CN107907807A - 一种气体绝缘组合电器局部放电模式识别方法 - Google Patents

一种气体绝缘组合电器局部放电模式识别方法 Download PDF

Info

Publication number
CN107907807A
CN107907807A CN201711419437.9A CN201711419437A CN107907807A CN 107907807 A CN107907807 A CN 107907807A CN 201711419437 A CN201711419437 A CN 201711419437A CN 107907807 A CN107907807 A CN 107907807A
Authority
CN
China
Prior art keywords
mrow
msub
represent
model
munderover
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
Application number
CN201711419437.9A
Other languages
English (en)
Inventor
代荡荡
余铮
朱国威
刘芬
王逸兮
冯浩
王敬靖
罗弦
龙霏
查志勇
廖荣涛
朱小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority to CN201711419437.9A priority Critical patent/CN107907807A/zh
Publication of CN107907807A publication Critical patent/CN107907807A/zh
Pending legal-status Critical Current

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
    • 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
    • G01R31/1281—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 liquids or gases

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供了一种气体绝缘组合电器局部放电模式识别方法，包括以下几个步骤：建立不同类型的局部放电缺陷模型，对各模型进行模拟放电验，采用超高频检测法获取波形数据；采用EEMD算法和SVD算法提取表征波形特征的多维特征矢量；采用经过粒子群算法优化的支持向量机训练获取的样本；用训练好的支持向量机对实测局部放电进行分类；本发明采用经粒子群算法优化的支持向量机为分类器对气体绝缘组合电器局部放电进行模式识别，支持向量机能够在较少的训练样本下获得较高的分类准确率，但是需要提前给定算法中的两个关键参数，采用粒子群算法可以有效的对这两个参数进行寻优，提高支持向量机的分类性能。

Description

一种气体绝缘组合电器局部放电模式识别方法
技术领域
本发明涉及高压绝缘故障诊断领域，尤其涉及一种气体绝缘组合电器局部放电模式识别方法。
背景技术
气体绝缘组合电器在设计、制造、运输和安装过程中会不可避免的在其内部留下潜伏性的绝缘缺陷。这些缺陷在设备运行初期不会对设备造成严重破坏，但是随着设备的长期带压运行，其危害性逐渐突显。局部放电是组合电器设备因内部缺陷而导致其绝缘性能退化的早期表征，有效的监测局部放电并对其分类对保证设备的安全运行，评估设备的绝缘状况，指导设备的合理检修意义重大。
常用的局部放电检测方法包括脉冲电流法、超声法以及超高频法等。其中，超高频法因其优异的抗干扰能力得到了广泛的运用；目前常用的超高频局部放电信号模式识别方法则有很多种，但是这些方法都存在一个共性问题，即需要对原始信号进行去噪。因此，对于采集到的超高频局部放电信号，寻找一种抗干扰能力强的分类算法不仅能够简化故障诊断的流程，而且能够大大提高算法对环境的适应能力。
发明内容
本发明的目的在于针对现有局部放电模式识别方法对环境噪声抵抗能力差的弊端，提供一种气体绝缘组合电器局部放电模式识别方法，为准确评估设备的绝缘状况和制定相应的检修策略提供理论和方法依据。
为实现上述目的，本发明采用了如下技术方案：
一种气体绝缘组合电器局部放电模式识别方法，包括以下几个步骤：
1)建立不同类型的局部放电缺陷模型，对各模型进行模拟放电实验，采用超高频检测法获取波形数据；
2)采用EEMD算法和SVD算法提取表征波形特征的多维特征矢量；
3)采用经过粒子群算法优化的支持向量机训练获取的样本；
4)用训练好的支持向量机对实测局部放电进行分类。
进一步，所述步骤2)包括以下几个步骤：
a)对原始局部放电信号进行EEMD，获取IMFs，进行EEMD后，原始信号可以表示为：
其中，ci(t)和rn(t)分别表示i个MF和冗余项；
b)根据IMFs频率的降序排列原理，选取频率大于0.3GHz的IMFs；
c)计算所选IMFs中每个IMF的样本熵，计算公式为：
其中，SampEn(m,r,N)表示样本熵，r为设定阈值，N表示信号长度，m表示匹配长度表示匹配模板数；
d)将所选IMFs组成IMF矩阵，并对该矩阵进行分块，进一步对每个子矩阵A进行奇异值分解，计算公式为：
其中，U＝[u1,u2,...,um]∈Rm×m表示左奇异矩阵，V＝[v1,v2,...,vn]∈Rn×n表示右奇异矩阵，δi表示第i个奇异值，r为矩阵A的秩；
e)用每个子矩阵的最大奇异值占比和各IMF的样本熵组成表征原始信号的特征矢量：
fts＝[rt1,rt2,...,rtN,SampEn1,SampEn2,...,SampEnM]
其中，δimax表示第i个子矩阵的最大奇异值，δisum表示第i个子矩阵的奇异值之和，rti表示第i个子矩阵的最大奇异值占比，SampEnM表示第M个IMF，fts表示特征矢量。
进一步，所述不同类型的局部放电缺陷模型包括：针-板电极缺陷模型、绝缘子气隙缺陷模型、绝缘子表面金属污秽模型和自由金属颗粒模型。
本发明采用经粒子群算法优化的支持向量机为分类器对气体绝缘组合电器局部放电进行模式识别，支持向量机能够在较少的训练样本下获得较高的分类准确率，但是需要提前给定算法中的两个关键参数，采用粒子群算法可以有效的对这两个参数进行寻优，提高支持向量机的分类性能。
附图说明
图1为一种气体绝缘组合电器局部放电模式识别流程图；
图2为针-板电极缺陷物理模型图；
图3为绝缘子气隙缺陷物理模型图；
图4为绝缘子表面金属污秽缺陷物理模型图；
图5为自由金属颗粒缺陷物理模型图；
图6本发明的局部放电模拟实验接线图；
图7为本发明的矩阵分块图。
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，下面结合附图及实施例，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用以解释本发明，并不用于限定本发明。
一种气体绝缘组合电器局部放电模式识别方法，包括以下几个步骤：
1)建立不同类型的局部放电缺陷模型，对各模型进行模拟放电实验，采用超高频检测法获取波形数据；
2)采用EEMD算法和SVD算法提取表征波形特征的多维特征矢量；
3)采用经过粒子群算法优化的支持向量机训练获取的样本；
4)用训练好的支持向量机对实测局部放电进行分类。
其中，所述步骤2)包括以下几个步骤：
a)对原始局部放电信号进行EEMD，获取IMFs，进行EEMD后，原始信号可以表示为：
其中，ci(t)和rn(t)分别表示i个MF和冗余项；
b)根据IMFs频率的降序排列原理，选取频率大于0.3GHz的IMFs；
c)计算所选IMFs中每个IMF的样本熵，计算公式为：
其中，SampEn(m,r,N)表示样本熵，r为设定阈值，N表示信号长度，m表示匹配长度表示匹配模板数；
d)将所选IMFs组成IMF矩阵，并对该矩阵进行分块，进一步对每个子矩阵A进行奇异值分解，计算公式为：
其中，U＝[u1,u2,...,um]∈Rm×m表示左奇异矩阵，V＝[v1,v2,...,vn]∈Rn×n表示右奇异矩阵，δi表示第i个奇异值，r为矩阵A的秩；
e)用每个子矩阵的最大奇异值占比和各IMF的样本熵组成表征原始信号的特征矢量：
fts＝[rt1,rt2,...,rtN,SampEn1,SampEn2,...,SampEnM]
其中，δimax表示第i个子矩阵的最大奇异值，δisum表示第i个子矩阵的奇异值之和，rti表示第i个子矩阵的最大奇异值占比，SampEnM表示第M个IMF，fts表示特征矢量。
其中，所述不同类型的局部放电缺陷模型包括：针-板电极缺陷模型、绝缘子气隙缺陷模型、绝缘子表面金属污秽模型和自由金属颗粒模型。
实施例一
本发明的流程如图1所示，具体处理步骤如下：
S1、建立不同缺陷类型的局部放电模型，所述局部放电模型有四种，如图2至图5所示，分别为针-板电极缺陷模型、绝缘子气隙缺陷模型、绝缘子表面金属污秽模型以及自由金属颗粒模型；
其中，针-板电极缺陷模型、绝缘子气隙缺陷模型、绝缘子表面金属污秽模型和自由金属颗粒模型均包括铝制高压电极101、不锈钢接地电极102；此外，自由金属颗粒模型还包括铜制金属颗粒物103；绝缘子表面金属污秽模型还包括铜制金属污秽物1041。
如图6所示，对每一种模型进行加压实验，采用超高频检测设备采集放电波形信号，每种缺陷收集100组数据。
