CN108664741B - 基于时间序列模型特征的变电站故障检测方法 - Google Patents
基于时间序列模型特征的变电站故障检测方法 Download PDFInfo
- Publication number
- CN108664741B CN108664741B CN201810457482.1A CN201810457482A CN108664741B CN 108664741 B CN108664741 B CN 108664741B CN 201810457482 A CN201810457482 A CN 201810457482A CN 108664741 B CN108664741 B CN 108664741B
- Authority
- CN
- China
- Prior art keywords
- transformer substation
- fault
- fault detection
- arima
- substation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种基于时间序列模型特征的变电站故障检测方法,具体为:1:提取变电站高压开关系统的历史数据,对高压开关系统的所有开关过程中的电流数据进行分析,提取电流变化特征,按一定采样间隔选取采样点,做出电流的时间序列图;2:对时间序列图中的非平稳时间序列进行差分,再建立自回归模型ARIMA(p,d,q),用自回归模型ARIMA(p,d,q)进行拟合预处理,得到相关残差序列MS1;3:建立自回归模型SARIMA(P,D,Q),用自回归模型SARIMA(P,D,Q)对相关残差序列MS1进行处理,得到相关残差序列MS2;4:根据相关残差序列MS2绘制平稳自相关过程的单值控制图,并通过判异准则进行判异检测,根据检测结果判别变电站的状态;本发明简单易行、精确度高、适应性强,且具有很高的应用价值。
Description
(一)、技术领域:
本发明涉及一种变电站故障检测方法,特别涉及一种基于时间序列模型特征的变电站故障检测方法。
(二)、背景技术:
随着我国电力网络规模的不断扩大,变电站的安全可靠运行愈益重要,变电站中开关设备的运行状态是决定变电站能否安全运行的关键因素之一。现有的变电站故障检测方法有:寻找变电站开关无故障跳闸导致停电原因的检测方法,但该方法只针对运行中的变电站内出现的系统无任何操作、保护装置无动作信号、监控装置无跳闸信号而发生的开关误动跳闸导致变电站大面积停电的问题,对小面积停电问题不能做出及时检测;此外,还有可带电查找故障的变电站直流电源在线环路告警系统,其原理是设置多个发射子站,与附近的故障探头无线连接,并通过GSM网络将故障信号传给GSM接收网站,但GSM的系统容量有限,切换功能较差,终端接入速率有限。因此,有必要提出一种可以及时检测且检测效果准确的检测方法。
统计过程控制(spc)强调全过程监控、全系统参与,用科学方法(主要为统计技术)来保证全过程的预防,并为过程提供一个早期报警系统,已广泛应用于生产过程的监控,但常规控制图的基本理论前提是观测数据独立且服从同分布,然而在实际生产中大多数受控过程并不满足这些条件。
(三)、发明内容:
本发明要解决的技术问题是:提供一种基于时间序列模型特征的变电站故障检测方法,该检测方法简单易行、精确度高、适应性强,且具有很高的应用价值。
本发明的技术方案:
一种基于时间序列模型特征的变电站故障检测方法,含有如下步骤:
步骤1:提取变电站高压开关系统的历史数据,对高压开关系统的所有开关过程中的电流数据进行分析,提取电流变化特征,按一定采样间隔选取采样点,做出电流的时间序列图;
步骤2:对时间序列图中的非平稳时间序列进行差分,再建立自回归模型ARIMA(p,d,q),用自回归模型ARIMA(p,d,q)进行拟合预处理,得到相关残差序列MS1;
步骤3:建立自回归模型SARIMA(P,D,Q),用自回归模型SARIMA(P,D,Q)对相关残差序列MS1进行处理,得到相关残差序列MS2;
步骤4:根据相关残差序列MS2绘制平稳自相关过程的单值控制图,并通过判异准则进行判异检测,根据检测结果判别变电站的状态。
步骤2中:ARIMA(p,d,q)为ARIMA(0,1,1),用自回归模型ARIMA(0,1,1)进行拟合预处理后还得到用于判断该模型好坏的检验概率P1;若P1 [0.00,0.05),则拟合效果不好,表明变电站处于明显故障状态、高压开关系统不可恢复,此时,变电站故障检测结束;若P1∈[0.00,0.05),则拟合效果好,执行步骤3。
明显故障状态一般表现为大故障,明显故障状态为电压互感器故障、电流互感器故障、电容器故障、断路器拒绝合闸或母线故障。
步骤3中:SARIMA(P,D,Q)为SARIMA(0,1,1),用自回归模型SARIMA(0,1,1)对相关残差序列MS1进行处理后,还得到用于判断该模型好坏的检验概率P2;若P2 [0.00,0.05),则拟合效果不好,表明变电站故障较为明显、高压开关系统可恢复,此时,变电站故障检测结束;若P2∈[0.00,0.05),则拟合效果好,执行步骤4。
变电站故障较为明显是指:谐振、系统混线或瓷瓶闪烁。
步骤4中:判异准则为3σ准则;根据检测结果判别变电站的状态的方法为:当单值控制图上的点处于上控制限UCL和下控制限LCL之间时为合格点(界内点),表明变电站无故障,此时,变电站故障检测结束;当单值控制图上的点不处于上控制限UCL和下控制限LCL之间时为不合格点(界外点),表明变电站处于亚健康状态,需要进行及时的检修处理,此时,变电站故障检测结束。
亚健康状态是指:操作机构卡滞或接头处接触不良。
步骤1中:变电站高压开关系统的开关过程分为开过程和关过程,时间序列图是开过程的时间序列图或关过程的时间序列图;当根据开过程的时间序列图和关过程的时间序列图得到的变电站检测结果不同时,以最严重的故障检测结果为最终检测结果。
本发明的有益效果:
1、本发明以变电站的历史观测数据为基础,选用合适的自回归模型ARIMA(p,d,q)对其进行拟合预处理,得到相关残差序列,再进行时间序列SARIMA(P,D,Q)的建模,得到相关残差序列,并应用残差值绘制平稳自相关过程的单值控制图,据此判别变电站的状态;本发明弥补了现有检测变电站故障方法的不足之处,较物理方法而言,本发明简单可行、耗时短、实时有效性高。
2、本发明克服了传统的实际生产中大多数受控过程不满足观测数据独立且服从同分布的问题,能够综合考虑各种因素的影响,应用在对变电站故障原因的识别上,简单易行、精确度高、适应性强,且具有很高的应用价值,是一种可靠实用的变电站故障检测方法。
(四)、附图说明:
图1为基于时间序列模型特征的变电站故障检测方法的工作流程示意图;
图2(a)为开过程电流关键点变化特征图之一;
图2(b)为开过程电流关键点变化特征图之二;
图3(a)为自相关图;
图3(b)为偏相关图;
图4(a)为I市变电站关过程残差自相关图;
图4(b)为I市变电站关过程残差偏自相关图;
图5为G市变电站开过程的单值控制图;
图6为G市变电站关过程的单值控制图;
图7为I市变电站开过程的单值控制图;
图8为I市变电站关过程的单值控制图;
图9为J市变电站开过程的单值控制图;
图10为J市变电站关过程的单值控制图。
(五)、具体实施方式:
基于时间序列模型特征的变电站故障检测方法含有如下步骤(见图1):
步骤1:提取变电站高压开关系统的历史数据,对高压开关系统的所有开关过程中的电流数据进行分析,提取电流变化特征,按一定采样间隔选取采样点,做出电流的时间序列图;
步骤2:对时间序列图中的非平稳时间序列进行差分,再建立自回归模型ARIMA(p,d,q),用自回归模型ARIMA(p,d,q)进行拟合预处理,得到相关残差序列MS1;
步骤3:建立自回归模型SARIMA(P,D,Q),用自回归模型SARIMA(P,D,Q)对相关残差序列MS1进行处理,得到相关残差序列MS2;
步骤4:根据相关残差序列MS2绘制平稳自相关过程的单值控制图,并通过判异准则进行判异检测,根据检测结果判别变电站的状态。
步骤2中:ARIMA(p,d,q)为ARIMA(0,1,1),用自回归模型ARIMA(0,1,1)进行拟合预处理后还得到用于判断该模型好坏的检验概率P1;若P1 [0.00,0.05),则拟合效果不好,表明变电站处于明显故障状态、高压开关系统不可恢复,此时,变电站故障检测结束;若P1∈[0.00,0.05),则拟合效果好,执行步骤3。
明显故障状态一般表现为大故障,明显故障状态为电压互感器故障、电流互感器故障、电容器故障、断路器拒绝合闸或母线故障。
步骤3中:SARIMA(P,D,Q)为SARIMA(0,1,1),用自回归模型SARIMA(0,1,1)对相关残差序列MS1进行处理后,还得到用于判断该模型好坏的检验概率P2;若P2 [0.00,0.05),则拟合效果不好,表明变电站故障较为明显、高压开关系统可恢复,此时,变电站故障检测结束;若P2∈[0.00,0.05),则拟合效果好,执行步骤4。
变电站故障较为明显是指:谐振、系统混线或瓷瓶闪烁。
步骤4中:判异准则为3σ准则;根据检测结果判别变电站的状态的方法为:当单值控制图上的点处于上控制限UCL和下控制限LCL之间时为合格点(界内点),表明变电站无故障,此时,变电站故障检测结束;当单值控制图上的点不处于上控制限UCL和下控制限LCL之间时为不合格点(界外点),表明变电站处于亚健康状态,需要进行及时的检修处理,此时,变电站故障检测结束。
亚健康状态是指:操作机构卡滞或接头处接触不良。
步骤1中:变电站高压开关系统的开关过程分为开过程和关过程,时间序列图是开过程的时间序列图或关过程的时间序列图;当根据开过程的时间序列图和关过程的时间序列图得到的变电站检测结果不同时,以最严重的故障检测结果为最终检测结果。
时间序列图中不同周期内出现相同的电流值时对应的时间是不同的,每一周期都有三个电流极值点;由于该三个电流极值点在正常波动的影响下其数值的大小是处于稳定状态的,因此对每一开关过程异常的检验可以转变为对三个电流极值点的检验,通过绘制不同周期的图形可以直观看到不同周期的过程曲线基本是稳定的。
根据开过程的时间序列图中的电流变化曲线(见图2(a)),选择非平稳又含季节趋势的电流变化特征,先进行差分,得到平稳序列。
由差分3阶后的序列图(见图2(b))可知其基本处于平稳状态,根据差分列做出自相关图(见图3(a))和偏自相关图(见图3(b)),通过自相关图(见图3(a))和偏自相关图(见图3(b))来判定适合的模型。对于非平稳又含有季节趋势的情况,采用ARIMA(p,d,q)*SARIMA(P,D,Q)模型,根据自相关图(见图3(a))和偏自相关图(见图3(b))判定p、d、q和P、D、Q值的大小。
根据拟合结果中的检验概率可知模型与原始数据拟合的效果是否好;由开过程中残差的自相关图(见图4(a))和偏自相关图(见图4(b))知:各柱体不超过上下两条限制线,则可以认为在显著性水平α=0.05的情况下已消除了数据间的相关性;由于模型的选定应与实际应用相结合,因此,选择较为合适、相对简单且拟合效果相对较好的模型。
为此我们对一组已经过模型ARIMA(0,1,1)拟合预处理的关过程的数据分别进行SARIMA(0,1,1)*ARIMA(0,1,1)和SARIMA(1,1,1)*ARIMA(0,1,1)建模,得到如表1和表2中的数据,由这些数据可知,模型SARIMA(1,1,1)*ARIMA(0,1,1)得出的检验概率等于0.05,所以模型SARIMA(0,1,1)*ARIMA(0,1,1)较模型SARIMA(1,1,1)*ARIMA(0,1,1)的拟合效果好,故最终选定模型SARIMA(0,1,1)*ARIMA(0,1,1)。
表1
表2
表1表示SARIMA(0,1,1)*ARIMA(0,1,1)建模,表2表示SARIMA(1,1,1)*ARIMA(0,1,1)建模。
用模型SARIMA(0,1,1)*ARIMA(0,1,1)对不同地方的变电站关过程的电流数据进行处理(如表3、表4所示),分析模型与真实数据拟合的好坏,根据检测结果判别变电站的状态。
表3
表4
虽然I市变电站的用于判断模型SMA好坏的检验概率大于0.05,但由图4(a)和图4(b)知其残差自相关和偏自相关结果较好;导致该结果的原因有:
①此地方变站开关处于早期故障阶段或耗损故障阶段;
②此地方关过程对电流波动的因素与其它地方存在显著差异。
对不同地方变电站的电流数据用SARIMA(0,1,1)*ARIMA(0,1,1)进行处理,拟合效果好,说明模型SARIMA(0,1,1)*ARIMA(0,1,1)具有灵活性及实用性。因此选定SARIMA(0,1,1)*ARIMA(0,1,1)为最后模型。同样用此模型对不同地方变电站的开过程进行处理,处理结果见表5。由表5可知,原始数据与模型拟合较好,更体现了模型SARIMA(0,1,1)*ARIMA(0,1,1)的灵活性。
表5
关于D市变电站开过程模型拟合不好所对应的两种情况:
①此地方变站开关处于早期故障阶段或耗损故障阶段;
②此地方开过程对电流波动的因素与其他地方存在显著差异。
关于I市变电站开过程模型拟合不好所对应的两种情况:
①此地方变站开关处于早期故障阶段或耗损故障阶段;
②此地方开过程对电流波动的因素与其他地方存在显著差异。
对不同地方变电站电流数据用模型SARIMA(0,1,1)*ARIMA(0,1,1)进行处理,由检验概率可知拟合效果好,且通过游程检验各地方变电站已消除了相关性,可认为得到的残差列已消除了相关性,故可用残差列做单值控制图并通过判异准则进行异常点的检测,根据检测结果判别变电站状态。
以G市变电站为例:
对图5进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:37,73,74,110。
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
对图6进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:71,106,107,108,111;
检验准则2:连续9点在中心线同一侧;
检验出下列点不合格:129;
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
以I市变电站为例:
对图7进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:30,32;
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
对图8进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:31,32;
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
以J市变电站为例:
对图9进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:39;
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
对图10进行分析:
检验准则1:1个点,距离中心线超过3.00个标准差;
检验出下列点不合格:10,25;
由此可知,该变电站处于亚健康状态,如操作机构卡滞、接头处接触不良等,需要进行及时的检修处理,以提高变电站的工作效率,延长变电站的使用寿命。
实际上变电站处于亚健康状态十分普遍,可以通过本发明去实时检测变电站,及时维护,进而提高变电站的工作效率,延长变电站的使用寿命。
Claims (6)
1.一种基于时间序列模型特征的变电站故障检测方法,其特征是:含有如下步骤:
步骤1:提取变电站高压开关系统的历史数据,对高压开关系统的所有开关过程中的电流数据进行分析,提取电流变化特征,按一定采样间隔选取采样点,做出电流的时间序列图;
步骤2:对时间序列图中的非平稳时间序列进行差分,再建立自回归模型ARIMA(p,d,q),用自回归模型ARIMA(p,d,q)进行拟合预处理,得到相关残差序列MS1;
步骤3:建立自回归模型SARIMA(P,D,Q),用自回归模型SARIMA(P,D,Q)对相关残差序列MS1进行处理,得到相关残差序列MS2;
步骤4:根据相关残差序列MS2绘制平稳自相关过程的单值控制图,并通过3σ准则进行判异检测,根据检测结果判别变电站的状态的方法为:当单值控制图上的点处于上控制限UCL和下控制限LCL之间时为合格点,表明变电站无故障,此时,变电站故障检测结束;当单值控制图上的点不处于上控制限UCL和下控制限LCL之间时为不合格点,表明变电站处于亚健康状态,此时,变电站故障检测结束。
3.根据权利要求2所述的基于时间序列模型特征的变电站故障检测方法,其特征是:所述明显故障状态为电压互感器故障、电流互感器故障、电容器故障、断路器拒绝合闸或母线故障。
5.根据权利要求1所述的基于时间序列模型特征的变电站故障检测方法,其特征是:所述亚健康状态是指:操作机构卡滞或接头处接触不良。
6.根据权利要求1~5中任一项所述的基于时间序列模型特征的变电站故障检测方法,其特征是:所述步骤1中:变电站高压开关系统的开关过程分为开过程和关过程,时间序列图是开过程的时间序列图或关过程的时间序列图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457482.1A CN108664741B (zh) | 2018-05-14 | 2018-05-14 | 基于时间序列模型特征的变电站故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457482.1A CN108664741B (zh) | 2018-05-14 | 2018-05-14 | 基于时间序列模型特征的变电站故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664741A CN108664741A (zh) | 2018-10-16 |
CN108664741B true CN108664741B (zh) | 2022-02-08 |
Family
ID=63779381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810457482.1A Active CN108664741B (zh) | 2018-05-14 | 2018-05-14 | 基于时间序列模型特征的变电站故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664741B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110017892B (zh) * | 2019-05-10 | 2021-06-11 | 广东石油化工学院 | 一种变压器的异常状态振声的检测方法和装置 |
CN110017894B (zh) * | 2019-05-14 | 2021-06-18 | 广东石油化工学院 | 变压器运行状态振声检测中随机噪声的滤除方法和装置 |
CN110031089B (zh) * | 2019-05-15 | 2021-06-11 | 广东石油化工学院 | 一种变压器运行状态振声检测信号的滤波方法和装置 |
CN110081968B (zh) * | 2019-05-31 | 2021-06-11 | 广东石油化工学院 | 一种变压器振动信号的模拟方法和装置 |
CN110514295B (zh) * | 2019-08-31 | 2021-04-06 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
CN110657881B (zh) * | 2019-09-14 | 2021-04-06 | 广东石油化工学院 | 一种利用稀疏反演的变压器振声信号滤波方法和系统 |
CN110702215B (zh) * | 2019-10-19 | 2021-04-06 | 广东石油化工学院 | 一种利用回归树的变压器运行状态振声检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
US9484747B1 (en) * | 2012-01-25 | 2016-11-01 | Siemens Aktiengesellschaft | Holistic optimization of distribution automation using survivability modeling |
CN107247198A (zh) * | 2017-05-09 | 2017-10-13 | 安徽继远软件有限公司 | 一种配电设备故障预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10443577B2 (en) * | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
-
2018
- 2018-05-14 CN CN201810457482.1A patent/CN108664741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9484747B1 (en) * | 2012-01-25 | 2016-11-01 | Siemens Aktiengesellschaft | Holistic optimization of distribution automation using survivability modeling |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN107247198A (zh) * | 2017-05-09 | 2017-10-13 | 安徽继远软件有限公司 | 一种配电设备故障预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
《变电站电气设备温度预测和故障预警研究》;王婷;《中国优秀博硕士学位论文全文数据库(硕士)》;20180115;全文 * |
《基于SARIMA模型的风电场月发电量预测研究》;郭丹,胡博,刘俊德,赵静翔,朴在林;《中国电力》;20160229;第49卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108664741A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664741B (zh) | 基于时间序列模型特征的变电站故障检测方法 | |
CN110018389B (zh) | 一种输电线路在线故障监测方法及系统 | |
CN116660669B (zh) | 一种电力设备故障在线监测系统及方法 | |
CN106443433B (zh) | 基于分合闸线圈电流的断路器状态监测系统及监测方法 | |
Liu et al. | Prognosis of underground cable via online data-driven method with field data | |
CN103278719B (zh) | 基于矩阵图及置信度的电力设备故障检测方法和系统 | |
CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及系统 | |
CN106227969A (zh) | 基于电力设备红外测温大数据和算法的红外故障诊断方法 | |
CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN113471864A (zh) | 一种变电站二次设备现场检修装置及方法 | |
CN110598750B (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
CN109633506B (zh) | 直流输电系统中的数据采集校核方法与监测控制系统 | |
CN103744006A (zh) | 高压电气设备内部松动产生的局部放电定位诊断方法 | |
CN103163402A (zh) | 基于二次回路的继电保护设备状态监测装置及监测方法 | |
CN103049661A (zh) | Gis剩余使用寿命评估方法和系统 | |
CN205057679U (zh) | 一种数控机床预警系统 | |
CN103675659A (zh) | 断路器分合闸时行程-时间波形预处理方法与装置 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN105033760A (zh) | 一种数控机床预警系统 | |
Ren et al. | Transformer fault analysis based on Bayesian networks and importance measures | |
CN108445316B (zh) | 一种确定在线监测参数评估级别的方法 | |
CN111474462A (zh) | 一种高安全性的电气设备电路故障检测方法 | |
CN114895137B (zh) | 一种供电设备供电质量测试方法 |
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 |