CN109813987A - 一种基于bp神经网络的变压器直流偏磁状态评估方法 - Google Patents
一种基于bp神经网络的变压器直流偏磁状态评估方法 Download PDFInfo
- Publication number
- CN109813987A CN109813987A CN201910189547.3A CN201910189547A CN109813987A CN 109813987 A CN109813987 A CN 109813987A CN 201910189547 A CN201910189547 A CN 201910189547A CN 109813987 A CN109813987 A CN 109813987A
- Authority
- CN
- China
- Prior art keywords
- transformer
- neural network
- magnetic bias
- sample
- state
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000007935 neutral effect Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010061217 Infestation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005352 galvanomagnetic phenomena Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于BP神经网络的变压器直流偏磁状态评估方法，包括：选取受直流偏磁影响范围内的变压器，测量每个样本变压器的直流偏磁特征参数；根据测得参数，将选取的样本变压器分为不同的状态等级，获取训练样本；建立神经网络模型，输入为样本变压器的特征参数、状态等级，训练获得神经网络状态评估模型；测量待测变压器的所述特征参数，将待测变压器的特征参数输入神经网络状态评估模型中，对待测变压器进行状态评估。通过本发明的方法进行评估能够较为准确真实的反映变压器直流偏磁严重程度，评估结果较为可靠，对变压器直流偏磁状态评估具有指导意义；本发明的方法抗干扰能力强，评估结果的可靠性和准确性较高。
Description
技术领域
本发明属于变压器直流偏磁监测领域，特别一种变压器直流偏磁状态评估方法。
背景技术
变压器作为电力系统中各主干网络连接的重要部分，其安全稳定运行受到越来越高的关注，国内外也针对变压器可能出现的问题，做出了多方面的研究。随着中性点接地变压器的大量增加及高压直流输电的广泛应用，使得高压直流输电工程中的直流偏磁现象也越来越受到各界的广泛重视。高压直流输电系统在单极大地回线方式运行时，会导致接地极周边中性点接地的变压器产生直流偏磁现象，从而影响电网正常运行。变压器直流偏磁是变压器一种异常的工作状态，是指由于某种原因导致有直流电流侵入到变压器的绕组中，在变压器铁心中产生直流磁势或是直流磁通以及由此产生的一系列的电磁效应。当变压器发生直流偏磁时，会使变压器结构附件温升增大、噪声增大；另一方面产生大量的谐波、增加无功损耗，造成系统电压波形畸变，引起继电保护误动，可能会使无功补偿装置过载或系统电压下降，这些影响对变电站设备的安全和电网的稳定运行都是不利的。
随着我国电网的发展和规模的扩大，近年来在不同地区均有单极大地回线运行下直流偏磁的侵害现象发生。目前国内对电力变压器直流偏磁状况下的状态好坏的判断尚未有完整的方案，当直流偏磁发生时容易出现事故，存在人力物力资源浪费以及供电可靠性较低的问题。
发明内容
本发明的目的在于提供一种基于BP神经网络的变压器直流偏磁状态评估方法，能够准确监测变压器直流偏磁状态，以解决上述存在的技术问题。本发明的评估方法通过变压器直流偏磁状态下的多个特征量作为训练样本，通过训练样本训练出的评估模型去评估待测变压器，能够较为准确的评估变压器的直流偏磁严重程度，评估结果的可靠性较高。
为达到上述目的，本发明采用以下技术方案：
一种基于BP神经网络的变压器直流偏磁状态评估方法，包括以下步骤：
步骤1，选取受直流偏磁影响范围内的样本变压器，测量每个样本变压器的直流偏磁特征参数，特征参数包括：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；
步骤2，根据步骤1测得的特征参数，将选取的样本变压器分为不同的状态等级，获取训练样本；
步骤3，建立BP神经网络模型，输入为样本变压器的特征参数、状态等级，训练获得神经网络状态评估模型；
步骤4，测量待测变压器的特征参数：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；将待测变压器的特征参数输入步骤3获得的神经网络状态评估模型中，获得待测变压器直流偏磁状态。
进一步的，样本变压器分为优、良、中、差四个状态；
变压器状态为优：各项指标均正常，投运以来未出现直流偏磁故障；
变压器状态为良：各项指标正常，投运以来存在不良工况但未出现直流偏磁故障；
变压器状态为中：表明存在指标异常，出现故障但不影响变压器运行；
变压器状态为差：存在指标异常，且有故障影响变压器正常运行。
进一步的，步骤1中，样本变压器的中性点直流电流量可通过计算和测量相验证获得，计算电网模型中所有变电站中性点的地表电位分布数据，在地上网络模型中加入中性点串接电阻模块，将地感应电位耦合到地上电网，求解网络方程，得到流经变压器中性点的直流电流；变压器温升包括：变压器铁芯及变压器油温升；励磁电流谐波畸变率、变压器的振动及噪声大小、变压器铁芯及变压器油温升通过实验获得。
进一步的，步骤2中的样本变压器的状态分级分为：优、良、中、差四个程度；选取4个不同直流偏磁程度的变压器样本测量数据若干，保证处于不同状态的变压器样本数目不少于10个。
进一步的，步骤1中在测量特征参数时，每个参数均在同一条件下重复测量若干次，取测量数据的平均值作为各参数的最终测量结果。
进一步的，建立BP神经网络模型的步骤包括：
A、确定BP神经网络层数：建立的BP神经网络层数为3层；
B、确定输入节点数：输入节点数为4个；
C、确定隐含层节点数：隐藏层基于经验公式Y＝log2 x来确定，其中x为输入层神经元数目，Y为隐藏层节点数；
D、确定输出层神经元个数：输出层的个数为1。
进一步的，当神经网络状态评估模型的输出结果为∈(0.75,1]时，变压器直流偏磁状况为正常；当输出结果为∈(0.5,0.75]时，变压器直流偏磁状况为良好；当输出结果为∈(0.25,0.5]时，变压器直流偏磁状况为较为严重；当输出结果为∈[0,0.25]时，变压器直流偏磁状况为非常严重。
与现有技术相比，本发明具有以下有益效果：
本发明测量并综合变压器的四个特征参数，建立一种用于对变压器直流偏磁状态进行评估的方法。通过本发明的方法进行评估能够较为准确真实的反映变压器直流偏磁严重程度，评估结果较为可靠，对变压器直流偏磁状态评估具有一定的指导意义；本发明的方法抗干扰能力强；选用了直流偏磁条件下对变压器影响最为直接的几个特征量，通过神经网络评估模型关联对待测变压器进行评估，个别特征量的偏差不会对评估结果产生较大影响，可使评估结果的可靠性和准确性较高。
进一步的，评估结果对变压器的直流偏磁抑制有一定的指导意义，可根据评估结果，对直流偏磁抑制措施进行不同的选取。
进一步的，变压器的停运检修、新变电站和线路投入运行后整个电网变压器的直流偏磁严重程度重新评估，皆可使用该评估方法，选定的四个参数测量方便，针对性强，有较好的准确性与可靠性。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于BP神经网络的变压器直流偏磁状态评估方法的流程示意框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
请参阅图1所示，本发明提供一种基于BP神经网络的变压器直流偏磁状态评估方法，具体包括以下步骤：
步骤1，选取与待评估变压器型号相同的若干变压器，作为样本变压器；测量每个样本变压器的特征参数，特征参数包括：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；步骤1中选取的样本变压器包括处于不同状态的变压器(步骤2中具体界优、良、中、差四个状)。在测量特征参数时，每个特征参数均在同一条件下重复测量若干次，取测量数据的平均值作为各特征参数的最终测量结果。
步骤1中的各个特征参数测量具体为：
(1)选取若干型号相同的样本变压器，通过计算及实测中性点直流电流分量所得数据。与DL/T 437-2012，即《高压直流接地极技术导则》进行比较，为了准确获得各个样本变压器直流偏磁下的直流分量，在相同时间段内直流偏磁现象发生时进行测量中性点直流电流分量。
样本变压器的中性点直流电流量可通过计算和测量相验证获得，计算电网模型中所有变电站中性点的地表电位分布数据，在地上网络模型中加入中性点串接电阻模块，将地感应电位耦合到地上电网，求解网络方程，得到流经变压器中性点的直流电流。
(2)变压器的励磁电流测量方法按照国标GB 1094.1-2013，试验测量系统对照能溯源到国际或国家标准的测量标准，按照规定的时间间隔或在使用前进行校准和验证；试验测试系统的精度及标准的要求满足GB 1094.1-2013的规定。励磁电流谐波畸变率定义为：
电流总谐波畸变率THD来衡量正弦电流波形畸变程度，THD表示为：
其中，n为谐波电流次数；In为n次谐波电流；M为谐波电流最高次数。
(3)变压器的振动及噪声测量方法按照JB/T 10088-2016来进行测量，采用声压法或者声强法进行，具体测量方法按GB 1094.10-2003进行测量。
(4)变压器温升测量方法按照GB 1094.2-2013进行测量，主要测量变压器油及绕组热点温升，具体测量方法按GB 1094.2-2003进行测量。
步骤2，根据步骤1测得的特征参数将选取的样本变压器分为不同的等级；具体分级规则为：
综合步骤1测量获得的4个特征参数，将样本变压器分为优、良、中、差四个状态。
变压器状态为优表明各项指标均正常，投运以来未出现直流偏磁故障；变压器状态为良表明各项指标正常，投运以来存在不良工况但未出现直流偏磁故障；变压器状态为中表明存在指标异常，出现故障但不影响变压器运行；变压器状态为差表明存在指标异常，且有故障影响变压器正常运行。故障类型及检修类别均参考国家电网公司输变电设备状态评估导则汇编。
步骤2中的样本变压器的状态分级分为：优、良、中、差四个程度；选取4个不同直流偏磁程度的变压器样本测量数据若干，保证处于不同状态的变压器样本数目不少于10个。
步骤3，建立BP神经网络模型，将步骤1测得的样本变压器的特征参数和步骤2的样本状态分级输入到BP神经网络中，训练获得神经网络状态评估模型；建立BP神经网络模型的主要步骤为：
A、确定BP神经网络层数：本发明所建立的BP申请网络模型只需要一层隐藏层即可实现，即建立的BP神经网络层数为3层；
B、确定输入节点数：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升，因此输入节点数为4个；
C、确定隐含层节点数：隐藏层确定主要基于经验公式Y＝log2 x来确定，其中x为输入层神经元数目，Y为隐藏层节点数；
D、确定输出层神经元个数：本发明的输出结果只有一个，即变压器直流偏磁严重程度，因此输出层的个数为1。
当输出结果为∈(0.75,1]时，变压器直流偏磁状况为正常；当输出结果为∈(0.5,0.75]时，变压器直流偏磁状况为良好；当输出结果为∈(0.25,0.5]时，变压器直流偏磁状况为较为严重；当输出结果为∈[0,0.25]时，变压器直流偏磁状况为非常严重。
步骤4，测量待评估变压器的4个特征参数(测试方法同步骤1)：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；将待评估变压器的特征参数输入步骤3获得的BP神经网络模型中，对待测变压器进行状态评估，获得变压器直流偏磁状况。
综上，本发明提供一种基于BP神经网络的变压器直流偏磁状态评估方法，选取了一定的样本数目，保证样本的多样性，进一步得到较为可靠的评估模型，建立并训练获得BP神经网络状态评估模型，评估模型能够综合考量了特征参量之间的关系，可智能化的对特征参量与变压器状态之间的关系进行拟合，从而可得到较为可靠的评估模型，获得评估结果较为准确。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (8)
1.一种基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，包括以下步骤：
步骤1，选取受直流偏磁影响范围内的样本变压器，测量每个样本变压器的直流偏磁特征参数，特征参数包括：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；
步骤2，根据步骤1测得的特征参数，将选取的样本变压器分为不同的状态等级，获取训练样本；
步骤3，建立BP神经网络模型，输入为样本变压器的特征参数、状态等级，训练获得神经网络状态评估模型；
步骤4，测量待测变压器的特征参数：变压器中性点直流电流分量、励磁电流谐波畸变率、变压器的振动及噪声大小、变压器温升；将待测变压器的特征参数输入步骤3获得的神经网络状态评估模型中，获得待测变压器直流偏磁状态。
2.根据权利要求1所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，样本变压器分为优、良、中、差四个状态；
变压器状态为优：各项指标均正常，投运以来未出现直流偏磁故障；
变压器状态为良：各项指标正常，投运以来存在不良工况但未出现直流偏磁故障；
变压器状态为中：表明存在指标异常，出现故障但不影响变压器运行；
变压器状态为差：存在指标异常，且有故障影响变压器正常运行。
3.根据权利要求1所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，步骤1中，样本变压器的中性点直流电流量可通过计算和测量相验证获得，计算电网模型中所有变电站中性点的地表电位分布数据，在地上网络模型中加入中性点串接电阻模块，将地感应电位耦合到地上电网，求解网络方程，得到流经变压器中性点的直流电流；变压器温升包括：变压器铁芯及变压器油温升；励磁电流谐波畸变率、变压器的振动及噪声大小、变压器铁芯及变压器油温升通过实验获得。
4.根据权利要求1所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，步骤2中的样本变压器的状态分级分为：优、良、中、差四个程度；选取4个不同直流偏磁程度的变压器样本测量数据若干，保证处于不同状态的变压器样本数目不少于10个。
5.根据权利要求1所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，步骤1中在测量特征参数时，每个参数均在同一条件下重复测量若干次，取测量数据的平均值作为各参数的最终测量结果。
6.根据权利要求1所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，建立BP神经网络模型的步骤包括：
A、确定BP神经网络层数：建立的BP神经网络层数为3层；
B、确定输入节点数：输入节点数为4个；
C、确定隐含层节点数：隐藏层基于经验公式Y＝log2 x来确定，其中x为输入层神经元数目，Y为隐藏层节点数；
D、确定输出层神经元个数：输出层的个数为1。
7.根据权利要求6所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，当神经网络状态评估模型的输出结果为∈(0.75,1]时，变压器直流偏磁状况为正常；当输出结果为∈(0.5,0.75]时，变压器直流偏磁状况为良好；当输出结果为∈(0.25,0.5]时，变压器直流偏磁状况为较为严重；当输出结果为∈[0,0.25]时，变压器直流偏磁状况为非常严重。
8.根据权利要求7所述的基于BP神经网络的变压器直流偏磁状态评估方法，其特征在于，根据神经网络状态评估模型的输出结果采取措施抑制变压器直流偏磁状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910189547.3A CN109813987B (zh) | 2019-03-13 | 2019-03-13 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910189547.3A CN109813987B (zh) | 2019-03-13 | 2019-03-13 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109813987A true CN109813987A (zh) | 2019-05-28 |
| CN109813987B CN109813987B (zh) | 2020-12-01 |
Family
ID=66608940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910189547.3A Active CN109813987B (zh) | 2019-03-13 | 2019-03-13 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109813987B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| CN110619159A (zh) * | 2019-08-30 | 2019-12-27 | 深圳供电局有限公司 | 变压器直流偏磁评估方法 |
| CN110632369A (zh) * | 2019-09-23 | 2019-12-31 | 贵州电网有限责任公司 | 一种变压器励磁电流特征量在线获取方法 |
| CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
| CN113673083A (zh) * | 2021-07-16 | 2021-11-19 | 国网浙江省电力有限公司杭州供电公司 | 一种变压器直流偏磁风险评估方法 |
| CN114184876A (zh) * | 2022-02-16 | 2022-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种直流偏磁监测、评价及大地模型校正平台 |
| CN115186721A (zh) * | 2022-09-13 | 2022-10-14 | 国网江西省电力有限公司电力科学研究院 | 基于imf的变压器直流偏磁累积效应动态计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140049262A1 (en) * | 2012-08-16 | 2014-02-20 | Steven Murphy | Apparatus and method for safe state retention |
| CN106199274A (zh) * | 2016-07-21 | 2016-12-07 | 国家电网公司 | 一种直流偏磁治理站点选择方法 |
| CN106896285A (zh) * | 2017-03-21 | 2017-06-27 | 国网上海市电力公司 | 基于振动、噪声和中性点电流的变压器直流偏磁监测系统 |
| CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
-
2019
- 2019-03-13 CN CN201910189547.3A patent/CN109813987B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140049262A1 (en) * | 2012-08-16 | 2014-02-20 | Steven Murphy | Apparatus and method for safe state retention |
| CN106199274A (zh) * | 2016-07-21 | 2016-12-07 | 国家电网公司 | 一种直流偏磁治理站点选择方法 |
| CN106896285A (zh) * | 2017-03-21 | 2017-06-27 | 国网上海市电力公司 | 基于振动、噪声和中性点电流的变压器直流偏磁监测系统 |
| CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| CN110619159A (zh) * | 2019-08-30 | 2019-12-27 | 深圳供电局有限公司 | 变压器直流偏磁评估方法 |
| CN110619159B (zh) * | 2019-08-30 | 2023-05-02 | 深圳供电局有限公司 | 变压器直流偏磁评估方法 |
| CN110632369A (zh) * | 2019-09-23 | 2019-12-31 | 贵州电网有限责任公司 | 一种变压器励磁电流特征量在线获取方法 |
| CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
| CN113673083A (zh) * | 2021-07-16 | 2021-11-19 | 国网浙江省电力有限公司杭州供电公司 | 一种变压器直流偏磁风险评估方法 |
| CN113673083B (zh) * | 2021-07-16 | 2023-08-18 | 国网浙江省电力有限公司杭州供电公司 | 一种变压器直流偏磁风险评估方法 |
