预选出A种典型局部放电模式的第一个特征参量的类Z 1 和聚类中心:
S311.将不同放电模式的第一组谱图数据的第一个特征参量样本X 11 作为第一类的聚类中心D 11 ;
S312.在剩余谱图数据的特征参量样本中选出距离X 11 最远的第一个特征参量样本X 1i 作为第二类的聚类中心D 12 ;
S313.分别计算剩余谱图数据的第一个特征参量样本X 1n 距离D 11 、D 12 的最小者min(|| X 1n -D 11 ||,|| X 1n -D 12 ||),并取这些距离的最大值max,若max>C×|| D 11 -D 12 ||,则X 1n 为第三类的聚类中心D 13 ,C为常量;
若max<C×|| D 11 -D 12 ||,则特征参量样本X 1n 不是第三类的聚类中心,则按照步骤S311、S312、S313的规则继续查找新的类Z 1 和聚类中心D 13 ;
S314. 按照步骤S313的规则查找第一个特征参量的其他类,直至找到A个第一个特征参量的类Z 1 和聚类中心D 11 至D 1A ,将剩余的非聚类中心的第一个特征参量样本分配至最相近的类;
S32.设步骤S2提取的局部放电特征参量共有B个,按照步骤S31的规则继续预选出所有特征参量分别具有的类和聚类中心,即获得类Z1至ZB;
S33.根据聚类中心对应的特征参量划分局部放电的强度和模式,进而通过聚类中心确定其所在类中其他特征参量对应的局部放电模式。
进一步的,所述步骤S4包括以下子步骤:
S41.构建人工神经网络,在人工神经网络的输入层节点分别输入图谱数据中特征参量的类Z1至ZB;
S42. 将变压器放电实例的特征参量在人工神经网络的隐层节点分别与特征参量类Z1至ZB进行比对,获得权值及相异度,并按相异度划分出变压器放电实例的局部放电模式;
S43. 将划分确定放电模式后的结果数据输出至输出层节点Y 1 至Y A 。
更进一步的,所述步骤S4还包括以下子步骤:S44.划分确定放电模式后的结果数据存储至案例库中,用以在现场识别变压器局部放电故障模式。
优选的,所述典型局部放电模式包括针板放电、油隙放电、悬浮放电、沿面放电、纸板放电、气体放电、颗粒放电、套管放电、匝间放电。
优选的,所述步骤(2)中,提取的局部放电特征参量包括放电强度因数q、平均值μ、方差σ 2 、偏斜度S k 、陡峭度K u 、相关系数cc、相位不对称度Ф、修正互相关系数mcc、相位中值Mn、正负半轴放电次数比值rate、相位φ、频率f。
优选的,所述步骤(2)中,提取的特征参量包括变压器放电模型于不同局部放电模式下在初始放电、放电发展、趋势稳定、即将击穿阶段的特征参量。
进一步的,所述统计谱图为PRPD模式的谱图。
以上所述的一种变压器局部放电模式的识别方法,是首先通过产生、研究局部放电PRPD模式的三维和二维谱图,再从谱图中提取分析局部放电特征参量,然后基于聚类分析的欧式距离而划分局部放电的特征参量类归属的模式,最后通过人工神经网络比较特征参量类的相异度而确定局部放电模式,并得到识别案例数据库。
与现有技术相比,本发明所提供的电力变压器局部放电模式识别方法以下优点:
(1)率先通过聚类分析法对不同局部放电模式在初始放电、放电发展、趋势稳定、即将击穿等全过程中的特征参量进行分析,并形成聚类,克服了难以可靠还原放电时强度幅值、放电次数等数值变化较大、规律比较复杂的弊端,建立了能划分局部放电模式和强度的数据完备的人工神经网络所需的标准样本,有效降低了现场诊断识别放电模式时的误判率、漏判率。
(2)通过聚类分析法和人工神经网络的结合,创新了局部放电特征参量识别库的构建方法,避免了识别分析时遗漏放电信息,大幅提升了诊断局部放电缺陷的准确性,从而能帮助及早发现变压器潜伏性缺陷,避免了电力安全事故的发生。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的人工神经网络的结构示意图。
具体实施方式
下面结合本发明实施例中的附图,对本实施新型中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种变压器局部放电模式的识别方法,包括以下步骤:
S1.通过9种变压器放电模型,产生9种典型局部放电模式,并采集不同局部放电模式下的统计谱图,其中,本实施例中,9种典型局部放电模式包括针板放电、油隙放电、悬浮放电、沿面放电、纸板放电、气体放电、颗粒放电、套管放电、匝间放电。统计谱图包括PRPD模式的三维统计谱图和二维统计谱图。
S2.提取统计谱图的局部放电主要特征参量,本实施例中,提取的局部放电主要特征参量包括放电强度因数q、平均值μ、方差σ 2 、偏斜度S k 、陡峭度K u 、相关系数cc、相位不对称度Ф、修正互相关系数mcc、相位中值Mn、正负半轴放电次数比值rate、相位φ、频率f12个;且提取的特征参量包括变压器放电模型于不同局部放电模式下在初始放电、放电发展、趋势稳定、即将击穿阶段的特征参量。
S3.基于聚类分析方法,预选出各种局部放电模式下每个特征参量的类和聚类中心,根据聚类中心对应的特征参量划分局部放电的强度和模式,进而通过聚类中心确定其所在类中其他特征参量对应的局部放电模式。
S31.分别预选出12种典型局部放电模式的第一个特征参量的类Z 1 和聚类中心:
S311.将不同放电模式的第一组谱图数据的第一个特征参量样本X 11 作为第一类的聚类中心D 11 ;本实施例所采用的第一组谱图数据,通常是在对放电模型升至可产生局部放电时的一定电压、且稳定后取一组均值的谱图;而何时可产生放电,通常是通过测量仪器测试,或是通过部分局部放电模型具备的观察窗观察获得。
S312.在剩余谱图数据的特征参量样本中选出距离X 11 最远的第一个特征参量样本X 1i 作为第二类的聚类中心D 12 ;
S313.分别计算剩余谱图数据的第一个特征参量样本X 1n 距离D 11 、D 12 的最小者min(|| X 1n -D 11 ||,|| X 1n -D 12 ||),并取这些距离的最大值max,若max>C×|| D 11 -D 12 ||,则X 1n 为第三类的聚类中心D 13 ,C为常量;
若max<C×|| D 11 -D 12 ||,则特征参量样本X 1n 不是第三类的聚类中心,则按照步骤S311、S312、S313的规则继续查找新的类Z 1 和聚类中心D 13 ;通过这一步骤还能识别第一类的聚类中心D 11 是否选择正确,如果不正确,即通过步骤S311、S312、S313的规则继续;
S314. 按照步骤S313的规则查找第一个特征参量的其他类,直至找到12个第一个特征参量的类Z 1 和聚类中心D 11 至D 112 ,将剩余的非聚类中心的第一个特征参量样本分配至最相近的类;
S32.按照步骤S31的规则继续预选出其余11个特征参量分别具有的类和聚类中心,即获得类Z1至Z12;
S33.根据聚类中心对应的特征参量划分局部放电的强度和模式,该划分方法即是按照PRPD方法来识别局部放电模式,进而再通过聚类中心确定其所在类中其他特征参量对应的局部放电模式。
至此,本步骤为下一步骤建立了数据完备的标准样本,特征参量的类Z1至Z12包括了初始放电、放电发展、趋势稳定、即将击穿等全过程中的数据。
S4.构建人工神经网络,结合图1所示,并输入步骤S3所获得的特征参量的类,通过人工神经网络比较变压器放电实例与各种变压器放电模型特征参量的相异度,进而得到识别结果。
S41.构建人工神经网络,在人工神经网络的输入层节点分别输入图谱数据中特征参量的类Z1至Z12;
S42. 将变压器放电实例的特征参量在人工神经网络的隐层节点分别与特征参量类Z1至Z12进行比对,获得权值及相异度,并按相异度划分出变压器放电实例的局部放电模式;
S43. 将划分确定放电模式后的结果数据输出至输出层节点Y 1 至Y 9 ,即完成了变压器放电实例的模式识别。
为使人工神经网络的数据更为完善,还包括S44.划分确定放电模式后的结果数据存储至案例库中,用以在现场识别变压器局部放电故障模式。通过加载识别案例库,设备相关运维人员可及时跟踪、持续监视、诊断分析该变压器的绝缘状况;必要时,变电站的运维人员还可以通过监测工控机、示波器查阅所检测的特高频电磁波信号,进一步比对验证、分析局部放电的幅度大小、放电次数、相位分布,提升监测和诊断电力变压器局部放电缺陷的准确率。
本实施例还可用以校验局部放电监测装置或检测仪器对变压器局部放电的测量效果,有助于提高局部放电监测装置或检测仪器品控质量、健康水平和使用效率,达到了局部放电监测装置或检测仪器运维中的风险、效能和成本综合最优。
Claims (8)
1.一种变压器局部放电模式的识别方法,其特征在于包括以下步骤:
S1.通过不同的变压器放电模型产生不同的典型局部放电模式,并采集不同局部放电模式下的统计谱图,所述统计谱图包括三维统计谱图和二维统计谱图;
S2.提取统计谱图的局部放电主要特征参量;
S3.基于聚类分析方法,预选出各种典型局部放电模式下每个特征参量的类和聚类中心,根据聚类中心对应的特征参量划分局部放电的强度和模式,进而通过聚类中心确定其所在类中其他特征参量对应的局部放电模式;
S4.构建人工神经网络,并输入步骤S3所获得的特征参量的类,通过人工神经网络比较变压器放电实例与各种变压器放电模型特征参量的相异度,进而得到识别结果。
2.根据权利要求1所述的变压器局部放电模式的识别方法,其特征在于:
所述步骤S3包括以下子步骤:
S31. 设有A种变压器放电模型,共产生A种典型局部放电模式,分别预选出A种典型局部放电模式的第一个特征参量的类Z 1 和聚类中心:
S311.将不同放电模式的第一组谱图数据的第一个特征参量样本X 11 作为第一类的聚类中心D 11 ;
S312.在剩余谱图数据的特征参量样本中选出距离X 11 最远的第一个特征参量样本X 1i 作为第二类的聚类中心D 12 ;
S313.分别计算剩余谱图数据的第一个特征参量样本X 1n 距离D 11 、D 12 的最小者min(|| X 1n -D 11 ||,|| X 1n -D 12 ||),并取这些距离的最大值max,若max>C×|| D 11 -D 12 ||,则X 1n 为第三类的聚类中心D 13 ,C为常量;
若max<C×|| D 11 -D 12 ||,则特征参量样本X 1n 不是第三类的聚类中心D 13 ,则按照步骤S311、S312、S313的规则继续查找新的类Z 1 和聚类中心D 13 ;
S314. 按照步骤S313的规则查找第一个特征参量的其他类,直至找到A个第一个特征参量的类Z 1 和聚类中心D 11 至D 1A ,将剩余的非聚类中心的第一个特征参量样本分配至最相近的类;
S32.设步骤S2提取的局部放电主要特征参量共有B个,按照步骤S31的规则继续预选出所有特征参量分别具有的类和聚类中心,即获得类Z1至ZB;
