CN109828227A - 一种基于电流信息特征的电子式电流互感器故障诊断方法 - Google Patents
一种基于电流信息特征的电子式电流互感器故障诊断方法 Download PDFInfo
- Publication number
- CN109828227A CN109828227A CN201910066213.7A CN201910066213A CN109828227A CN 109828227 A CN109828227 A CN 109828227A CN 201910066213 A CN201910066213 A CN 201910066213A CN 109828227 A CN109828227 A CN 109828227A
- Authority
- CN
- China
- Prior art keywords
- signal
- mutual inductor
- imf
- current data
- current mutual
- 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
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于电流信息特征的电子式电流互感器故障诊断方法，包括步骤：1、采集电子式电流互感器在各种工作状态下的电流数据Xp(t)，记录工作状态Sp；2、对Xp(t)进行EMD分解，得到多个IMF分量和残余分量3、计算的峭度、能量矩和近似熵；4、构造Xp(t)的特征向量Φp；5、建立BP神经网络模型，将Φp作为输入Sp作为输出，训练BP神经网络模型；6、采集运行中的电子式电流互感器的电流数据x(t)，将x(t)按照步骤2至4的方法计算特征向量Φx，将Φx作为训练好的BP神经网络模型的输入，模型的输出即为对应的电子式电流互感器的工作状态。该方法可以对电子式电流互感器的运行状态进行实时在线监控，当运行故障时可以实时检测出来并对故障进行分类识别。
Description
技术领域
本发明涉及变电站电子式电流互感器故障诊断领域，具体涉及一种基于电流信息特征提取和分类的电子式电流互感器故障诊断方法。
背景技术
在智能变电站中，电流互感器作为重要的控制、保护、计量元件，其技术水平和设备质量关系到智能变电站的安全可靠运行。电子式互感器以其体积小、绝缘简单、重量轻、动态范围宽、无磁饱和等特性等优势，在智能电网的全面建设下，已经逐步的取代传统的电磁式互感器。但是在运行过程中也暴露出可靠性方面的严重问题，由于电子式电流互感器采用了一些光学器件和电子器件等相对易损耗的元件，长期工作在变电站户外的恶劣环境中，实际挂网运行的设备时间都不长，而且都有一定的故障率，从而导致对变电站内信息采集的不准确，危害电网的安全稳定运行。因此，有必要对挂网运行的电子式互感器进行在线监测和故障诊断。
电子式互感器在运行过程中不存在绝缘、磁饱和、二次侧开路等问题，决定其可靠性的主要是内部的光学元件和电子元件。其故障根据故障种类的不同可以分为渐变性故障和突变性故障，渐变性故障包含了变比偏差故障和漂移偏差故障，突变性故障包含了固定偏差故障和失效故障。突变故障在运行中会发生突然变化，导致测量的不准确，不能及时监测电网的情况；渐变性故障变化缓慢，在短期状况下不能发现，有很大的隐患，长期运行下去可能会导致严重的事故。
发明内容
发明目的：本发明旨在提供一种诊断电子式电流互感器故障的方法，可以实现在线监测电子式电流互感器的工作状态，识别故障类型。
技术方案：本发明采用如下技术方案：
一种基于电流信息特征的电子式电流互感器故障诊断方法，包括训练阶段和故障诊断阶段；所述训练阶段包括如下步骤：
(1)采集电子式电流互感器在正常工作状态下和各种故障状态下工作的电流数据Xp(t)，并记录各电流数据所对应的工作状态Sp，p为工作状态类型标识；
(2)对采集的电流数据Xp(t)进行EMD分解，将Xp(t)分解为多个IMF分量和残余分量；选取前n个IMF分量，设其中为电流数据Xp(t)的第i个IMF分量，为电流数据Xp(t)的残余分量，i＝1..n；
(3)计算电流数据Xp(t)每个IMF分量的峭度能量矩和信号近似熵
(4)构造电流数据Xp(t)的特征向量Φp：
(5)建立BP神经网络模型，将电流数据Xp(t)的特征向量Φp作为输入，对应的工作状态作为输出，训练所建立的BP神经网络模型；
所述故障诊断阶段包括如下步骤：
(6)采集运行中的电子式电流互感器的电流数据x(t)，将x(t)按照步骤(2)至(4)的方法计算出特征向量Φx，将所述特征向量Φx作为步骤(5)中训练好的BP神经网络模型的输入，模型的输出即为电流数据x(t)对应的电子式电流互感器的工作状态。
