CN109472097B - 一种输电线路在线监测设备故障诊断方法 - Google Patents

一种输电线路在线监测设备故障诊断方法 Download PDF

Info

Publication number
CN109472097B
CN109472097B CN201811372634.4A CN201811372634A CN109472097B CN 109472097 B CN109472097 B CN 109472097B CN 201811372634 A CN201811372634 A CN 201811372634A CN 109472097 B CN109472097 B CN 109472097B
Authority
CN
China
Prior art keywords
fault
monitoring equipment
neural network
codes
power transmission
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
Application number
CN201811372634.4A
Other languages
English (en)
Other versions
CN109472097A (zh
Inventor
吴风亮
严锐
贺思阳
张帆
周文胜
张鑫
刘前进
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.)
WUXI GELIPU TECHNOLOGY CO LTD
Huangshi Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
WUXI GELIPU TECHNOLOGY CO LTD
Huangshi Power Supply Co 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 WUXI GELIPU TECHNOLOGY CO LTD, Huangshi Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical WUXI GELIPU TECHNOLOGY CO LTD
Priority to CN201811372634.4A priority Critical patent/CN109472097B/zh
Publication of CN109472097A publication Critical patent/CN109472097A/zh
Application granted granted Critical
Publication of CN109472097B publication Critical patent/CN109472097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种输电线路在线监测设备故障诊断方法，包括有以下步骤：(1)获取在线监测设备上传的故障代码；(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码;(3)采用V系统上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库;(4)对上一步获取的故障信息进行神经网络的自学习训练，预测走向；(5)对比预测数据的V系统特征值，给出诊断结果;本发明实现了对在线监测设备上传的故障数据进行多重数据处理和精确诊断，在控制上灵活多变，便于监测人员及时发现故障点并进行维护，提高了运维工作的效率。

Description

一种输电线路在线监测设备故障诊断方法
技术领域
本发明涉及大数据处理技术领域，尤其是一种输电线路在线监测设备故障诊断方法。
背景技术
近年来，随着电网信息化技术的发展，在电网运维工作中出现了输电线路在线监测系统，该系统主要用途是通过安装在输电线路上的监测设备对输电线路的运行工况进行远程监控维护，大大降低输电线路运维工作的难度及工作量，并提高运维工作的效率。然而，在实际使用过程中，现有的在线监测系统存在着监测设备故障时有发生、故障原因无法诊断、对监测设备的运维工作量大等一些问题，这也严重影响了在线监测系统对输电线路的远程监控，并影响到运维工作的效率。
在对监测设备进行故障诊断时，往往涉及到对故障数据（代码）的处理。在实际工程运用中，故障信息的检测与诊断往往能够帮助我们规避未知的风险、提高设备的运行质量。尤其在大数据时代，由于设备采集的数据信息量庞大、内容冗杂，往往无法得到及时的分析处理，因而我们急需一种切实可行的故障信息诊断方法。
当前，国内外在对数据分析一块，常见的方法主要分为三大类：(1)基于傅里叶变换的数据分析法；(2)基于小波变换的数据分析法；(3)基于分形的数据分析法。基于傅里叶变换的数据分析法最为经典，应用也最广泛，但缺点是缺乏空间局部性，只能对故障数据的奇异性进行整体性分析，却不能对单个故障数据点进行准确的定位检测。基于小波变换的数据分析法具有空间局部性，能够聚焦信号的细节信息，但是小波基函数的选择是一大难题。基于分形的数据分析法依靠分形维数反映信号的复杂性，能够有效地检测到信号的动态变化，但相关研究工作尚处于起步阶段。
国内外在对故障数据诊断一块，常见的诊断方法有：Nair检验法、Grubbs检验法、Dixon检验法、样本分位数法、均值比检验法、逐步迭代扩展检验法、G型统计量法、极值分布场合异常数据检验法、双参数对数正态分布场合异常数据检验法等等。这些方法有些只能检验含有异常小或异常大数据的情况，因而容易受屏蔽效应和吞噬效应的影响。
由此可见，当前在现有的技术领域并没有找到一种有效的对故障数据进行分析处理的方法，并将该方法用于诊断输电线路在线监测设备故障。
发明内容
本发明的目的就是要解决现有技术所存在的不足之处，为此提供一种输电线路在线监测设备故障诊断方法，以解决现有的在线监测系统存在着监测设备故障时有发生、故障原因无法诊断、对监测设备的运维工作量大的问题。
本发明的具体方案是：一种输电线路在线监测设备故障诊断方法，包括有以下步骤：(1)获取在线监测设备上传的故障代码；
(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；
(3)采用V系统对上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库，其中一个n阶的V系统的表达式为：
Figure DEST_PATH_IMAGE001
i=1,2,…,k+1，k=0,1,2,3…；j=1,2,…,2 n-2 , n=3,4,5,…；
其中i为矩阵行向量，j为矩阵列向量，k是阶数，n是次数;
(4)对上一步获取的故障信息进行神经网络的自学习训练，根据神经网络给出的预测期望结果而得到故障数据的走向曲线图;
(5) 将预测期望结果与故障信息数据库的特征值进行对比，找出偏离故障数据的走向曲线图的故障点。
本发明中所述3δ准则在对一组故障代码进行数据处理时，先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个数值分布区间（μ-kδ,μ+kδ）,其中δ代表标准偏差，μ代表均值，k代表大于0的自然数。认为凡超过这个数值分布区间的误差就不属于随机误差而是粗大误差，将含有该粗大误差的数据予以剔除。
当k=1时，数值分布在（μ-σ,μ+σ)中的概率为0.6827；
当k=2时，数值分布在（μ-2σ,μ+2σ)中的概率为0.9545；
当k=3时，数值分布在（μ-3σ,μ+3σ)中的概率为0.9973。
可以认为，Y 的取值几乎全部集中在（μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3%。
本发明中对V系统的推论过程如下：
令t∈[0,1], 并且假设使[0,1]变成2n的部分, 那么近似的函数变换如下:
Figure DEST_PATH_IMAGE002
；
并且
Figure DEST_PATH_IMAGE003
把给定的曲线表达式改成参数形式：
Figure DEST_PATH_IMAGE004
并且有，
Figure DEST_PATH_IMAGE005
到目前为止, 对于一个给定的 Ff(t), 可以使用P(t)去做有限精度表示, 又称 作P(t)是Ff(t)的正交表达,
Figure DEST_PATH_IMAGE006
是Ff(t)的V频谱. 因为P(t)能够精确表示 Ff(t), 那么特征值就定义成：
Figure DEST_PATH_IMAGE007
，
使
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
标准化表达；标准 V描述子
Figure DEST_PATH_IMAGE010
具有平移、缩放和旋转不变性。下面给出证明：
假设有一个描述物体
Figure DEST_PATH_IMAGE011
和它的V描述子
Figure DEST_PATH_IMAGE012
, 如果平移量是
Figure DEST_PATH_IMAGE013
，缩放程度是β, 旋转角度是θ, 通过这些变换物体变成了
Figure DEST_PATH_IMAGE014
, 并且它的描述子变成：
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
；
在这里使用
Figure DEST_PATH_IMAGE018
；
当
Figure DEST_PATH_IMAGE019
本发明中所述神经网络由一个输入层、三个隐藏层和一个输出层组成其中，输入层接受外部世界的信号与数据，输出层实现系统处理结果的输出，隐藏层是处在输入层和输出层之间。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。在实际应用中，我们将一组故障数据信息（即一个数组）作为输入层，通过神经网络的自学习训练，得到一个输出结果，这个输出就是针对该数组的预测，即这组故障信息的变化趋势。而实际的故障信息不可能只有一组，那么每一组故障信息都进行神经网络的自学习训练，都给出一个预测的期望结果。由于神经网络模拟的是人脑神经元网络，相当于计算机在不断的自学习训练中产生了“经验”，一方面它的下一次预测会越来越准确；另一方面在经过大量训练之后，不同故障数据之间会产生联系，而计算机会深入挖掘出这种肉眼不可见的联系，即智能化。另外，在本发明中神经网络的训练算法采用levenberg marpuardt算法，误差指标为MSE；若经过连续六次训练，神经网络的输出误差不降反升，则强行结束训练。
与现有技术相比，本发明的有益效果如下：
(1)本发明软件算法结构复杂，使用多重处理，对于在线监测设备上传的故障数据实现了精确的分析处理；在对输电线路的运行工况进行远程监控的同时，实现了对监测设备运行状况的实时监测，并进行远程故障诊断，分析故障原因，从而便于监测人员发现监测设备的故障点，以便及时进行维护；
(2)本发明实现了对监测设备出现的故障进行智能化地诊断分析，不需要人为干预，并且在进行故障分析时，可根据需要实时修改故障检测程序中的判断标准和相应的故障代码，控制灵活多变；
(3)本发明中通过在线监测设备上传的故障代码，为监测设备的维护提供了参考，提高了监测数据的可信度，也对远端各个传感器型号的选择提供了参考；
(4)本发明大大降低了输电线路运维工作的难度及工作量，并提高了运维工作的效率；
(5)本发明对故障数据的处理获取多种处理结构，可以分析出以下几种情况：装置内部部位彻底损坏（故障代码数值异常大或异常小），出现短路或断路；装置内部部位出现异常（故障代码数值出现较大偏差或类比同期其他装置数值有一定偏差），出现装置异常情况，需要现场查看，防止危害扩大；装置内部部位正常（故障代码数值符合历史数据走向，且同期其它同类型装置数据走向基本一样）。
附图说明
图1是本发明的结构框图；