其中，超高频检测设备包括隔离变压器104、无晕变压器105、限流电阻106、电容分压器107、测量阻抗108、耦合电容109、仿真GIS气室1011、UHF天线1012、示波器1013、局部放电检测仪1014、数字千伏表1015。
S2、对采集到的波形信号进行EEMD分解，依据IMFs的频率降序排列原理，选取频率大于0.3GHz的IMFs，并求取每个IMF的样本熵。
S3、将所选IMFs组成模态函数矩阵，并分成3个子矩阵，对每个子矩阵进行奇异值分解。分别求取每个子矩阵的最大奇异值占，
如图7，其中rti表示第i个子矩阵的最大奇异值占比，SampEnM表示第M个IMF。
S4、将所有子矩阵的最大奇异值占比和各IMF的样本熵组成一个多维特征矢量[rt1,rt2,rt3,SampEn1,SampEn2,...,SampEnM]。
S5、对所有采集到的样本重复步骤S2～S4，获得特征矢量训练样本集。
S6、从每类训练样本集中随机选取70个样本采用支持向量机训练，其中，支持向量机采用粒子群算法优化。
S7、用训练好的支持向量分类器对剩下的30个样本进行测试，评估算法的分类性能。
S8、用训练好的支持向量机分类器对实测的未知样本进行分类。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种气体绝缘组合电器局部放电模式识别方法，其特征在于，包括以下几个步骤：
1)建立不同类型的局部放电缺陷模型，对各模型进行模拟放电实验，采用超高频检测法获取波形数据；
2)采用EEMD算法和SVD算法提取表征波形特征的多维特征矢量；
3)采用经过粒子群算法优化的支持向量机训练获取的样本；
4)用训练好的支持向量机对实测局部放电进行分类。
2.根据权利要求1所述的一种气体绝缘组合电器局部放电模式识别方法，其特征在于，所述步骤2)包括以下几个步骤：
a)对原始局部放电信号进行EEMD，获取IMFs，进行EEMD后，原始信号可以表示为：
<mrow> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>c</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>r</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
其中，ci(t)和rn(t)分别表示i个IMF和冗余项；
b)根据IMFs频率的降序排列原理，选取频率大于0.3GHz的IMFs；
c)计算所选IMFs中每个IMF的样本熵，计算公式为：
<mrow> <mi>S</mi> <mi>a</mi> <mi>m</mi> <mi>p</mi> <mi>E</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>ln</mi> <mo>&amp;lsqb;</mo> <mfrac> <mn>1</mn> <mrow> <mi>N</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>C</mi> <mi>r</mi> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>N</mi> <mo>-</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>C</mi> <mi>r</mi> <mrow> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>
其中，SampEn(m,r,N)表示样本熵，r为设定阈值，N表示信号长度，m表示匹配长度，表示匹配模板数；
d)将所选IMFs组成IMF矩阵，并对该矩阵进行分块，进一步对每个子矩阵A进行奇异值分解，计算公式为：
<mrow> <mi>A</mi> <mo>=</mo> <msup> <mi>USV</mi> <mi>T</mi> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>r</mi> </munderover> <msub> <mi>U</mi> <mi>i</mi> </msub> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <msubsup> <mi>V</mi> <mi>i</mi> <mi>T</mi> </msubsup> </mrow>
其中，U＝[u1,u2,...,um]∈Rm×m表示左奇异矩阵，V＝[v1,v2,...,vn]∈Rn×n表示右奇异矩阵，δi表示第i个奇异值，r为矩阵A的秩；
e)用每个子矩阵的最大奇异值占比和各IMF的样本熵组成表征原始信号的特征矢量：
<mrow> <msub> <mi>rt</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mi>s</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>...</mo> <mo>,</mo> <mi>N</mi> </mrow>
fts＝[rt1,rt2,...,rtN,SampEn1,SampEn2,...,SampEnM]
其中，δimax表示第i个子矩阵的最大奇异值，δisum表示第i个子矩阵的奇异值之和，rti表示第i个子矩阵的最大奇异值占比，SampEnM表示第M个IMF，fts表示特征矢量。
3.根据权利要求1所述的一种气体绝缘组合电器局部放电模式识别方法，其特征在于：所述不同类型的局部放电缺陷模型包括：针-板电极缺陷模型、绝缘子气隙缺陷模型、绝缘子表面金属污秽模型和自由金属颗粒模型。
CN201711419437.9A 2017-12-25 2017-12-25 一种气体绝缘组合电器局部放电模式识别方法 Pending CN107907807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711419437.9A CN107907807A (zh) 2017-12-25 2017-12-25 一种气体绝缘组合电器局部放电模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711419437.9A CN107907807A (zh) 2017-12-25 2017-12-25 一种气体绝缘组合电器局部放电模式识别方法