S33.根据聚类中心对应的特征参量划分局部放电的强度和模式,进而通过聚类中心确定其所在类中其他特征参量对应的局部放电模式。
3.根据权利要求2所述的变压器局部放电模式的识别方法,其特征在于:
所述步骤S4包括以下子步骤:
S41.构建人工神经网络,在人工神经网络的输入层节点分别输入图谱数据中特征参量的类Z1至ZB;
S42. 将变压器放电实例的特征参量在人工神经网络的隐层节点分别与特征参量类Z1至ZB进行比对,获得权值及相异度,并按相异度划分出变压器放电实例的局部放电模式;
S43. 将划分确定放电模式后的结果数据输出至输出层节点Y 1 至Y A 。
4.根据权利要求3所述的变压器局部放电模式的识别方法,其特征在于:
所述步骤S4还包括以下子步骤:S44.划分确定放电模式后的结果数据存储至案例库中,用以在现场识别变压器局部放电故障模式。
5.根据权利要求1所述的变压器局部放电模式的识别方法,其特征在于:
所述典型局部放电模式包括针板放电、油隙放电、悬浮放电、沿面放电、纸板放电、气体放电、颗粒放电、套管放电、匝间放电。
6.根据权利要求1所述的变压器局部放电模式的识别方法,其特征在于:
所述步骤(2)中,提取的局部放电主要特征参量包括放电强度因数q、平均值μ、方差σ 2 、偏斜度S k 、陡峭度K u 、相关系数cc、相位不对称度Ф、修正互相关系数mcc、相位中值Mn、正负半轴放电次数比值rate、相位φ、频率f。
7.根据权利要求1所述的变压器局部放电模式的识别方法,其特征在于:
所述步骤(2)中,提取的特征参量包括变压器放电模型于不同局部放电模式下在初始放电、放电发展、趋势稳定、即将击穿阶段的特征参量。
8.根据权利要求1所述的变压器局部放电模式的识别方法,其特征在于:
所述统计谱图为PRPD模式的谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710494036.3A CN107505541B (zh) | 2017-06-26 | 2017-06-26 | 一种变压器局部放电的模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710494036.3A CN107505541B (zh) | 2017-06-26 | 2017-06-26 | 一种变压器局部放电的模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107505541A true CN107505541A (zh) | 2017-12-22 |
CN107505541B CN107505541B (zh) | 2019-11-01 |
Family
ID=60678966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710494036.3A Active CN107505541B (zh) | 2017-06-26 | 2017-06-26 | 一种变压器局部放电的模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107505541B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414900A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种检测变压器局部放电的方法及系统 |
CN110488147A (zh) * | 2019-07-16 | 2019-11-22 | 国网吉林省电力有限公司白城供电公司 | 基于gps时钟无线同步的投运电缆局部放电在线监测方法 |
CN111999614A (zh) * | 2020-08-21 | 2020-11-27 | 国网河南省电力公司周口供电公司 | 一种面向高压开关柜的局部放电多源融合检测预警方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
JP2022010761A (ja) * | 2020-06-29 | 2022-01-17 | 株式会社かんでんエンジニアリング | 電気トリー進展に伴う絶縁劣化の判定方法 |
CN114280433A (zh) * | 2021-12-02 | 2022-04-05 | 西南交通大学 | 一种基于放大电路的变压器套管局部放电风险评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
CN105807190A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种gis局部放电超高频带电检测方法 |
-
2017
- 2017-06-26 CN CN201710494036.3A patent/CN107505541B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105807190A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种gis局部放电超高频带电检测方法 |
CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
