CN108646149A - 基于电流特征提取的故障电弧识别方法 - Google Patents

基于电流特征提取的故障电弧识别方法 Download PDF

Info

Publication number
CN108646149A
CN108646149A CN201810401308.5A CN201810401308A CN108646149A CN 108646149 A CN108646149 A CN 108646149A CN 201810401308 A CN201810401308 A CN 201810401308A CN 108646149 A CN108646149 A CN 108646149A
Authority
CN
China
Prior art keywords
electric arc
fault electric
neural network
current
wavelet
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
CN201810401308.5A
Other languages
English (en)
Inventor
朱超
钱超
陈昊
谭风雷
陈梦涛
张润宇
吴疆
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.)
National Network Jiangsu Electric Power Co Ltd Maintenance Branch
Suzhou Power Supply Branch Jiangsu Electric Power Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
National Network Jiangsu Electric Power Co Ltd Maintenance Branch
Suzhou Power Supply Branch Jiangsu 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 National Network Jiangsu Electric Power Co Ltd Maintenance Branch, Suzhou Power Supply Branch Jiangsu Electric Power Co Ltd filed Critical National Network Jiangsu Electric Power Co Ltd Maintenance Branch
Priority to CN201810401308.5A priority Critical patent/CN108646149A/zh
Publication of CN108646149A publication Critical patent/CN108646149A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing 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
    • G01R31/1227Testing 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
    • G01R31/1263Testing 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
    • G01R31/1272Testing 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08Locating faults in cables, transmission lines, or networks
    • G01R31/081Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors

Abstract

本发明涉及一种基于电流特征提取的故障电弧识别方法,该方法为:先采用正常状态和产生故障电弧状态时的回路电流所对应的小波能量训练BP神经网络而得到基于电流特征的BP分类网络,再利用所述BP分类网络进行故障电弧识别。本发明有效地融合小波分解技术和BP神经网络智能算法,充分发挥小波分解反映信号时频域变化的优势,结合BP神经网络智能、准确的分类效果,能够实现快速、准确的弧光检测,提高目前的故障弧光检测水平,从而更好的保证电力设备的安全可靠运行,为电力实业发展带来更好的效益,对电网的安全、可靠、稳定运行具有非常重要的现实意义。

Description

基于电流特征提取的故障电弧识别方法
技术领域
[0001] 本发明涉及电工技术领域,尤其涉及一种电气回路故障电弧识别的方法。
背景技术
[0002] 在电网中,设备绝缘老化破损,电路元件损坏,意外断路等原因会产生电弧,如果 不及时发现并采取有效的措施,会引起火灾等事故,对人员和设备造成巨大的伤害。电弧故 障发生时,故障电流通常会发生畸变,同时电弧故障畸变的情况在不同负载下有不同体现, 存在较大的随机性和不定性,现有的继电器和断路器并不能对故障电弧进行有效识别,无 法起到保护线路和用电器的作用。所以,故障电弧的快速、有效识别,对于实现对线路的全 面保护具有十分重要的意义。
[0003] 目前国内外电弧检测的方法大致可以归纳为3类:(1)建立电弧模型,并通过检测 相应的参量来检测电弧;(2)根据电弧发生时所产生的物理现象,如弧光、噪声、辐射、温度 变化等检测电弧;(3)根据电弧发生时的电流、电压波形变化检测电弧。但这三类方法也有 各自的缺陷,具体表现为:(1)电弧模型的参数无法准确的获得,导致无法建立精确的数学 模型;(2)检测电弧发生时的物理现象,需要将监测设备安装到故障点附近,无法实现对于 一些独立的小设备的监测;(3)根据故障电弧发生时的电流、电压变化检测电弧,很多现有 方法模型大多只是针对单一负载,在面对设备的多样性时,不能做到精确的诊断。因此现有 方法还需要进一步发展完善。
发明内容
[0004] 本发明的目的是提供一种提高检测水平,进而更好地保证电力设备安全可靠运行 的故障电弧识别方法。
[0005] 为达到上述目的,本发明采用的技术方案是:
[0006] —种基于电流特征提取的故障电弧识别方法,先采用正常状态和产生故障电弧状 态时的回路电流所对应的小波能量训练BP神经网络而得到基于电流特征的BP分类网络,再 利用所述BP分类网络进行故障电弧识别。
[0007] 优选的,所述基于电流特征提取的故障电弧识别方法包括如下步骤:
[0008] 步骤1:选择回路电流作为特征采样信号,分别采集不同负载下在正常状态和产生 故障电弧状态时的回路电流信号构成电流数据;
[0009] 步骤2:对各所述回路电流信号进行小波分解,并计算得对应的各频段的小波能 量,基于所述各频段的小波能量得到分析特征量;
[0010] 步骤3:将各分析特征量归一化后按比例分别设置为训练样本和测试样本;
[0011] 步骤4:搭建BP神经网络,利用所述训练样本和所述测试样本对所述BP神经网络进 行训练和优化后,完成所述BP神经网络的构建,得到基于电流特征的BP分类网络;
[0012] 步骤5:利用所述BP分类网络进行故障电弧识别。
[0013] 优选的,所述步骤2包括以下子步骤:
[0014] 子步骤21:取离散尺度n,对所述回路电流信号进行η层小波分解,得到不同频段的 重构信号;
[0015] 子步骤22:基于所述不同频段的重构信号并根据小波包系数计算所述各频段的小 波能量;
[0016] 子步骤23:利用所述各频段的小波能量构造电弧电流信号的能量谱特征向量,将 电弧电流信号的能量谱特征向量作为所述分析特征量。
[0017] 优选的,所述子步骤21中,选用db5小波对所述回路电流信号进行5层小波分解,得 至IJ6个频段的所述重构信号。
[0018] 优选的,所述子步骤22中,利用
Figure CN108646149AD00051
计算所述各频段的小波 能量E1,」,其中,⑴为小波分解的第i层第j个节点,山,dSw⑴的小波系数。
[0019] 优选的,所述子步骤23中,构造电弧电流信号的能量谱特征向量P = [ED1,ED2,ED3, ED4,ED5,EA5],其中EDA第一层分解后高频段的小波能量,ED2为第二层分解后高频段的小 波能量,ED3为第三层分解后高频段的小波能量,ED4为第四层分解后高频段的小波能量,ED5 为第五层分解后高频段的小波能量,EA5S第五层分解后低频段的小波能量。
[0020] 优选的,所述步骤3中,对所述分析特征量进行归一化的方法采用极差归一化。
[0021] 优选的,所述步骤4包括以下子步骤:
[0022] 子步骤41:设置所述BP神经网络的输入神经元数;
[0023] 子步骤42:设置所述BP神经网络的初始权值,从而得到所述BP神经网络;
[0024] 子步骤43:使用所述训练样本训练并优化所述BP神经网络,修正所述权值;使用所 述测试样本测试所述BP神经网络,通过测试后完成所述BP神经网络的构建。
[0025] 优选的,所述子步骤41中,所述输入神经元数与所述分析特征量的维数相同。
[0026] 优选的,所述子步骤42中,使用所述训练样本对受限玻尔兹曼机采用对比散度CD-1算法进行预训练,得到所述受限玻尔兹曼机的隐层与可见层之间的权值参数作为所述BP 神经网络的初始权值。
[0027] 由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明弥补了现 有技术的不足,有效地融合小波分解技术和BP神经网络智能算法,充分发挥小波分解反映 信号时频域变化的优势,结合BP神经网络智能、准确的分类效果,能够实现快速、准确的弧 光检测,提高目前的故障弧光检测水平,从而更好的保证电力设备的安全可靠运行,为电力 实业发展带来更好的效益,对电网的安全、可靠、稳定运行具有非常重要的现实意义。
附图说明
[0028] 附图1为本发明的实现流程图。
[0029] 附图2为电阻负载下的故障电弧电流波形图。
[0030] 附图3为电扇负载下的故障电弧电流波形图。
[0031] 附图4为电脑主机负载下的故障电弧电流波形图。
具体实施方式
[0032] 下面结合附图所示的实施例对本发明作进一步描述。
[0033] 实施例一:一种基于电流特征提取的故障电弧识别方法为:先采用正常状态和产 生故障电弧状态时的回路电流所对应的小波能量训练BP神经网络而得到基于电流特征的 BP分类网络,再利用BP分类网络进行故障电弧识别。
[0034] 如附图1所示,该基于电流特征提取的故障电弧识别方法包括如下步骤:
[0035] 步骤1:选择回路电流作为特征采样信号,分别采集不同负载下在正常状态和产生 故障电弧状态时的回路电流信号构成电流数据。所采集的电流数据的数量需满足后续需 求。
[0036] 步骤2:对各回路电流信号进行小波分解,并计算得对应的各频段的小波能量,基 于各频段的小波能量得到分析特征量。
[0037] 该步骤2包括以下子步骤:
[0038] 子步骤21:取离散尺度n,对回路电流信号x(t)进行η层小波分解,得到不同频段的 重构信号。在本实施例中,选用db5小波对回路电流信号进行5层小波分解,得到6个频段的 重构信号。
[0039] 子步骤22:基于不同频段的重构信号并根据小波包系数计算各频段的小波能量。
[0040] 具体为:利月
Figure CN108646149AD00061
计算各频段的小波能量Ei,」,其中,Si, j(t) 为小波分解的第i层第j个节点,山,dSu⑴的小波系数。小波能量谱能反映各个频段能量 在总能量中所占的比例,因此计算出各个频段的小波能量后,可以进一步得到原始信号在 时频域上的变化情况。
[0041] 子步骤23:利用各频段的小波能量构造电弧电流信号的能量谱特征向量,将电弧 电流信号的能量谱特征向量作为分析特征量。
[0042] 具体为:构造电弧电流信号的能量谱特征向量P= [EDhEDhEDhEDhEDhEA5],其 中ED1S第一层分解后高频段的小波能量,ED2为第二层分解后高频段的小波能量,ED3为第 三层分解后高频段的小波能量,ED4为第四层分解后高频段的小波能量,ED5S第五层分解后 高频段的小波能量,EA5为第五层分解后低频段的小波能量。待后续分组作为下一步建立BP 神经网络的输入数据。
[0043] 步骤3:将各分析特征量归一化后按比例分别设置为训练样本和测试样本。这里采 用极差归一化对分析特征量进行归一化,即将每组特征量中每个特征值减去极小值后再除 以该组特征量的极差,得到归一化后的特征量。针对归一化后的特征量,根据各类型负载的 正常与故障电弧状态,按比例分为训练样本和测试样本。
[0044] 步骤4:搭建BP神经网络,利用训练样本和测试样本对BP神经网络进行训练和优化 后,完成BP神经网络的构建,得到基于电流特征的BP分类网络。
[0045] 步骤4包括以下子步骤:
[0046] 子步骤41:设置BP神经网络的输入神经元数,输入神经元数与分析特征量的维数 相同,即输入神经元数同特征向量维数,即为5个。针对不同的负载类型,由1表示正常状态, 〇表示故障电弧状态,构成相应的向量形式的分类结果。按照以往经验,BP神经网络的隐含 层神经元数目设置为10个。
[0047] 子步骤42:设置BP神经网络的初始权值,从而得到BP神经网络。为了加快收敛速 度,避免陷入局部最小,对BP神经网络初始权值进行预训练,具体方法是:使用训练样本对 受限玻尔兹曼机(RBM)进行预训练,预训练采用对比散度CD-I算法,得到受限玻尔兹曼机的 隐层与可见层之间的权值参数,将其作为BP神经网络的初始权值。
[0048] 子步骤43:使用训练样本训练并优化BP神经网络,若训练时BP神经网络的实际输 出与期望输出在允许的误差范围内则继续训练直至完成训练,否则需要修正权值;使用测 试样本测试BP神经网络的分类准确性,从而验证此电弧故障识别方法的有效性,通过测试 后完成BP神经网络的构建。
[0049] 步骤5:利用BP分类网络进行故障电弧识别,得到故障电弧识别结果。
[0050] 下面通过一个实例来进一步说明本发明。
[0051] 本方案中通过电弧故障模拟平台模拟故障发生,采集故障电弧电气参数,作为本 方案方法有效性的数据。电弧故障模拟平台主要包括220V交流电源、电弧发生器、空气开关 以及负载等。其中,电弧发生器用来人工产生电弧,将电弧发生器串联到电路中,模拟串联 故障电弧。实验中用到的负载为100 Ω电阻、风扇和电脑主机这三种。电流数据的采集通过 电流钳与数字示波器实现,并利用上位机实现数据的后续处理。本实例用到的实验数据包 括在电阻、风扇、电脑三种负荷下,正常回路状态和产生故障电弧状态时的电流数据各10 组,共60组。
[0052] 图2至图4所示分别为电阻、风扇以及电脑主机负载下产生故障电弧时的电流波 形。由图可以看出,产生串联电弧故障时,回路电流在过零点附近将产生较明显的畸变,经 小波分解后的信号能量分布也将随之产生变化,因此提取不同频段的信号能量信息可以较 明显地区别正常状态和故障电弧状态。
[0053] 针对本实例,预测分类结果为三种负荷各自的两种状态量(正常状态与产生故障 电弧状态),将BP网络的输出层定为3节点,负载类型与对应的输出分类结果如表1所示。
[0054] 表1负载类型与分类结果
[0055]
Figure CN108646149AD00071
[0056] 利用MATLAB的小波工具箱对实验中所采集的60组原始电流信号进行阈值降噪处 理,选用db5小波对信号进行5层小波分解,得到6个频段的重构系数信号,并计算每个频段 对应的信号能量。表2所示为三种负载分别在正常状态与故障电弧状态下的电流经小波分 解与能量计算后的某一组数据。
[0057] 表2不同负载下的能量谱特征向量
[0058]
Figure CN108646149AD00081
[0059] 将6个频段的信号能量构成六维特征向量P = [ED1,ED2,ED3,ED4,ED5,EA5]并对特征 样本进行归一化后作为后续故障识别模型的输入量。归一化后的部分电流特征数据如表3 所示。
[0060] 表3归一化后的特征数据样本
[0061]
Figure CN108646149AD00082
[0062] 从60组特征数据样本中选择42组作为训练样本,输入BP网络以及SVM分类器进行 训练。BP网络输入层节点数设为6,输出层节点数设为3,隐含层节点数设为50,选择 ‘traindx’梯度下降法进行调参;采用交叉验证的方法选择SVM分类器的惩罚系数c及核函 数参数g』与g的搜索范围皆设定在[2'21()],并利用训练样本作为原始数据,最后得出最 佳的c = 2.532,g = 0.03125。将其他18组则作为测试样本,验证模型的识别效果。最后输出 的测试样本识别结果如表3所示。
[0063] 表3故障电弧识别结果
[0064]
Figure CN108646149AD00083
[0065] 由识别结果可以看出,与支持向量机的方法相比,利用BP神经网络对不同负载类 型下的故障电弧具有更高的识别率。
[0066] 上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人 士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明 精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。

Claims (10)

1. 一种基于电流特征提取的故障电弧识别方法,其特征在于:先采用正常状态和产生 故障电弧状态时的回路电流所对应的小波能量训练BP神经网络而得到基于电流特征的BP 分类网络,再利用所述BP分类网络进行故障电弧识别。
2. 根据权利要求1所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述基 于电流特征提取的故障电弧识别方法包括如下步骤: 步骤1:选择回路电流作为特征采样信号,分别采集不同负载下在正常状态和产生故障 电弧状态时的回路电流信号构成电流数据; 步骤2:对各所述回路电流信号进行小波分解,并计算得对应的各频段的小波能量,基 于所述各频段的小波能量得到分析特征量; 步骤3:将各分析特征量归一化后按比例分别设置为训练样本和测试样本; 步骤4:搭建BP神经网络,利用所述训练样本和所述测试样本对所述BP神经网络进行训 练和优化后,完成所述BP神经网络的构建,得到基于电流特征的BP分类网络; 步骤5:利用所述BP分类网络进行故障电弧识别。
3. 根据权利要求2所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述步 骤2包括以下子步骤: 子步骤21:取离散尺度n,对所述回路电流信号进行η层小波分解,得到不同频段的重构 信号; 子步骤22:基于所述不同频段的重构信号并根据小波包系数计算所述各频段的小波能 量; 子步骤23:利用所述各频段的小波能量构造电弧电流信号的能量谱特征向量,将电弧 电流信号的能量谱特征向量作为所述分析特征量。
4. 根据权利要求3所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述子 步骤21中,选用db5小波对所述回路电流信号进行5层小波分解,得到6个频段的所述重构信 号。
5. 根据权利要求3所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述子 步骤22中,利用
Figure CN108646149AC00021
计算所述各频段的小波能量E1^其中,⑴为 小波分解的第i层第j个节点,山,⑴的小波系数。
6. 根据权利要求3所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述子 步骤23中,构造电弧电流信号的能量谱特征向量P= [EDhED2AD3JD4,ED5,EA5],其中ED1S 第一层分解后高频段的小波能量,ED2为第二层分解后高频段的小波能量,ED3为第三层分解 后高频段的小波能量,ED4为第四层分解后高频段的小波能量,ED5为第五层分解后高频段的 小波能量,EA5S第五层分解后低频段的小波能量。
7. 根据权利要求2所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述步 骤3中,对所述分析特征量进行归一化的方法采用极差归一化。
8. 根据权利要求2所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述步 骤4包括以下子步骤: 子步骤41:设置所述BP神经网络的输入神经元数; 子步骤42:设置所述BP神经网络的初始权值,从而得到所述BP神经网络; 子步骤43:使用所述训练样本训练并优化所述BP神经网络,修正所述权值;使用所述测 试样本测试所述BP神经网络,通过测试后完成所述BP神经网络的构建。
9. 根据权利要求8所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述子 步骤41中,所述输入神经元数与所述分析特征量的维数相同。
10. 根据权利要求8所述的基于电流特征提取的故障电弧识别方法,其特征在于:所述 子步骤42中,使用所述训练样本对受限玻尔兹曼机采用对比散度CD-I算法进行预训练,得 到所述受限玻尔兹曼机的隐层与可见层之间的权值参数作为所述BP神经网络的初始权值。
CN201810401308.5A 2018-04-28 2018-04-28 基于电流特征提取的故障电弧识别方法 Pending CN108646149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810401308.5A CN108646149A (zh) 2018-04-28 2018-04-28 基于电流特征提取的故障电弧识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810401308.5A CN108646149A (zh) 2018-04-28 2018-04-28 基于电流特征提取的故障电弧识别方法

Publications (1)

Publication Number Publication Date
CN108646149A true CN108646149A (zh) 2018-10-12

Family

ID=63748651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810401308.5A Pending CN108646149A (zh) 2018-04-28 2018-04-28 基于电流特征提取的故障电弧识别方法

Country Status (1)

Country Link
CN (1) CN108646149A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109375041A (zh) * 2018-12-24 2019-02-22 华北科技学院 小电流接地系统单相接地故障判断方法
CN109507557A (zh) * 2018-12-28 2019-03-22 中国人民解放军海军航空大学 一种飞机故障电弧检测方法
CN109521301A (zh) * 2018-11-30 2019-03-26 北京航空航天大学 一种故障电弧产生装置及其检测方法
CN109615070A (zh) * 2018-12-06 2019-04-12 浙江巨磁智能技术有限公司 电力人工智能芯片及电力故障识别方法
CN110082640A (zh) * 2019-05-16 2019-08-02 国网安徽省电力有限公司 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN110133455A (zh) * 2019-04-19 2019-08-16 中电科安科技股份有限公司 串联型低压交流电气故障打火辨识方法
CN110187241A (zh) * 2019-06-26 2019-08-30 云南电网有限责任公司电力科学研究院 一种配电网单相接地故障的接地介质种类的确定方法
CN110320452A (zh) * 2019-06-21 2019-10-11 河南理工大学 一种串联故障电弧检测方法
CN110376497A (zh) * 2019-08-12 2019-10-25 国网四川电力服务有限公司 基于全相位深度学习的低压配电系统串联故障电弧识别法
CN110398669A (zh) * 2019-06-11 2019-11-01 深圳供电局有限公司 电弧故障检测方法
CN110618353A (zh) * 2019-10-22 2019-12-27 北京航空航天大学 一种基于小波变换+cnn的直流电弧故障检测方法
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543375A (zh) * 2013-08-26 2014-01-29 上海交通大学 基于小波变换和时域混合特征的交流故障电弧检测方法
CN105225223A (zh) * 2015-08-27 2016-01-06 南京市计量监督检测院 基于小波分析和bp神经网络的复合材料损伤检测方法
CN106295023A (zh) * 2016-08-15 2017-01-04 南京航空航天大学 一种异步电机转子复合故障的诊断方法
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置
CN107313808A (zh) * 2016-06-12 2017-11-03 中国石油化工股份有限公司 易燃气体浓度监测和预警的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543375A (zh) * 2013-08-26 2014-01-29 上海交通大学 基于小波变换和时域混合特征的交流故障电弧检测方法
CN105225223A (zh) * 2015-08-27 2016-01-06 南京市计量监督检测院 基于小波分析和bp神经网络的复合材料损伤检测方法
CN107313808A (zh) * 2016-06-12 2017-11-03 中国石油化工股份有限公司 易燃气体浓度监测和预警的方法
CN106295023A (zh) * 2016-08-15 2017-01-04 南京航空航天大学 一种异步电机转子复合故障的诊断方法
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
万杰枫: "高压断路器实时监测安全运行预警系统设计与研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
孙鹏: "基于小波分析信号特征频段能量变比的故障电弧诊断技术研究", 《高压电器》 *
杨超: "Meyer小波在电力系统谐波检测中的应用", 《华电技术》 *
韩旭: "基于遗传算法优化BP神经网络的故障电弧识别", 《测控技术》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109521301A (zh) * 2018-11-30 2019-03-26 北京航空航天大学 一种故障电弧产生装置及其检测方法
CN109615070A (zh) * 2018-12-06 2019-04-12 浙江巨磁智能技术有限公司 电力人工智能芯片及电力故障识别方法
CN109375041A (zh) * 2018-12-24 2019-02-22 华北科技学院 小电流接地系统单相接地故障判断方法
CN109375041B (zh) * 2018-12-24 2021-01-05 华北科技学院 小电流接地系统单相接地故障判断方法
CN109507557A (zh) * 2018-12-28 2019-03-22 中国人民解放军海军航空大学 一种飞机故障电弧检测方法
CN110133455A (zh) * 2019-04-19 2019-08-16 中电科安科技股份有限公司 串联型低压交流电气故障打火辨识方法
CN110082640A (zh) * 2019-05-16 2019-08-02 国网安徽省电力有限公司 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN110398669A (zh) * 2019-06-11 2019-11-01 深圳供电局有限公司 电弧故障检测方法
CN110320452A (zh) * 2019-06-21 2019-10-11 河南理工大学 一种串联故障电弧检测方法
CN110187241A (zh) * 2019-06-26 2019-08-30 云南电网有限责任公司电力科学研究院 一种配电网单相接地故障的接地介质种类的确定方法
CN110376497A (zh) * 2019-08-12 2019-10-25 国网四川电力服务有限公司 基于全相位深度学习的低压配电系统串联故障电弧识别法
CN110618353A (zh) * 2019-10-22 2019-12-27 北京航空航天大学 一种基于小波变换+cnn的直流电弧故障检测方法
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法

