CN108828441A - 高压断路器故障诊断方法 - Google Patents
高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN108828441A CN108828441A CN201810599665.7A CN201810599665A CN108828441A CN 108828441 A CN108828441 A CN 108828441A CN 201810599665 A CN201810599665 A CN 201810599665A CN 108828441 A CN108828441 A CN 108828441A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- training
- network
- fault diagnosis
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 66
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 239000011229 interlayer Substances 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及高压断路器在线监测与故障诊断技术，具体是一种高压断路器故障诊断方法。包括：1）采集高压断路器合分闸线圈电流构成数据集；2）针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；3）建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；4）使用训练完成的DBN进行高压断路器故障诊断。本发明有效避免了特征提取的人工操作，解决了网络训练的局部最优问题，断路器运行状态识别性能优越，弥补了现有断路器故障诊断系统无法识别断路器故障程度的缺陷，使断路器故障诊断更加智能化。
Description
技术领域
本发明涉及高压断路器在线监测与故障诊断技术，特别是涉及一种高压断路器故障诊断方法。
背景技术
作为电力系统的重要组成部分，高压断路器的主要作用是控制与保护。对高压断路器进行实时的状态监测与故障诊断，可以做到对于断路器运行状态的实时把握，并据此制定合理的检修计划，对保障电网安全运行具有重要意义。根据IEEE对选择断路器监测对象的建议，最为常见的状态量有：断路器动触头行程、断路器触头及环境温度、分合闸状态、分合闸线圈电流、储能电机电流以及断路器机械振动。一般断路器的故障诊断就可以通过对上述参数的采集、特征提取、分类来完成。
现阶段，故障诊断领域的分类过程中所采取的智能算法大多为机器学习，所采用的人工智能算法有神经网络(Neural Network，NN)，反向传播(BackPropagation，BP)算法，粒子群优化算法(Particle Swarm Optimization，PSO)，径向基函数(Radial BasisFunction，RBF)，支持向量机(Support vector machine，SVM)等，这些只能算法被应用在工程实践中，一定程度上取得了一些非凡的表现。但是，这些智能算法普遍存在泛化能力差、易产生局部最优解的问题，或者因工作量繁重而不便于大规模工程应用，限制了其进一步的发展和应用。加之，现有的故障诊断研究，仍主要停留在对故障有无的判断和对故障位置的确定，而对故障程度的探知却很少涉及，更不用说提供描述故障程度的判断依据。事实上，仅仅知道故障发生与否和故障定位是远远不够的，对于许多设备来说，早期的轻微程度故障不足以导致维修或者零件更换。只有掌握故障程度，把握故障发展趋势，才能有效指导设备的检修维护，减少停机时间，延长设备寿命。事实上，对故障程度的识别仍是对故障识别功能的一种细化，依然是建立在故障诊断的基础之上的。因此，如何发明一种能够自动学习有效特征，分类性能优越的高压断路器故障诊断方法，已经成为亟需解决的问题。
发明内容
为了解决上述存在的问题，本发明提供一种基于深度信念网络(Deep beliefnetwork，DBN)的高压断路器故障诊断方法，以提高故障分类精确度，减少了高压断路器运维成本，解决网络训练的局部最优问题，提高断路器运行状态识别性能，能够识别断路器故障程度的缺陷。
本发明的高压断路器故障诊断方法，包括如下步骤：
步骤一，采集高压断路器合分闸线圈电流构成数据集，包含断路器正常运行数据和故障类或近似故障类数据；
步骤二，针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；
步骤三，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；
步骤四，使用训练完成的DBN进行高压断路器故障诊断。
进一步的，所述步骤一中，本发明主要针对断路器的控制回路故障和铁芯卡涩故障两种故障类型，所采集的合分闸线圈电流数据构成的数据集，包含断路器正常运行数据和故障类或近似故障类数据。
进一步的，所述步骤二中，制作数据样本集包括如下步骤：
(21)本发明针对控制回路的不同故障程度与铁芯卡涩的不同程序对断路器运行状态进行编码，并以F1-F10代为表达相应运行状况；
(22)按一定比例随机抽取所采集的数据集中大部分数据，去掉标签作为DBN网络的预训练样本，而剩下的部分则保留标签，作为参数微调阶段所需要的带标签样本，以及对于网络分类准确性进行测试的样本。同时为了减小输入数据的差值对网络训练时间及训练准确性的影响，降低计算误差，对电流数据样本进行极差归一化处理，处理方式为：