图2是本发明中0阶V系统的基本构造单元的曲线图；
图3是本发明中1阶V系统的基本构造单元的曲线图；
图4是本发明中2阶V系统的基本构造单元的曲线图；
图5是本发明中3阶V系统的基本构造单元的曲线图；
图6是本发明中神经网络算法原理图；
图7是本发明中采用nntrainingtool进行神经网络训练的截图；
图8是本发明中经过神经网络诊断得到的故障信息检测系统的界面图；
图9是本发明中在神经网络诊断中的最佳训练曲线图；
图10是本发明中在神经网络诊断中的训练状态图；
图11是本发明中在神经网络诊断中的回归系数曲线图；
图12是在误差判别因子为1.5时，得到的仿真实验结果图；
图13是在误差判别因子为1.6时，得到的仿真实验结果图；
图14是在误差判别因子为1.7时，得到的仿真实验结果图；
图15是在误差判别因子为1.8时，得到的仿真实验结果图；
图16是在误差判别因子为1.9时，得到的仿真实验结果图；
图17是在误差判别因子为2.0时，得到的仿真实验结果图。
具体实施方式
参见图1，一种输电线路在线监测设备故障诊断方法，包括有以下步骤：(1)获取在线监测设备上传的故障代码；
(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；
(3)采用V系统对上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库。
V系统是一种基于改良Haar小波函数的特征值描述方法，它的本质是一类分段线性完备正交函数系，它的基函数是通过复制和平移0阶Haar函数而获得的，其中一个n阶的V系统的表达式为：
Figure DEST_PATH_IMAGE020
i=1,2,…,k+1，k=0,1,2,3…；j=1,2,…,2 n-2 ,n=3,4,5,…；
其中i为矩阵行向量，j为矩阵列向量，k是阶数，n是次数;
当k=0时，得到0阶V系统的基本构造单元如图2所示；
当k=1时，得到1阶V系统的基本构造单元如图3所示；
当k=2时，得到2阶V系统的基本构造单元如图4所示；
当k=3时，得到3阶V系统的基本构造单元如图5所示。
(4)对上一步获取的故障信息进行神经网络的自学习训练，根据神经网络给出的预测期望结果而得到故障数据的走向曲线图;
(5) 将预测期望结果与故障信息数据库的特征值进行对比，找出偏离故障数据的走向曲线图的故障点。
本实施例中所述3δ准则在对一组故障代码进行数据处理时，先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个数值分布区间（μ-kδ,μ+kδ）,其中δ代表标准偏差，μ代表均值，k代表大于0的自然数。认为凡超过这个数值分布区间的误差就不属于随机误差而是粗大误差，将含有该粗大误差的数据予以剔除。
当k=1时，数值分布在（μ-σ,μ+σ)中的概率为0.6827；
当k=2时，数值分布在（μ-2σ,μ+2σ)中的概率为0.9545；
当k=3时，数值分布在（μ-3σ,μ+3σ)中的概率为0.9973。
可以认为，Y 的取值几乎全部集中在（μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3%。
本实施例中所述神经网络由一个输入层、三个隐藏层和一个输出层组成其中，输入层接受外部世界的信号与数据，输出层实现系统处理结果的输出，隐藏层是处在输入层和输出层之间。
上述神经网络即是指当前的人工神经网络（Artificial Neural Network，即ANN ），它在是在20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
本实施例中所述神经网络算法原理图如图6所示，在图中layer 1表示输入层，layer 2表示隐藏层，layer 3表示输出层；与此同时，图中每个圈代表一个神经元，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。
单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分（称之为判断边界），给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。该超平面的方程: Wp+b=0，其中，W表示权向量，b表示偏置，p表示超平面上的向量。
在人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。即图中的输入层layer 1、隐藏层layer 2和输出层layer 3，其中输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。
在实际应用中，我们将一组故障数据信息（即一个数组）作为输入层，通过神经网络的自学习训练，得到一个输出结果，这个输出就是针对该数组的预测，即这组故障信息的变化趋势。而实际的故障信息不可能只有一组，那么每一组故障信息都进行神经网络的自学习训练，都给出一个预测的期望结果。由于神经网络模拟的是人脑神经元网络，相当于计算机在不断的自学习训练中产生了“经验”，一方面它的下一次预测会越来越准确；另一方面在经过大量训练之后，不同故障数据之间会产生联系，而计算机会深入挖掘出这种肉眼不可见的联系，即智能化。
本实施例中给出了采用nntrainingtool进行神经网络训练的截图。如图7所示，在图中：第一部分的图形显示的是神经网络的结构图，由图可知在进行神经网络训练时采用了3个隐层;
第二部分显示的是训练算法，这里为levenberg marpuardt算法；误差指标为MSE；
第三部分显示训练进度：epoch为迭代次数，time为训练时间、performance为网络输出误差、gradient为梯度、validation check为泛化能力检查（若连续6次训练误差不降反升，则强行结束训练）
第四部分为作图，分别点击三个按钮能看到误差变化曲线等，其中plot interval为横坐标的刻度。
本实施例中给出了经过神经网络诊断得到的故障信息检测系统的界面图。如图8所示，在图中：“检测结果”为使用3δ准则计算得到的数据，而“参考意见”部分为使用神经网络训练大数据库后，给出的智能分析结果，具体训练过程如下：
在神经网络诊断中的最佳训练曲线如图9所示，在图中横坐标是迭代次数，由图可知一共迭代了49次，纵坐标是均方根误差，在第49次迭代时均方根误差达到期望值，所以结束训练；
在神经网络诊断中的训练状态如图10所示，在图中上部的第一条曲线表示梯度变化，中部的第二条曲线表示学习效率，下部的第三条曲线表示泛化能力检查，一般设定为如果连续6次不降反升，则说明被训练的网络已经过拟合，训练应当终止；
在神经网络诊断中的回归系数曲线如图11所示，在图中R=1表示已达到理想拟合状态。
综上所述，整套算法以3σ准则为基础，以V系统对故障代码进行编码并建立数据库，另外再外加一个神经网络模块，达到基础部分精确检测、大数据与智能化部分辅助检测的目的。
下面以一组采集到的实验数据为例，进行仿真实验。
原始的采集数据为：24.1 23.9 22.7 25.6 24.5 27.8 23.5 24.0 25.125.8 26.2 23.8 27.2 23.4 26.0 24.2 24.3 22.9 26.5 27.1 25.5 24.723.3 25.2 25.0 26.6 24.7 24.5 25.1 26.0
分别取误差判别因子为1.5至2.0，得到的实验结果如下：
当误差判别因子为1.5时，得到的仿真实验结果如图12所示；
当误差判别因子为1.6时，得到的仿真实验结果如图13所示；
当误差判别因子为1.7时，得到的仿真实验结果如图14所示；
当误差判别因子为1.8时，得到的仿真实验结果如图15所示；
当误差判别因子为1.9时，得到的仿真实验结果如图16所示；
当误差判别因子为2.0时，得到的仿真实验结果如图17所示。
由实验结果可见，根据误差判别因子选择的不同，检测严格程度也不同，设置适合的误差因子可以应对不同的精度要求；与此同时，经过大数据库的特征值对比分析，给出综合参考意见，可以对数据总体出错概率作出评估；从而基于上述仿真实验的论证可知，本发明完全可以实现对输电线路在线监测设备上传的故障数据进行分析和处理，并作出诊断结果。