所述步骤(1)和步骤(6)中采集电子式电流互感器的电流数据后还包括对电流数据进行预处理，所述预处理包括低通滤波。
所述步骤(2)中电流数据Xp(t)的EMD分解包括如下步骤：
(2.1)确定电流数据Xp(t)中所有的极大值点和所有的极小值点，采用三次样条插值法将所有的极大值点和极小值点分别拟合得到Xp(t)的上包络线和下包络线
(2.2)根据求得的上下包络线计算Xp(t)的均值曲线：
(2.3)从信号Xp(t)中减去均值信号，得到剩余信号hp(t)＝Xp(t)-mp(t)；
(2.4)判断hp(t)是否满足IMF分量的两个条件，如果不满足则将信号hp(t)作为原始信号Xp(t)重复步骤2.1至2.3，直到满足条件，将满足IMF条件的hp(t)记作cp(t)；其中IMF分量的两个条件分别为：(a)在整个时间范围内，IMF局部极值点必须等于过零点的数目，或者最多相差一个；(b)在任意时刻点，IMF局部的上下包络线的平均值必须为0；
(2.5)将cp(t)从原始信号Xp(t)中去除，求得剩余信号r(t)＝Xp(t)-cp(t)，将r(t)作为“原始信号”，重新进行步骤(2.1)～(2.5)，依次可以得到多个IMF分量IMF1～IMFn，信号记作直到剩余信号r(t)为单调函数为止，将最后单调剩余信号记作残余分量
(2.6)完成上述步骤后，电流信号Xp(t)被分解为n个不同的IMF分量和残余分量之和，记作其中n为IMF的分解层数。
所述步骤(3)中峭度的计算式为：
其中为信号的均值，为信号的标准差，E(·)为计算数学期望运算符。
所述步骤(3)中信号的能量矩计算式为：
其中Ts为信号的持续时长。
所述步骤(3)中信号近似熵计算步骤如下：
(B.1)对信号进行采样得到离散化的信号w(k)，构成时间序列{w(k):1≤k≤N}，其中N为采样点数；按顺序构建m维向量：其中表示从第u个采样点到第u+m-1个采样点的值；
(B.2)定义向量与向量之间的距离为两个向量元素间差值的最大值，即对每一个u值，计算与其余向量间的距离u,v＝1,2,...,N-m+1,且u≠v；
(B.3)给定阈值r，对于每个u≤N-m+1的值，统计小于r的数目W以及W与N-m的比值即
(B.4)将取对数，并根据u值计算其均值，记作φm(r)，即
(B.5)将维数m加1，重新按照步骤(B.1)至(B.4)求解φm+1(r)；则该IMF信号的近似熵为
所述步骤(5)中建立的BP神经网络包括输入层、隐含层、输出层，所述输入层的节点个数为3*n，n为EMD分解后选取的IMF分量个数；输出层的节点个数为工作状态类型的数量；一个隐含层，所述隐含层的节点个数Nh根据经验公式取值，其中ρ为[0,10]之间的整数。
所述BP神经网络模型中各个神经元的激活函数为Sigmoid函数，函数表达式为：
本发明中所述的工作状态包括漂移偏差故障、变比偏差故障、固定偏差故障、失效故障、正常工作。
有益效果：本发明公开的基于电流信息特征的电子式电流互感器故障诊断方法，可以对电子式电流互感器的运行状态进行实时在线监控，当互感器运行故障时可以实时检测出来并对故障进行分类识别；提高了电厂工作人员对于互感器运行情况的了解，保障了电网的安全运行。
附图说明
图1是本发明公开的电子式电流互感器故障诊断方法的流程图；
图2是对电流数据进行EMD分解的流程图；
图3是实施例中建立的BP神经网络模型结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
本实施例以漂移偏差故障、变比偏差故障、固定偏差故障、失效故障这4种类型的故障为例，来详细说明本发明公开的方法。本发明公开了一种基于电流信息特征的电子式电流互感器故障诊断方法，如图1所示，包括训练阶段和故障诊断阶段，所述训练阶段包括如下步骤：
步骤1、采集电子式电流互感器在正常工作状态下和各种故障状态下工作的电流数据Xp(t)，并记录各电流数据所对应的工作状态Sp，p为工作状态类型标识；
在采集到的电流互感器电流数据会含有许多噪声干扰，这些噪声的主要成分主要是高频信号，因此在进行下一步处理之前先对电流信号进行低通滤波，滤除高频噪声。设预处理后的漂移偏差故障时的电流数据为XA(t)、变比偏差故障时的电流数据为XB(t)、固定偏差故障时的电流数据为XC(t)、失效故障时的电流数据为XD(t)、正常工作状态下的电流数据为XE(t)，即工作状态类型标识p∈{A,B,C,D,E}；
步骤2、对电流数据Xp(t)进行EMD分解，将Xp(t)分解为多个IMF分量和残余分量；选取前n个IMF分量，设其中为电流数据Xp(t)的第i个IMF分量，为电流数据Xp(t)的残余分量，i＝1..n；
电流数据Xp(t)的EMD分解包括如下步骤：
(2.1)确定电流数据Xp(t)中所有的极大值点和所有的极小值点，采用三次样条插值法将所有的极大值点和极小值点分别拟合得到Xp(t)的上包络线和下包络线
(2.2)根据求得的上下包络线计算Xp(t)的均值曲线：
(2.3)从信号Xp(t)中减去均值信号，得到剩余信号hp(t)＝Xp(t)-mp(t)；
(2.4)判断hp(t)是否满足IMF分量的两个条件，如果不满足则将信号hp(t)作为原始信号Xp(t)重复步骤2.1至2.3，直到满足条件，将满足IMF条件的hp(t)记作cp(t)；其中IMF分量的两个条件分别为：(a)在整个时间范围内，IMF局部极值点必须等于过零点的数目，或者最多相差一个；(b)在任意时刻点，IMF局部的上下包络线的平均值必须为0；
(2.5)将cp(t)从原始信号Xp(t)中去除，求得剩余信号r(t)＝Xp(t)-cp(t)，将r(t)作为“原始信号”，重新进行步骤(2.1)～(2.5)，依次可以得到多个IMF分量IMF1～IMFn，信号记作直到剩余信号r(t)为单调函数为止，将最后单调剩余信号记作残余分量
(2.6)完成上述步骤后，电流信号Xp(t)被分解为n个不同的IMF分量和残余分量之和，记作其中n为IMF的分解层数，即选取的IMF分量个数。对于EMD分解得到IMF分量，关键特征信息主要包含在前几层的IMF分量中，本实施例中选择前5层IMF分量，即n＝5；
步骤3、计算电流数据Xp(t)每个IMF分量的峭度能量矩和信号近似熵
峭度的计算式为：
其中为信号的均值，为信号的标准差，E(·)为计算数学期望运算符。
能量矩的计算式为：其中Ts为信号的持续时长。
信号近似熵计算步骤如下：
(B.1)对信号进行采样得到离散化的信号w(k)，构成时间序列{w(k):1≤k≤N}，其中N为采样点数；按顺序构建m维向量：其中表示从第u个采样点到第u+m-1个采样点的值；
(B.2)定义向量与向量之间的距离为两个向量元素间差值的最大值，即对每一个u值，计算与其余向量间的距离且u≠v；
(B.3)给定阈值r，对于每个u≤N-m+1的值，统计小于r的数目W以及W与N-m的比值即
(B.4)将取对数，并根据u值计算其均值，记作φm(r)，即
(B.5)将维数m加1，重新按照步骤(B.1)至(B.4)求解φm+1(r)；则该IMF信号的近似熵为
步骤4、构造电流数据Xp(t)的特征向量Φp：
步骤5、建立BP神经网络模型，将电流数据Xp(t)的特征向量Φp作为输入，对应的工作状态作为输出，训练所建立的BP神经网络模型；
BP神经网络的训练过程由信号的正向传播与误差的反向传播两部分组成。正向传播时，输入样本从输入层传入，经隐含层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。BP神经网络由输入层、输出层和隐含层组成，本实施例中的BP神经网络的结构如图3所示，输入层的节点个数为3*n＝15；输出层的节点个数为工作状态类型的数量，本实施例中工作状态类型包括4种故障和正常工作，即工作状态有5种，输出层有5个节点。神经网络的隐含层层数和隐含节点个数决定了神经网络的复杂程度，若隐藏节点过低，则会造成学习无法收敛的问题，若隐藏节点过多，则会导致学习速率变差，有可能会导致过拟合。因此，根据应用环境，在故障诊断领域，一层隐含层已经足够将故障问题进行分类，即本实施例中建立的BP神经网络包含一层隐含层；对于隐含节点个数Nh，根据经验公式来确定，其中Ni为输入层的节点数，No为输出层的节点数，ρ为[0,10]之间的整数，[·]为取整运算符。本实施例中选择包含10个隐含节点的隐含层。
本实施例中BP神经网络模型中各个神经元的激活函数为Sigmoid函数，函数表达式为：
通过上述步骤1-5，建立了可以对电子式电流互感器工作状态进行分类识别的BP神经网络，在对电子式电流互感器故障进行诊断时，只需在线采集电流数据，进行下述的故障诊断阶段步骤即可；所述故障诊断阶段包括如下步骤：
步骤6、采集运行中的电子式电流互感器的电流数据x(t)，将x(t)按照步骤2至4的方法计算出特征向量Φx，将所述特征向量Φx作为步骤5中训练好的BP神经网络模型的输入，模型的输出即为电流数据x(t)对应的电子式电流互感器的工作状态。
Claims (9)
1.一种基于电流信息特征的电子式电流互感器故障诊断方法，包括训练阶段和故障诊断阶段；其特征在于：
所述训练阶段包括如下步骤：
(1)采集电子式电流互感器在正常工作状态下和各种故障状态下工作的电流数据Xp(t)，并记录各电流数据所对应的工作状态Sp，p为工作状态类型标识；
(2)对采集的电流数据Xp(t)进行EMD分解，将Xp(t)分解为多个IMF分量和残余分量；选取前n个IMF分量，设其中为电流数据Xp(t)的第i个IMF分量，为电流数据Xp(t)的残余分量，i＝1..n；
(3)计算电流数据Xp(t)每个IMF分量的峭度能量矩和信号近似熵
(4)构造电流数据Xp(t)的特征向量Φp：
(5)建立BP神经网络模型，将电流数据Xp(t)的特征向量Φp作为输入，对应的工作状态作为输出，训练所建立的BP神经网络模型；
所述故障诊断阶段包括如下步骤：
(6)采集运行中的电子式电流互感器的电流数据x(t)，将x(t)按照步骤(2)至(4)的方法计算出特征向量Φx，将所述特征向量Φx作为步骤(5)中训练好的BP神经网络模型的输入，模型的输出即为电流数据x(t)对应的电子式电流互感器的工作状态。
2.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(1)和步骤(6)中采集电子式电流互感器的电流数据后还包括对电流数据进行预处理，所述预处理包括低通滤波。
3.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(2)中电流数据Xp(t)的EMD分解包括如下步骤：
(2.1)确定电流数据Xp(t)中所有的极大值点和所有的极小值点，采用三次样条插值法将所有的极大值点和极小值点分别拟合得到Xp(t)的上包络线和下包络线
(2.2)根据求得的上下包络线计算Xp(t)的均值曲线：
(2.3)从信号Xp(t)中减去均值信号，得到剩余信号hp(t)＝Xp(t)-mp(t)；
(2.4)判断hp(t)是否满足IMF分量的两个条件，如果不满足则将信号hp(t)作为原始信号Xp(t)重复步骤2.1至2.3，直到满足条件，将满足IMF条件的hp(t)记作cp(t)；其中IMF分量的两个条件分别为：(a)在整个时间范围内，IMF局部极值点必须等于过零点的数目，或者最多相差一个；(b)在任意时刻点，IMF局部的上下包络线的平均值必须为0；
(2.5)将cp(t)从原始信号Xp(t)中去除，求得剩余信号r(t)＝Xp(t)-cp(t)，将r(t)作为“原始信号”，重新进行步骤(2.1)～(2.5)，依次可以得到多个IMF分量IMF1～IMFn，信号记作直到剩余信号r(t)为单调函数为止，将最后单调剩余信号记作残余分量
(2.6)完成上述步骤后，电流信号Xp(t)被分解为n个不同的IMF分量和残余分量之和，记作其中n为IMF的分解层数。
4.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(3)中峭度的计算式为：
其中为信号的均值，为信号的标准差，E(·)为计算数学期望运算符。
5.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(3)中信号的能量矩计算式为：
其中Ts为信号的持续时长。
6.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(3)中信号近似熵计算步骤如下：
(B.1)对信号进行采样得到离散化的信号w(k)，构成时间序列{w(k):1≤k≤N}，其中N为采样点数；按顺序构建m维向量：u＝1,2,...,N-m+1；其中表示从第u个采样点到第u+m-1个采样点的值；
(B.2)定义向量与向量之间的距离为两个向量元素间差值的最大值，即对每一个u值，计算与其余向量间的距离u,v＝1,2,...,N-m+1,且u≠v；
(B.3)给定阈值r，对于每个u≤N-m+1的值，统计小于r的数目W以及W与N-m的比值即
(B.4)将取对数，并根据u值计算其均值，记作φm(r)，即
(B.5)将维数m加1，重新按照步骤(B.1)至(B.4)求解φm+1(r)；则该IMF信号的近似熵为
7.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述步骤(5)中建立的BP神经网络包括输入层、隐含层、输出层，所述输入层的节点个数为3*n，n为EMD分解后选取的IMF分量个数；输出层的节点个数为工作状态类型的数量；一个隐含层，所述隐含层的节点个数Nh根据经验公式取值，其中Ni为输入层的节点数，No为输出层的节点数，ρ为[0,10]之间的整数，[·]为取整运算符。
8.根据权利要求1所述的电子式电流互感器故障诊断方法，其特征在于，所述BP神经网络模型中各个神经元的激活函数为Sigmoid函数，函数表达式为：
9.根据权利要求1-8中任一项所述的电子式电流互感器故障诊断方法，其特征在于，所述工作状态包括漂移偏差故障、变比偏差故障、固定偏差故障、失效故障、正常工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066213.7A CN109828227A (zh) | 2019-01-24 | 2019-01-24 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066213.7A CN109828227A (zh) | 2019-01-24 | 2019-01-24 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109828227A true CN109828227A (zh) | 2019-05-31 |
Family
ID=66862338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910066213.7A Pending CN109828227A (zh) | 2019-01-24 | 2019-01-24 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109828227A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111856380A (zh) * | 2020-07-27 | 2020-10-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种油浸正立式电流互感器的缺陷排查系统 |
| CN112285632A (zh) * | 2020-10-20 | 2021-01-29 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 |
| CN112763780A (zh) * | 2020-10-23 | 2021-05-07 | 苏州科技大学 | 一种智能互感器 |
| WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
| CN114298079A (zh) * | 2021-07-20 | 2022-04-08 | 齐丰科技股份有限公司 | 基于线圈电流信号的变电站高压断路器故障诊断方法 |
| CN115166618A (zh) * | 2022-09-06 | 2022-10-11 | 武汉格蓝若智能技术有限公司 | 一种非平稳输出的电流互感器误差评估方法 |
| CN115469259A (zh) * | 2022-09-28 | 2022-12-13 | 武汉格蓝若智能技术有限公司 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
| CN102621449A (zh) * | 2012-03-16 | 2012-08-01 | 河南理工大学 | 一种小电流接地系统单相接地故障区段定位方法 |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
-
2019
- 2019-01-24 CN CN201910066213.7A patent/CN109828227A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
| CN102621449A (zh) * | 2012-03-16 | 2012-08-01 | 河南理工大学 | 一种小电流接地系统单相接地故障区段定位方法 |
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| SHU, C等: "Noise Diagnosis Method of Distribution Transformer Discharge Fault Based on CEEMDAN", 《HIGH VOLTAGE ENGINEERING》 * |
| 何宁: "基于小波神经网络的电子式互感器故障诊断", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 姚俊华: "模拟电路软故障诊断方法的研究", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李怀俊 等: "《西南交通大学出版社》", 31 July 2016 * |