进一步的，所述步骤三中，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调，具体步骤为：
(31)输入归一化的预训练样本数据，设置网络结构参数，随机初始化网络层间权值，每层偏置值初始置零；
(32)使用预训练样本数据逐层训练RBM层，每一层RBM层的输出作为下一层的输入，直到训练完毕，得到各层网络权值和偏置值；
(33)使用(32)训练所得到的网络参数作为初始值，并使用带标签的数据样本，将DBN展开成BP网络结构，网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
进一步的，所述的步骤四中，基于DBN的高压断路器故障诊断模型由多个RBM叠加而成，模型的输入为在线监测所得到的分合闸线圈电流数据(经归一化处理)，最高层的输出为相应样本属于各个状态的概率值，概率值最大的状态即为诊断的最终结果。
本发明公开了一种高压断路器故障诊断方法，具有如下有益效果：
1、采用断路器合分闸线圈电流构成数据集建立特征空间，数据样本包含故障信息全面；2、采用极差归一化方法处理电流数据样本，完整保留包含故障特点的故障数据，同时减小了输入数据的差值对网络训练时间及训练准确性的影响，降低了计算误差；3、采用DBN分类网络进行故障识别，准确度高、分类效率快，诊断效果优秀，弥补了现有断路器故障诊断系统无法识别断路器故障程度的缺陷，使断路器故障诊断更加智能化，应用价值和前景巨大。
附图说明
图1为本发明诊断方法流程图；
图2为针对本发明的验证试验的故障及对应模拟方式、编码；
图3为本发明验证试验的DBN网络测试样本识别结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
如图1所示，本发明的高压断路器故障诊断方法，包括以下步骤：
步骤一，采集高压断路器合分闸线圈电流构成数据集，包含断路器正常运行数据和故障类或近似故障类数据；
步骤二，针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；
步骤三，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；
步骤四，使用训练完成的DBN进行高压断路器故障诊断。
上述步骤一中，本发明主要针对断路器的控制回路故障和铁芯卡涩故障两种故障类型，所采集的合分闸线圈电流数据构成的数据集，包含断路器正常运行数据和故障类或近似故障类数据。
步骤二针对控制回路的不同故障程度与铁芯卡涩的不同程序对断路器运行状态进行编码，并以F1-F10代为表达相应运行状况。在本发明的验证试验中，通过在控制回路串联不同大小的电阻，来模拟控制回路不同的故障程度；通过在铁芯末端悬挂不同重物来模拟铁芯卡涩的不同程度。相应本发明中的编码方法如图2所示。
按一定比例随机抽取所采集的数据集中大部分数据，去掉标签作为DBN网络的预训练样本，而剩下的部分则保留标签，作为参数微调阶段所需要的带标签样本，以及对于网络分类准确性进行测试的样本。同时为了减小输入数据的差值对网络训练时间及训练准确性的影响，降低计算误差，对电流数据样本进行极差归一化处理，处理方式为：
其中，xi为一个样本中第i个数据归一化后的值，xio为其原始值，xmin为该组数据的最小值，range(x)为该组数据的极差，即样本中最大值与最小值之差。经过这样的数据预处理后，得到的数据样本的值分布在(0,1)之间，将大大提高网络训练的准确性。
上述步骤三中，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调，具体步骤为：
(31)输入归一化的预训练样本数据，设置网络结构参数，随机初始化网络层间权值，每层偏置值初始置零；
(32)使用预训练样本数据逐层训练RBM层，每一层RBM层的输出作为下一层的输入，直到训练完毕，得到各层网络权值和偏置值；
(33)使用(32)训练所得到的网络参数作为初始值，并使用带标签的数据样本，将DBN展开成BP网络结构，网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
进一步地说明DBN网络原理。
DBN由多个RBM叠加而成，高层RBM使用低层RBM的输出层作为输入层，由此叠加。RBM是一个基于能量的生成型模型，由可见层和隐含层组成，其中可见层用于输入数据，隐含层用于提取特征，层间节点互相连接但各层内的节点彼此互不相连，所有节点的值都是随机的0或1。作为一个系统，RBM可见层变量v和隐藏层变量h的总体能量定义为：
上式中v表示可见层节点的状态向量，h表示隐含层节点的状态向量，m、n分别为可见层和隐含层的节点数目；W表示可见层节点与隐含层节点之间的连接权值矩阵；θ＝{W,b,a}为网络模型的参数，其中a、b分别代表隐含层节点和可见层节点的偏置值向量。由玻尔兹曼分布函数可知，在给定参数θ＝{W,b,a}的情况下，可以由下式计算出(v,h)的联合概率分布：
Z(θ)＝-∑v,he-E(v,h|θ)
Z(θ)被称为归一化常数，为了获取这个常数需要的计算量非常庞大，计算后可得关于受限玻尔兹曼机的联合概率分布的边际分布
但是，对于RBM网络这种层间节点互相连接但各层内节点彼此互不相连的结构，可知网络中不同节点的状态分布是相互独立的，也就是说只要给定某层节点的状态，与其临近的另一层节点的状态便可表达出来：
因此，为了获得隐含层节点或可见层节点的条件概率函数，这里可以首先假设可见层或隐含层各节点的状态是已知的，然后得条件概率函数分别为：
p(hj＝1|v)＝δ(bj+∑jviWij)
p(vi＝1|h)＝δ(ai+∑ihjWij)
其中δ(x)是sigmoid函数，定义为δ(x)＝1/(1+e-x).