Non-Patent Citations (2)
Title |
---|
王辉 等: "GK模糊分类算法在GIS局部放电模式识别中的应用", 《电力系统保护与控制》 * |
陈伟根 等: "基于聚类-小波神经网络的油纸绝缘气隙放电发展阶段识别方法", 《电网技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414900A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种检测变压器局部放电的方法及系统 |
CN110488147A (zh) * | 2019-07-16 | 2019-11-22 | 国网吉林省电力有限公司白城供电公司 | 基于gps时钟无线同步的投运电缆局部放电在线监测方法 |
JP2022010761A (ja) * | 2020-06-29 | 2022-01-17 | 株式会社かんでんエンジニアリング | 電気トリー進展に伴う絶縁劣化の判定方法 |
JP7015869B2 (ja) | 2020-06-29 | 2022-02-03 | 株式会社かんでんエンジニアリング | 電気トリー進展に伴う絶縁劣化の判定方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN111999614A (zh) * | 2020-08-21 | 2020-11-27 | 国网河南省电力公司周口供电公司 | 一种面向高压开关柜的局部放电多源融合检测预警方法 |
CN114280433A (zh) * | 2021-12-02 | 2022-04-05 | 西南交通大学 | 一种基于放大电路的变压器套管局部放电风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107505541B (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505541B (zh) | 一种变压器局部放电的模式识别方法 | |
CN103645425B (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
CN110275094A (zh) | 一种高压电缆局部放电声光联合检测方法及系统 | |
Bigdeli et al. | Detection of probability of occurrence, type and severity of faults in transformer using frequency response analysis based numerical indices | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
US10948478B2 (en) | Blood state analysis device, blood state analysis system, blood state analysis method, and program | |
CN103197218A (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN109061426A (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
CN112180221A (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
CN114252749A (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN112668612A (zh) | 一种基于网格的局部放电信号聚类分析方法 | |
JPH1078471A (ja) | 部分放電測定方法 | |
CN116008751A (zh) | 一种基于样本增强的电缆局部放电故障特性识别方法 | |
CN106019089A (zh) | 一种根据相间信号相关关系特征进行局部放电判别的方法 | |
CN117420393A (zh) | 开关柜局部放电缺陷识别方法、系统、设备及存储介质 | |
CN108399387A (zh) | 用于识别目标群体的数据处理方法及装置 | |
Chang et al. | Adaptive adjustment of threshold criterion in predicting failure for medium voltage power cable joints | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
CN114935708A (zh) | 一种线路放电异常的识别方法 | |
Chang et al. | Partial discharge pattern recognition for underground cable joints using convolutional neural network | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |