CN109581270B - 基于小波多尺度变换快速辨识cvt故障的方法 - Google Patents

基于小波多尺度变换快速辨识cvt故障的方法 Download PDF

Info

Publication number
CN109581270B
CN109581270B CN201910032102.4A CN201910032102A CN109581270B CN 109581270 B CN109581270 B CN 109581270B CN 201910032102 A CN201910032102 A CN 201910032102A CN 109581270 B CN109581270 B CN 109581270B
Authority
CN
China
Prior art keywords
wavelet
signal
threshold
scale
coefficient
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.)
Expired - Fee Related
Application number
CN201910032102.4A
Other languages
English (en)
Other versions
CN109581270A (zh
Inventor
韦家富
刘友波
刘向龙
强文渊
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201910032102.4A priority Critical patent/CN109581270B/zh
Publication of CN109581270A publication Critical patent/CN109581270A/zh
Application granted granted Critical
Publication of CN109581270B publication Critical patent/CN109581270B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Locating Faults (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于小波多尺度变换快速辨识CVT故障的方法，其包括：采集在线电力系统中各CVT装置的电压信号；获取已选取的小波基和阈值选择方法，并根据选取的小波基，采用小波多尺度变换将电压信号分解得到尺度系数和小波系数；采用阈值选择方法对小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；根据选取的小波基，采用小波多尺度变换对消噪信号分解；选取三个尺度，采用模极大值法对单尺度重构信号进行处理；根据重构后的三个电压信号的波形，定位故障发生点。

Description

基于小波多尺度变换快速辨识CVT故障的方法
技术领域
本发明涉及故障识别与电力系统测量装置领域，具体涉及一种基于小波多尺度变换快速辨识CVT故障的方法。
背景技术
近年来，随着我国现代电网的不断发展，已呈现出智能化、特高压化的特点和趋势，对于电力互感器提出了更高的要求来适应这种系统电压等级和输送容量不断提高、网络智能化程度不断加深的发展形势。
电容式电压互感器(Capacitor Voltage Transformer，CVT)因具有结构简单、经济安全、维护工作容易、绝缘可靠性高等特性广泛使用于高电压监测工作当中。但受限于CVT严格密封的制作工艺等因素，在实际运行过程中，除了发生漏油、产生异常声响等易直观发现的故障外，内部故障比如电容器击穿、二次端子松动等运行缺陷时有发生且不易发现，导致在线路投切、补偿装置等投入或退出过程中CVT故障率居高不下，并造成监督排查工作的复杂性，威胁电网的安全运行。
从大量电气工程实践中，人们认识到要使CVT设备可靠有效的运行，充分发挥其效益，必须发展设备监测和故障诊断技术，因而CVT故障识别具有重要的研究价值。
发明内容
针对现有技术中的上述不足，本发明提供的基于小波多尺度变换快速辨识CVT故障的方法通过对CVT故障检测可以避免CVT采集不准后加速失效、完全击穿等缺陷。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于小波多尺度变换快速辨识CVT故障的方法，其包括：
A1、采集在线电力系统中各CVT装置的电压信号；
A2、获取已选取的小波基和阈值选择方法，并根据选取的小波基，采用小波多尺度变换将电压信号分解得到尺度系数和小波系数；
A3、采用阈值选择方法对小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；
A4、根据选取的小波基，采用小波多尺度变换对消噪信号进行分解；
A5、选取2、3、4三个尺度，采用模极大值法对单尺度重构信号进行处理，得到三个电压信号；
A6、根据重构后的三个电压信号的波形，判断CVT装置是否发生故障，若发生，则输出故障的位置点，否则返回步骤A1。
本发明的有益效果为：本方案相比传统算法对一、二次测量电压对比分析及引入其他判定量容易限于数据处理量繁琐、时效性不够好等问题，本方案利用小波多尺度分析可实现实时可视化监测、快速辨别故障波形、对比判定故障点等，为调度监测人员进行下一步CVT故障诊断提供了有效、可行的分析途径。
利用模极大值法捕捉到异常信号的模极大值点，能很快辨识到CVT异常信号发生的位置；同时结合多尺度重构算法捕捉到CVT异常波形。消噪信号具体实现过程中削弱了信号的高频噪声，有利于提高故障识别和定位能力。
进一步地，所述采用小波多尺度变换将电压信号分解得到尺度系数和小波系数为采用一维离散小波将电压信号f(x)分解为尺度系数ck和小波系数dk，f(x)的表达式为：
Figure BDA0001944605290000021
其中，k＝0，1，2，…，n-1；n为总样本数；j为分解的层数；
Figure BDA0001944605290000022
构成L2空间的一个子空间Vj+1的正交基；
Figure BDA0001944605290000023
和
Figure BDA0001944605290000024
的计算式分别为：
Figure BDA0001944605290000031
Figure BDA0001944605290000032
其中，l(n)为低通滤波器；h(n)为高通滤波器；Z为正整数。
采用上述进一步方案的有益效果是：本方案通过已选取的小波基对电压信号进行分解得到的上述表达式，可以提高后续故障识别和定位能力。
进一步地，所述小波基和阈值选择方法的选取方法进一步包括：
S1、获取CVT装置的历史电压信号，并设置不同时序位置处的电压波动分别为1％和2％的击穿故障；
S2、随机加入固定长度的噪声，采用多种候选小波基将加入击穿故障的历史电压信号分解得到尺度系数和小波系数；
S3、采用多种阈值选择方法分别对同一个小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；
S4、计算每个小波系数得到的多个消噪信号的信噪比，并选取同一个小波系数对应的多个消噪信号中信噪比最大的消噪信号，同时将信噪比最大的消噪信号对应的阈值选择方法的选择次数累加一次；
S5、采用选取的消噪信号对应的候选小波基将消噪信号分解得到尺度系数和小波系数；
S6、采用模极大值法对步骤S5得到的尺度系数和小波系数进行处理，得到每个尺度信号模极大值点的坐标，并与击穿故障处的位置信息进行比较；
S7、当比较结果小于预设阈值时，则将对应的候选小波基的有效次数累加一次，并将重复执行步骤S1至步骤S7的循环次数累加一次；
S8、当循环次数等于设定次数时，进入步骤S9，否则返回步骤S1；
S9、对比所有候选小波基的有效次数，选取有效次数最大对应的候选小波基作为在线故障识别时的小波基；
对比所有阈值选择方法对应的选择次数，选取选择次数最大对应的阈值选择方法作为在线故障识别时的阈值选择方法。
采用上述进一步方案的有益效果是：采用统计实验确定最优小波基和阈值选择方法，利用模极大值法捕捉到异常信号的模极大值点，能很快辨识到CVT异常信号发生的位置；由于在在线检测之前对最优小波基和阈值选择方法进行确认，可以简化在线检测步骤，提高检测效率。
进一步地，所述信噪比的计算公式为：
Figure BDA0001944605290000041
其中，QSNR为信噪比；Ps为历史电压信号的功率；Pn为噪声的功率；Si为历史电压信号；Fi为消噪信号。
采用上述进一步方案的有益效果是：基于噪声评价确定各阈值选择方式，将不确定的去噪效果反应到具体物理指标上，利于确定各阈值选择方式的特点。
进一步地，每次循环时采用的历史电压信号均不相同。由于选取的历史电压信号均不相同，这样可以提高统计最优小波基和阈值选择方法的准确性。
进一步地，所述候选小波基包括选择Haar小波、Daubechies系列小波、Coiflet系列小波、Symlets系列小波、ReverseBior系列小波和FejerKorovkin系列小波；多种阈值选择方法分别为无偏风险估计阀值、启发式阈值、固定门限阈值和最大最小准则阈值。
附图说明
图1为基于小波多尺度变换快速辨识CVT故障的方法一个实施例的原理框图。
图2为实验例中CVT电气结构原理图。
图3为实验例中小波系数第2、3、4三个尺度来重构采集的电压信号的波形图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
电容式电压互感器是由电容分压器和电磁单位(中间变压器)组合而成的具有独特结构的电气设备。图2为CVT电气结构简图，电容分压器分高压电容C1和中压电容C2两部分，其中高压电容C1由C11、C12和C133部分串联而成。C11、C12、C13分布在CVT的上节瓷套管中，中压电容C2分布在下节瓷套管中。C11、C12和C13都可以看成一定数量的电容原件串联而成；图1中L为补偿电抗器，F为保护装置，a1为主二次绕组，da和ds构成剩余电压绕组。电容原件经真空干燥处理后浸在电容器油中，串连在一起，由绝缘支撑杆固定。
CVT内部故障通常表现在电容元件被击穿，这会引起总电容的变化，出现分压比变化和一、二次电压异常等异常现象。设CVT内部各电容原件电容量相等，则有电容变化率：
Figure BDA0001944605290000051
其中，N0个电容元件串联，N1个电容被击穿。电容ΔC％变化一一对应CVT测量电压变化ΔU％，根据各厂站的测试和理论计算给ΔU％设定一个阈值数值(常用1％、2％等)，若超过该数值，则表示该处CVT异常。
但由于实际操作过程CVT击穿元件较少，即N1远小于N0，因此电容变化率不大，电压变化率不大，无法直接通过监测二次电压发现监测电压的变化情况。通过实用有效的方法敏锐地捕捉到电压值的变化是表征CVT采集波形异常的关键。
参考图1，图1示出了基于小波多尺度变换快速辨识CVT故障的方法一个实施例的原理框图；如图1所示，该方法包括步骤A1至步骤A6。
在步骤A1中，采集在线电力系统中各CVT装置的电压信号。
在步骤A2中，获取已选取的小波基和阈值选择方法，并根据选取的小波基，采用小波多尺度变换将电压信号分解得到尺度系数和小波系数。
实施时，本方案优选所述采用小波多尺度变换将电压信号分解得到尺度系数和小波系数为采用一维离散小波将电压信号f(x)分解为尺度系数ck和小波系数dk，f(x)的表达式为：
Figure BDA0001944605290000061
其中，k＝0，1，2，…，n-1；n为总样本数；j为分解的层数；
Figure BDA0001944605290000062
构成L2空间的一个子空间Vj+1的正交基；
Figure BDA0001944605290000063
和
Figure BDA0001944605290000064
的计算式分别为：
Figure BDA0001944605290000065
Figure BDA0001944605290000066
其中，l(n)为低通滤波器；h(n)为高通滤波器；Z为正整数。
在步骤A3中，采用阈值选择方法对小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号。
其中，阈值选择方法的阈值函数主要分为硬阈值函数和软阈值函数；硬阈值处理对小波分解得到的较小函数进行置零，其函数形式为：
Figure BDA0001944605290000071
软阈值的计算方法是将较小的系数置零但对较大的小波系数趋向零收缩，其函数形式为：
Figure BDA0001944605290000072
目前，工程中常用阈值选择方法有无偏风险估计阀值(Rigrsur)、启发式阈值(Heursure)、固定门限阈值(Sqtwolog)、最大最小准则阈值(Minimaxi)共四种。
在步骤A4中，根据选取的小波基，采用小波多尺度变换对消噪信号进行分解；此处分解所采用的算例及达到的效果与步骤A2完全相同，此处就不再赘述。
在步骤A5中，选取2、3、4三个尺度，采用模极大值法对单尺度重构信号进行处理，得到三个电压信号。
模极大值法是基于函数奇异性理论来检测信号在某一序列中是否具有突变性的，并以来Lipschitzα来描述，小波变换的模极大值被用来检测信号的奇异性，设WΨf(s,x)(s＝2J)是信号f(x)在尺度J下的小波变换，对于任意x，x∈(x0-δ,x0+δ)，有：
|Wψf(s,x)|≤|Wψf(s,x0)|
则x0称为小波变换在尺度J下的模极大值点，|WΨf(s,x0)|为小波变换的模极大值。模极大值点与信号的奇异点一一对应，模极大值点对应信号的奇异点跳变的边缘，模极大值的幅值对应信号奇变的强度。
在步骤A6中，根据重构后的三个电压信号的波形，判断CVT装置是否发生故障，若发生，则输出故障的位置点，否则返回步骤A1。由于发生故障处的波形会发生突变，呈现出突然上升并快速下降，通过波形能够直观地发现这一现象，而快速确定有故障的点。
在本发明的一个实施例中，小波基和阈值选择方法的选取方法进一步包括：
S1、获取CVT装置的历史电压信号，并设置不同时序位置处的电压波动分别为1％和2％的击穿故障；
S2、随机加入固定长度的噪声，采用多种候选小波基将加入击穿故障的历史电压信号分解得到尺度系数和小波系数；
S3、采用多种阈值选择方法分别对同一个小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；
S4、计算每个小波系数得到的多个消噪信号的信噪比：
Figure BDA0001944605290000081
其中，QSNR为信噪比；Ps为历史电压信号的功率；Pn为噪声的功率；Si为历史电压信号；Fi为消噪信号。
并选取同一个小波系数对应的多个消噪信号中信噪比最大的消噪信号，同时将信噪比最大的消噪信号对应的阈值选择方法的选择次数累加一次。
S5、采用选取的消噪信号对应的候选小波基将消噪信号分解得到尺度系数和小波系数；
S6、采用模极大值法对步骤S5得到的尺度系数和小波系数进行处理，得到每个尺度信号模极大值点的坐标，并与击穿故障处的位置信息进行比较；
S7、当比较结果小于预设阈值时，则将对应的候选小波基的有效次数累加一次，并将重复执行步骤S1至步骤S7的循环次数累加一次；
S8、当循环次数等于设定次数时，进入步骤S9，否则返回步骤S1，在进入下一次循环时，每次循环时采用的历史电压信号均不相同。
S9、对比所有候选小波基的有效次数，选取有效次数最大对应的候选小波基作为在线故障识别时的小波基；
对比所有阈值选择方法对应的选择次数，选取选择次数最大对应的阈值选择方法作为在线故障识别时的阈值选择方法。
本方案运用小波多分辨分析方法对阈值去噪进行了一定的探讨，以信噪比的大小作为评价，并结合CVT运行和采样的特点找到了适用于CVT电压去噪的阈值选择规则。
本方案首先通过步骤S1至S9所建立的评价指标，结合统计实验的思想确定适合的阈值选择方法或小波基，确定最优小波参数后，再对实时数据取样后进行去噪和波形检测，这样躲避了由于小波簇理论并不完善而常在应用问题上缺乏系统的最优参数选择问题，提高了CVT监测的可靠性、运行的安全性、计量电压的公平性等优点，同时本发明具备的在线识别和可视化特点可提高变电站等高电压场所无人看守、自主运行等能力。
实施时，本方案所采用的候选小波基包括选择Haar小波、Daubechies系列小波、Coiflet系列小波、Symlets系列小波、ReverseBior系列小波和FejerKorovkin系列小波；多种阈值选择方法分别为无偏风险估计阀值、启发式阈值、固定门限阈值和最大最小准则阈值。
下面结合具体的实例对本方案快速辨识CVT故障的方法的效果进行说明：
选择某500kV变电站数据库采样100个点，随机选择5个点20、40、60、80、99设置ΔU＝1％的突变信号，去噪后使用rbio3.1小波基进行模极大值辨别，计算出三种情况下的模极大值，其结果如表1所示，从表1中可以看出三种分解尺度下求取的模极大值点与预设故障点位置十分接近，说明本方法的准确性非常高，同时注意到不同分解尺度对应求出的模极大值点存在一定的差异，但至少有两个点非常准确，保证了本方法的可靠性。
表1不同分解尺度下的模极大值点
Figure BDA0001944605290000101
选择上述一个预设故障点80进行第2、3、4三个层次进行重构，通过重构后的波形参见图3，图3提取出了故障信号三种分解尺度下重构的波形，容易看到三种尺度下采样位置均在80左右时检测到了信号的模极大值，而且突变能力很强，表现在于采样点很小的区域内就出现显著的奇变。
输入信号由于采样间隔较长，波形变化幅度较大，基于数据比较的传统监测方法难保证分辨准确度。采用模极大值法，首先将不同尺度下的故障波形提取出来，并将非明显变化区间“归零”处理，可以快速“聚焦”到异常信号段，这使得监测工作更加直观和容易。
而三种不同的单支重构信号代表着三种不同的分辨率，三个波形在模极大值点附近都产生异常波形，且第二层和第四层波形在模极大值点附近都能明显观测到信号突变的特点，且两者波形相似，可以确保判定该模极大值点出现时CVT发生异常。

Claims (2)

1.基于小波多尺度变换快速辨识CVT故障的方法，其特征在于，包括：
A1、采集在线电力系统中各CVT装置的电压信号；
A2、获取已选取的小波基和阈值选择方法，并根据选取的小波基，采用小波多尺度变换将电压信号分解得到尺度系数和小波系数；
A3、采用阈值选择方法对小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；
A4、根据选取的小波基，采用小波多尺度变换对消噪信号进行分解；
A5、选取2、3、4三个尺度，采用模极大值法对单尺度重构信号进行处理，得到三个电压信号；
A6、根据重构后的三个电压信号的波形，判断CVT装置是否发生故障，若发生，则输出故障的位置点，否则返回步骤A1；
所述小波基和阈值选择方法的选取方法包括：
S1、获取CVT装置的历史电压信号，并设置不同时序位置处的电压波动分别为1％和2％的击穿故障；
S2、随机加入固定长度的噪声，采用多种候选小波基将加入击穿故障的历史电压信号分解得到尺度系数和小波系数；
S3、采用多种阈值选择方法分别对同一个小波系数进行阈值调整，并将阈值调整后的各级小波系数按小波变换的反演算法进行信号重构，得到消噪信号；
S4、计算每个小波系数得到的多个消噪信号的信噪比，并选取同一个小波系数对应的多个消噪信号中信噪比最大的消噪信号，同时将信噪比最大的消噪信号对应的阈值选择方法的选择次数累加一次；
S5、采用选取的消噪信号对应的候选小波基将消噪信号分解得到尺度系数和小波系数；
S6、采用模极大值法对步骤S5得到的尺度系数和小波系数进行处理，得到每个尺度信号模极大值点的坐标，并与击穿故障处的位置信息进行比较；
S7、当比较结果小于预设阈值时，则将对应的候选小波基的有效次数累加一次，并将重复执行步骤S1至步骤S7的循环次数累加一次；
S8、当循环次数等于设定次数时，进入步骤S9，否则返回步骤S1；
S9、对比所有候选小波基的有效次数，选取有效次数最大对应的候选小波基作为在线故障识别时的小波基；
对比所有阈值选择方法对应的选择次数，选取选择次数最大对应的阈值选择方法作为在线故障识别时的阈值选择方法；
所述在线故障为击穿故障；
所述采用小波多尺度变换将电压信号分解得到尺度系数和小波系数为采用一维离散小波将电压信号f(x)分解为尺度系数ck和小波系数dk，f(x)的表达式为：
Figure FDA0002670739000000021
其中，k＝0，1，2，…，n-1；n为总样本数；j为分解的层数；
Figure FDA0002670739000000022
构成L2空间的一个子空间Vj+1的正交基；
Figure FDA0002670739000000023
为和
Figure FDA0002670739000000024
的计算式分别为：
Figure FDA0002670739000000025
Figure FDA0002670739000000026
其中，l(n)为低通滤波器；h(n)为高通滤波器；Z为正整数；
所述信噪比的计算公式为：
Figure FDA0002670739000000027
其中，QSNR为信噪比；Ps为历史电压信号的功率；Pn为噪声的功率；Si为历史电压信号；Fi为消噪信号；
每次循环时采用的历史电压信号均不相同。
2.根据权利要求1所述的基于小波多尺度变换快速辨识CVT故障的方法，其特征在于，所述候选小波基包括选择Haar小波、Daubechies系列小波、Coiflet系列小波、Symlets系列小波、ReverseBior系列小波和FejerKorovkin系列小波；多种阈值选择方法分别为无偏风险估计阈值、启发式阈值、固定门限阈值和最大最小准则阈值。
CN201910032102.4A 2019-01-14 2019-01-14 基于小波多尺度变换快速辨识cvt故障的方法 Expired - Fee Related CN109581270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910032102.4A CN109581270B (zh) 2019-01-14 2019-01-14 基于小波多尺度变换快速辨识cvt故障的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910032102.4A CN109581270B (zh) 2019-01-14 2019-01-14 基于小波多尺度变换快速辨识cvt故障的方法

Publications (2)

Publication Number Publication Date
CN109581270A CN109581270A (zh) 2019-04-05
CN109581270B true CN109581270B (zh) 2021-01-12