Claims (3)

1.一种输电线路在线监测设备故障诊断方法，其特征是：包括以下步骤：(1)获取在线监测设备上传的故障代码；
(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；
(3)采用V系统对上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库，其中一个n阶的V系统的表达式为：
Figure 16018DEST_PATH_IMAGE001
i=1,2,…,k+1，k=0,1,2,3…；j=1,2,…,2 n-2 , n=3,4,5,…；
其中i为矩阵行向量，j为矩阵列向量，k是阶数，n是次数;
(4)对上一步获取的故障信息进行神经网络的自学习训练，根据神经网络给出的预测期望结果而得到故障数据的走向曲线图;
(5) 将预测期望结果与故障信息数据库的特征值进行对比，找出偏离故障数据的走向曲线图的故障点。
2.根据权利要求1所述的一种输电线路在线监测设备故障诊断方法，其特征是：所述3δ准则在对一组故障代码进行数据处理时，对粗大误差进行判定的数值分布区间为（μ-kδ,μ+kδ）,其中δ代表标准偏差，μ代表均值，k代表大于0的自然数。
3.根据权利要求1所述的一种输电线路在线监测设备故障诊断方法，其特征是：所述神经网络由一个输入层、三个隐藏层和一个输出层组成，并且神经网络的训练算法采用levenberg marpuardt算法，误差指标为MSE；若经过连续六次训练，神经网络的输出误差不降反升，则强行结束训练。
CN201811372634.4A 2018-11-19 2018-11-19 一种输电线路在线监测设备故障诊断方法 Active CN109472097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811372634.4A CN109472097B (zh) 2018-11-19 2018-11-19 一种输电线路在线监测设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811372634.4A CN109472097B (zh) 2018-11-19 2018-11-19 一种输电线路在线监测设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN109472097A CN109472097A (zh) 2019-03-15
CN109472097B true CN109472097B (zh) 2022-09-20