Similar Documents

Publication Publication Date Title
Rafinia et al. A new approach to fault location in three-phase underground distribution system using combination of wavelet analysis with ANN and FLS
Ray et al. Islanding and power quality disturbance detection in grid-connected hybrid power system using wavelet and $ S $-transform
Biswal et al. Supervisory protection and automated event diagnosis using PMU data
CN105425118B (zh) 一种多信息融合故障电弧检测方法及装置
CN104753461B (zh) 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法
CN107064752B (zh) 一种航空故障电弧检测的判别算法
CN104297629B (zh) 含分布式电源的配电网的区段故障检测与定位方法
CN106251059B (zh) 一种基于概率神经网络算法的电缆状态评估方法
CN103116090B (zh) 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法
CN106646096B (zh) 基于振动分析法的变压器故障分类和识别方法
Perera et al. Recognition of fault transients using a probabilistic neural-network classifier
CN106777984B (zh) 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
Hooshmand et al. Adaptive neuro-fuzzy inference system approach for simultaneous diagnosis of the type and location of faults in power transformers
Dashti et al. Fault section estimation in power distribution network using impedance-based fault distance calculation and frequency spectrum analysis
Swetapadma et al. All shunt fault location including cross-country and evolving faults in transmission lines without fault type classification
Duraisamy et al. Neuro fuzzy schemes for fault detection in power transformer
CN104125112B (zh) 基于物理‑信息模糊推理的智能电网攻击检测方法
Kezunovic A survey of neural net applications to protective relaying and fault analysis
Khamis et al. Islanding detection in a distributed generation integrated power system using phase space technique and probabilistic neural network
Salama et al. Determination of neural-network topology for partial discharge pulse pattern recognition
Bíscaro et al. Integrated fault location and power-quality analysis in electric power distribution systems
CN107505133B (zh) 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN108196165A (zh) 基于样本协方差矩阵最大特征值的电网异常状态检测方法
Moravej et al. An effective combined method for symmetrical faults identification during power swing
Tripathy Power transformer differential protection using neural network principal component analysis and radial basis function 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