| CN114184876A (zh) * | 2022-02-16 | 2022-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种直流偏磁监测、评价及大地模型校正平台 |
| CN114184876B (zh) * | 2022-02-16 | 2022-05-10 | 国网江西省电力有限公司电力科学研究院 | 一种直流偏磁监测、评价及大地模型校正平台 |
| CN115186721A (zh) * | 2022-09-13 | 2022-10-14 | 国网江西省电力有限公司电力科学研究院 | 基于imf的变压器直流偏磁累积效应动态计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109813987B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109813987A (zh) | 一种基于bp神经网络的变压器直流偏磁状态评估方法 | |
| CN111537939B (zh) | 一种基于多指标融合的电压互感器状态评估方法及装置 | |
| CN100570384C (zh) | 电气二次交流回路检测方法 | |
| CN103150633B (zh) | 电力设备状态实时评估和辅助决策系统 | |
| CN103324992B (zh) | 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法 | |
| CN104246522B (zh) | 用于检测hvdc输电系统中的故障的方法和设备 | |
| CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
| CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
| CN108846591A (zh) | 一种变电站开关柜多运行状态智能监测系统及评估方法 | |
| CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
| CN107390156A (zh) | 一种基于基波零序特征的电力互感器状态监测方法及装置 | |
| CN106199234A (zh) | 一种基于健康指数的变压器剩余寿命检测方法 | |
| CN102879704B (zh) | 一种高压输电线高阻接地故障多参数数据融合检测方法 | |
| CN106327071A (zh) | 电力通信风险分析方法和系统 | |
| CN107153999A (zh) | 一种配电变压器品质质量的确定方法 | |
| CN107247204A (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 | |
| CN105652147A (zh) | 一种单/双回输电线路全线高精度故障测距方法 | |
| CN107451744A (zh) | 一种基于模糊综合评价的变电站接地装置状态评估方法 | |
| Wei et al. | Faulty feeder identification method considering inverter transformer effects in converter dominated distribution network | |
| CN105242129B (zh) | 一种变压器绕组故障概率确定方法 | |
| CN105301323B (zh) | 采用云技术对特高压直流避雷器泄露电流在线侦测的方法 | |
| Kari et al. | Condition assessment of power transformer using fuzzy and evidential theory | |
| CN109490607A (zh) | 超特高压输电线路串补装置mov并联分流均匀性测试方法 | |
| CN103578042A (zh) | 一种电力变压器可靠度层次化评估方法 | |
| CN102968668A (zh) | 城市配电网评估系统及方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: 710199 no.669 Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee after: STATE GRID SHAANXI ELECTRIC POWER Research Institute Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: No.669, Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240430 Address after: No. 669, Hangtian Middle Road, Xi'an national civil aerospace industry base, Shaanxi 710100 Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: 710199 no.669 Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. |
|
| TR01 | Transfer of patent right |