应用极大似然法可以确定RBM中参数θ＝{W,b,a}的值，但通过随机梯度下降法来计算似然函数的最优参数存在迭代次数多、计算时间长的问题，并不适用于处理本文中高压断路器在线监测与故障诊断所采集的数据。为了避免极大似然学习法带来的问题，本文应用对比散度(Contrastive Divergence,CD-k)算法，将在确保计算精度的同时显著提高计算速度。通过验证通常在k＝1时就可以获得良好的结果。
如前所述DBN是一个含有多个隐含层的深度神经网络，如果将DBN作为整体训练，获取全局最优参数，会加大网络训练的困难。因此，本文采取逐层训练DBN网络的机制，即采用贪婪算法，从低层到高层地每次只训练一个RBM网络层，得到该层最优参数，同时保留该层的特征提取结果即该层的输出数据；然后，以当前层的输出数据作为下一个RBM网络层的输入数据，继续训练；依次进行，完成整个DBN网络的逐层训练。
尽管训练DBN是一个逐层单独训练的过程，但是对于得到的网络参数的微调仍是全局的。使用有标签的数据进行全局参数微调，即，深度信念网络参数微调过程是有监督的训练，本阶段选择算法为反向传播(BP)算法。BP网络的参数初始化通常通过取随机值的方式进行，但在本文所述DBN网络逐层预训练的基础上，使用各层RBM网络参数作为初始值，将DBN展开成BP网络的结构，进行误差的反向传播步骤，以得到DBN网络参数的优化结果。DBN网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
所述步骤四中，本发明所述基于DBN的故障分类模型的输入为在线监测所得到的分合闸线圈电流数据(经归一化处理)，最高层的输出为相应样本属于各个状态的概率值，概率值最大的状态即为诊断的最终结果。在本发明的证明试验中，样本识别结果如图3所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (5)
1.一种高压断路器故障诊断方法，其特征在于：包括如下步骤，
步骤一，采集高压断路器合分闸线圈电流构成数据集，包含断路器正常运行数据和故障类或近似故障类数据；
步骤二，针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；
步骤三，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；
步骤四，使用训练完成的DBN进行高压断路器故障诊断。
2.根据权利要求1所述的高压断路器故障诊断方法，其特征在于：所述步骤一中，本发明主要针对断路器的控制回路故障和铁芯卡涩故障两种故障类型，所采集的合分闸线圈电流数据构成的数据集，包含断路器正常运行数据和故障类或近似故障类数据。
3.根据权利要求1所述的高压断路器故障诊断方法，其特征在于：所述步骤二中：
(31)本发明针对控制回路的不同故障程度与铁芯卡涩的不同程序对断路器运行状态进行编码，并以F1-F10代为表达相应运行状况；
(32)按一定比例随机抽取所采集的数据集中大部分数据，去掉标签作为DBN网络的预训练样本，而剩下的部分则保留标签，作为参数微调阶段所需要的带标签样本，以及对于网络分类准确性进行测试的样本；同时为了减小输入数据的差值对网络训练时间及训练准确性的影响，降低计算误差，对电流数据样本进行极差归一化处理，处理方式为：
4.根据权利要求1所述的一种高压断路器故障诊断方法，其特征在于：所述步骤三中，建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调，具体步骤为：
(41)输入归一化的预训练样本数据，设置网络结构参数，随机初始化网络层间权值，每层偏置值初始置零；
(42)使用预训练样本数据逐层训练RBM层，每一层RBM层的输出作为下一层的输入，直到训练完毕，得到各层网络权值和偏置值；
(43)使用(42)训练所得到的网络参数作为初始值，并使用带标签的数据样本，将DBN展开成BP网络结构，网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
5.根据权利要求1所述的一种高压断路器故障诊断方法，其特征在于：所述的步骤四中，基于DBN的高压断路器故障诊断模型由多个RBM叠加而成，模型的输入为在线监测所得到的分合闸线圈电流数据，最高层的输出为相应样本属于各个状态的概率值，概率值最大的状态即为诊断的最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810599665.7A CN108828441A (zh) | 2018-06-12 | 2018-06-12 | 高压断路器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810599665.7A CN108828441A (zh) | 2018-06-12 | 2018-06-12 | 高压断路器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108828441A true CN108828441A (zh) | 2018-11-16 |
Family
ID=64145180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810599665.7A Pending CN108828441A (zh) | 2018-06-12 | 2018-06-12 | 高压断路器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108828441A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
| CN110208688A (zh) * | 2019-05-09 | 2019-09-06 | 石家庄科林电气股份有限公司 | 一种断路器储能电机的故障预判方法 |
| CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
| CN110376519A (zh) * | 2019-08-30 | 2019-10-25 | 国家电网有限公司 | 高压断路器故障诊断方法、装置及终端设备 |
| CN111458630A (zh) * | 2020-04-09 | 2020-07-28 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111982198A (zh) * | 2020-08-21 | 2020-11-24 | 中国南方电网有限责任公司超高压输电公司南宁局 | 一种高压断路器状态检修方法及系统 |
| CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
| CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
| CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743554A (zh) * | 2013-06-28 | 2014-04-23 | 国家电网公司 | 一种基于振动信号分析的高压断路器机械故障诊断方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN106932712A (zh) * | 2016-12-30 | 2017-07-07 | 江苏南瑞泰事达电气有限公司 | 一种基于改进模糊Petri网的断路器故障诊断方法 |
| CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