Family

ID=65916661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910032102.4A Expired - Fee Related CN109581270B (zh) 2019-01-14 2019-01-14 基于小波多尺度变换快速辨识cvt故障的方法

Country Status (1)

Country Link
CN (1) CN109581270B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263832B (zh) * 2019-06-11 2023-01-06 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN111795931B (zh) * 2020-07-06 2023-07-04 武汉理工大学 一种针对激光超声缺陷检测衍射回波信号的重构提取方法
CN113065436B (zh) * 2021-03-24 2024-05-28 南方电网科学研究院有限责任公司 基于小波包变换的间谐波检测方法、装置及电力系统
CN113255783B (zh) * 2021-05-31 2021-09-14 湖南安存科技有限公司 基于无监督学习的传感器故障检测方法和装置
CN113949065B (zh) * 2021-12-20 2022-03-01 中国电力科学研究院有限公司 一种确定电力系统暂态电压稳定薄弱节点的方法及系统
CN114818817B (zh) * 2022-05-06 2023-05-19 国网四川省电力公司电力科学研究院 一种电容式电压互感器微弱故障识别系统及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6178386B1 (en) * 1998-08-14 2001-01-23 The University Of Hartford Method and apparatus for fault detection
CN201138365Y (zh) * 2007-11-15 2008-10-22 杭州大有科技发展有限公司 Cvt在线监测终端
CN101556320B (zh) * 2009-04-30 2011-10-26 厦门红相电力设备股份有限公司 电容式电压互感器现场校验方法
CN101620262B (zh) * 2009-06-29 2011-08-31 江苏省电力公司苏州供电公司 运行中的电容式电压互感器故障监测方法
CN101666841B (zh) * 2009-09-18 2011-04-13 重庆大学 一种数字化变电站电子式互感器的故障诊断方法
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
CN106990303A (zh) * 2017-03-15 2017-07-28 国家电网公司 一种变压器故障诊断方法
CN107560850B (zh) * 2017-08-26 2019-04-12 中南大学 基于小波阈值降噪与AdaBoost的轴系故障识别方法
CN108801950B (zh) * 2018-05-21 2020-09-11 东南大学 基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法
CN109187499A (zh) * 2018-09-19 2019-01-11 广州供电局有限公司 基于激光诱导击穿光谱的绝缘油成分检测方法及装置

Also Published As

Publication number Publication date
CN109581270A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109581270B (zh) 基于小波多尺度变换快速辨识cvt故障的方法
Kim et al. Fault diagnosis of a power transformer using an improved frequency-response analysis
Lee et al. New fault diagnosis of circuit breakers
CN109839263B (zh) 一种基于振动信息的gis特征提取及机械缺陷诊断方法
CN109406949B (zh) 基于支持向量机的配电网早期故障检测方法及装置
CN103018629A (zh) 一种基于马拉算法的电力系统故障录波数据分析方法
CN109029959B (zh) 一种变压器绕组的机械状态检测方法
CN107247204B (zh) 超、特高压串补装置中限压器的状态监测系统及监测方法
CN110991481A (zh) 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法
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
CN110007198A (zh) 一种新型的单相接地故障启动方法
Purkait et al. Pattern classification of impulse faults in transformers by wavelet analysis
CN113191192A (zh) 基于小波分析与模糊神经网络算法的断路器故障检测方法
CN108089100A (zh) 小电流接地系统弧光电阻接地故障的检测方法
Naderi et al. Modeling and detection of transformer internal incipient fault during impulse test
CN114779028B (zh) 一种发电机局放在线监测装置及监测方法
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN115828144A (zh) 一种信号稀疏表示与融合检测方法、存储介质及电子装置
CN110929673A (zh) 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
CN105629144A (zh) 基于指纹库的高压开关设备局部放电诊断方法及系统
Kumar et al. Classification of PD faults using features extraction and K-means clustering techniques
CN112329825B (zh) 基于信息分维及提升决策树的变压器机械故障诊断方法
Babu et al. Use of wavelet and neural network (BPFN) for transformer fault diagnosis
Asman et al. Fault signature analysis for medium voltage overhead line based on new characteristic indices
Xin et al. De-noising of GIS UHF Partial Discharge monitoring based on wavelet method

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210112

Termination date: 20220114