Family

ID=65672723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811372634.4A Active CN109472097B (zh) 2018-11-19 2018-11-19 一种输电线路在线监测设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN109472097B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006645B (zh) * 2019-05-10 2020-07-03 北京航空航天大学 一种多源融合的高压断路器机械故障诊断方法
CN110333962B (zh) * 2019-05-16 2023-10-13 上海精密计量测试研究所 一种基于数据分析预测的电子元器件故障诊断模型
CN110208658B (zh) * 2019-05-23 2021-03-19 国网天津市电力公司电力科学研究院 一种对局部放电诊断结果进行多元互补交叉验证的方法
CN112991297B (zh) * 2021-03-15 2024-06-14 广东电网有限责任公司清远供电局 一种输电线路故障诊断方法、系统、电子设备和存储介质
CN117273516A (zh) * 2023-09-15 2023-12-22 国网湖北省电力有限公司黄石供电公司 一种基于注意力机制神经网络的绩效评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502758A (zh) * 2014-12-17 2015-04-08 西北工业大学 航空静止变流器故障诊断方法
CN106017551A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种智能化输电线路综合监测分析预警方法
WO2018120283A1 (zh) * 2016-12-29 2018-07-05 合肥工业大学 基于连续小波分析和elm网络的模拟电路故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7512503B2 (en) * 2003-05-12 2009-03-31 Simmonds Precision Products, Inc. Wire fault detection
US7672811B2 (en) * 2005-06-17 2010-03-02 Gm Global Technology Operations, Inc. System and method for production system performance prediction

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502758A (zh) * 2014-12-17 2015-04-08 西北工业大学 航空静止变流器故障诊断方法
CN106017551A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种智能化输电线路综合监测分析预警方法
WO2018120283A1 (zh) * 2016-12-29 2018-07-05 合肥工业大学 基于连续小波分析和elm网络的模拟电路故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Fault detection, classification and location for transmission lines and distribution systems: a review on the methods";Kunjin Chen 等;《High Voltage》;20160401;第01卷(第01期);全文 *
"V系统在数字几何中的应用研究";欧梅芳;《中国优秀硕士学位论文全文数据库信息科技辑》;20090815(第08期);全文 *
"基于RPROP神经网络的输电线路故障分析研究";曹海迪;《中国优秀硕士学位论文全文数据库基于RPROP神经网络的输电线路故障分析研究》;20170815(第08期);全文 *
"基于小波包变换和模糊神经网络的输电线路故障诊断研究_白静波";白静波;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140512(第02期);全文 *

Also Published As

Publication number Publication date
CN109472097A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
CN111666982B (zh) 一种基于深度神经网络的机电设备故障诊断方法
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
Chang et al. Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM
CN112101431A (zh) 电子设备故障诊断系统
CN117273440B (zh) 基于深度学习的工程施工物联网监测管理系统及方法
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
WO2021114320A1 (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN117783769B (zh) 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN118157132B (zh) 基于神经网络的电压监测系统数据挖掘方法及装置
Liang et al. Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
Li et al. A 2-D long short-term memory fusion networks for bearing remaining useful life prediction
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN117951577A (zh) 一种虚拟电厂能源状态感知方法
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
CN114548701B (zh) 面向全量测点耦合结构分析与估计的过程预警方法及系统
Li et al. Application of combination forecasting model in aircraft failure rate forecasting
CN113191556A (zh) 一种核电Loca事件故障预测与诊断方法
CN112380763B (zh) 一种基于数据挖掘的堆内构件可靠性分析系统及方法
Zhang et al. Deep Graph Convolutional Neural Network for Fault Diagnosis of Complex Industrial Processes

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