| CN107272644A (zh) * | 2017-06-21 | 2017-10-20 | 哈尔滨理工大学 | 潜油往复抽油机的dbn网络故障诊断方法 |
| CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
-
2018
- 2018-06-12 CN CN201810599665.7A patent/CN108828441A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743554A (zh) * | 2013-06-28 | 2014-04-23 | 国家电网公司 | 一种基于振动信号分析的高压断路器机械故障诊断方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN106932712A (zh) * | 2016-12-30 | 2017-07-07 | 江苏南瑞泰事达电气有限公司 | 一种基于改进模糊Petri网的断路器故障诊断方法 |
| CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
| CN107272644A (zh) * | 2017-06-21 | 2017-10-20 | 哈尔滨理工大学 | 潜油往复抽油机的dbn网络故障诊断方法 |
| CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
| CN110208688A (zh) * | 2019-05-09 | 2019-09-06 | 石家庄科林电气股份有限公司 | 一种断路器储能电机的故障预判方法 |
| CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
| CN110376519A (zh) * | 2019-08-30 | 2019-10-25 | 国家电网有限公司 | 高压断路器故障诊断方法、装置及终端设备 |
| CN110376519B (zh) * | 2019-08-30 | 2021-11-16 | 国家电网有限公司 | 高压断路器故障诊断方法、装置及终端设备 |
| CN111458630B (zh) * | 2020-04-09 | 2022-09-06 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111458630A (zh) * | 2020-04-09 | 2020-07-28 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111982198A (zh) * | 2020-08-21 | 2020-11-24 | 中国南方电网有限责任公司超高压输电公司南宁局 | 一种高压断路器状态检修方法及系统 |
| CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
| CN112729381B (zh) * | 2020-12-11 | 2023-05-02 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
| CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
| CN116756548B (zh) * | 2023-08-22 | 2023-10-24 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
| CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108828441A (zh) | 高压断路器故障诊断方法 | |
| CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN105467971B (zh) | 一种电力二次设备监测系统及方法 | |
| CN109784692A (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
| CN115294674B (zh) | 一种无人艇航行状态的监测评估方法 | |
| CN110118928A (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| Rizvi et al. | Data-driven short-term voltage stability assessment using convolutional neural networks considering data anomalies and localization | |
| Liu et al. | A data-driven decision-making optimization approach for inconsistent lithium-ion cell screening | |
| Yan et al. | Deep learning technology for chiller faults diagnosis | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
| Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
| CN109490661A (zh) | 基于pso-svm和人工免疫算法的油浸式电抗器故障诊断方法、装置及系统 | |
| Liu et al. | Power System Relay Protection Based on Faster R-CNN Algorithm | |
| CN111723851A (zh) | 一种生产线故障检测方法 | |
| CN113822771A (zh) | 一种基于深度学习的低误检率窃电检测方法 | |
| Wang et al. | A Multi-Level Branch Neural Networks With Self-Evolution for Condition Monitoring of Industrial Equipment Under Incomplete Training Dataset Scenario | |
| Dongare et al. | Incipient faults detection in induction motor using MLP-NN and RBF-NN-based fault classifier | |
| CN106940525B (zh) | 基于免疫应答机制的配电网优化与风险控制系统和方法 | |
| Boukari et al. | A parallel multi-classifiers system for mechanical fault recognition | |
| Vishal et al. | Electrical fault detection using machine learning algorithm | |
| İnce et al. | Fault detection and classification for robotic test-bench |
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 |
Application publication date: 20181116 |
|
| RJ01 | Rejection of invention patent application after publication |