Publications (1)

Publication Number Publication Date
CN107907807A true CN107907807A (zh) 2018-04-13

Family

ID=61871124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711419437.9A Pending CN107907807A (zh) 2017-12-25 2017-12-25 一种气体绝缘组合电器局部放电模式识别方法

Country Status (1)

Country Link
CN (1) CN107907807A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967594A (zh) * 2019-11-08 2020-04-07 广东电网有限责任公司 一种含逆变式分布式电源的配电网故障定位方法及装置
CN111239554B (zh) * 2019-11-29 2021-04-13 深圳供电局有限公司 一种基于大数据的超声波局放检测分析模型
CN113837141A (zh) * 2021-10-12 2021-12-24 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置
CN115542099A (zh) * 2022-11-28 2022-12-30 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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076547A (zh) * 2013-01-24 2013-05-01 安徽省电力公司亳州供电公司 基于支持向量机的gis局部放电故障类型模式识别方法
CN104107042A (zh) * 2014-07-10 2014-10-22 杭州电子科技大学 基于粒子群优化-支持向量机的肌电信号步态识别方法
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN106199351A (zh) * 2016-06-27 2016-12-07 国网北京市电力公司 局部放电信号的分类方法和装置
CN106646165A (zh) * 2016-12-23 2017-05-10 西安交通大学 一种gis内部绝缘缺陷分类与定位方法及其系统
CN107065568A (zh) * 2017-05-26 2017-08-18 广州供电局有限公司 一种基于粒子群支持向量机的变压器故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076547A (zh) * 2013-01-24 2013-05-01 安徽省电力公司亳州供电公司 基于支持向量机的gis局部放电故障类型模式识别方法
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN104107042A (zh) * 2014-07-10 2014-10-22 杭州电子科技大学 基于粒子群优化-支持向量机的肌电信号步态识别方法
CN106199351A (zh) * 2016-06-27 2016-12-07 国网北京市电力公司 局部放电信号的分类方法和装置
CN106646165A (zh) * 2016-12-23 2017-05-10 西安交通大学 一种gis内部绝缘缺陷分类与定位方法及其系统
CN107065568A (zh) * 2017-05-26 2017-08-18 广州供电局有限公司 一种基于粒子群支持向量机的变压器故障诊断方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967594A (zh) * 2019-11-08 2020-04-07 广东电网有限责任公司 一种含逆变式分布式电源的配电网故障定位方法及装置
CN111239554B (zh) * 2019-11-29 2021-04-13 深圳供电局有限公司 一种基于大数据的超声波局放检测分析模型
CN113837141A (zh) * 2021-10-12 2021-12-24 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置
CN113837141B (zh) * 2021-10-12 2023-10-27 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置
CN115542099A (zh) * 2022-11-28 2022-12-30 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
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

Similar Documents

Publication Publication Date Title
CN107907807A (zh) 一种气体绝缘组合电器局部放电模式识别方法
CN106646096A (zh) 基于振动分析法的变压器故障分类和识别方法
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN110926778B (zh) 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN104155585A (zh) 基于gk模糊聚类的gis局部放电类型识别方法
CN109102508B (zh) 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法
Gao et al. Analysis of the intrinsic characteristics of the partial discharge induced by typical defects in GIS
CN104535905B (zh) 基于朴素贝叶斯分类的局部放电诊断方法
CN103558528B (zh) 一种局部放电超高频检测系统及方法
Zhu et al. Partial discharge signals separation using cumulative energy function and mathematical morphology gradient
CN107064759B (zh) 一种特高压设备绝缘缺陷类型判断方法和系统
CN107037327A (zh) 局部放电故障判定特征提取方法及判定方法
CN106199351A (zh) 局部放电信号的分类方法和装置
CN110703078A (zh) 基于频谱能量分析与自组织竞争算法的gis故障诊断方法
CN112069930A (zh) 提升gis设备故障诊断准确率的振动信号处理方法及装置
CN106324459A (zh) 基于声电一体传感器的gis局部放电检测系统及方法
CN103149514A (zh) 一种gis内多绝缘缺陷模式识别方法
Zhu et al. Classification and separation of partial discharge ultra‐high‐frequency signals in a 252 kV gas insulated substation by using cumulative energy technique
Ibrahim et al. Realization of partial discharge signals in transformer oils utilizing advanced computational techniques
Hussain et al. Review on Partial Discharge Diagnostic Techniques for High Voltage Equipment in Power Systems
Mengyuan et al. Research of circuit breaker intelligent fault diagnosis method based on double clustering
Yang et al. GIS partial discharge patterns recognition with spherical convolutional neural network
CN110703080B (zh) 一种gis尖刺放电诊断方法、放电程度识别方法及装置
Yufeng et al. Partial discharge pattern recognition of DC XLPE cables based on convolutional neural network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413