| 秦太龙 等: "基于IMF能量矩和神经网络的轴承故障诊断", 《振动测试与诊断》 * |
| 裴峻峰 等: "基于多特征参数和概率神经网络的滚动轴承故障诊断方法", 《中国机械工程》 * |
| 龙呈等: "基于多维量测数据序列的电压互感器故障识别方法", 《四川电力技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111856380A (zh) * | 2020-07-27 | 2020-10-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种油浸正立式电流互感器的缺陷排查系统 |
| CN111856380B (zh) * | 2020-07-27 | 2022-04-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种油浸正立式电流互感器的缺陷排查系统 |
| WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
| CN112285632A (zh) * | 2020-10-20 | 2021-01-29 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 |
| CN112763780A (zh) * | 2020-10-23 | 2021-05-07 | 苏州科技大学 | 一种智能互感器 |
| CN114298079A (zh) * | 2021-07-20 | 2022-04-08 | 齐丰科技股份有限公司 | 基于线圈电流信号的变电站高压断路器故障诊断方法 |
| CN115166618A (zh) * | 2022-09-06 | 2022-10-11 | 武汉格蓝若智能技术有限公司 | 一种非平稳输出的电流互感器误差评估方法 |
| CN115469259A (zh) * | 2022-09-28 | 2022-12-13 | 武汉格蓝若智能技术有限公司 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
| CN115469259B (zh) * | 2022-09-28 | 2024-05-24 | 武汉格蓝若智能技术股份有限公司 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109828227A (zh) | 一种基于电流信息特征的电子式电流互感器故障诊断方法 | |
| de Souza et al. | Data compression in smart distribution systems via singular value decomposition | |
| Monedero et al. | Classification of electrical disturbances in real time using neural networks | |
| Xu et al. | Detection and classification of power quality disturbances in distribution networks based on VMD and DFA | |
| DE69527592T2 (de) | Vorrichtung zur Erzeugung eines für die totale harmonische Verzerrung in Wellenformen eines elektrischen Wechselstromsystems repräsentativen Signals | |
| WO2015188804A1 (de) | Elektronische schaltung zum vereinfachten betrieb von mehrpunktumrichtern | |
| KR100918313B1 (ko) | 지능형 전기품질 진단 분석 방법 | |
| Decanini et al. | Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory | |
| DE10148882A1 (de) | Verfahren und Vorrichtung zur Detektion eines Statorwicklungsfehlers in einem Wechselstrommotor | |
| Souhe et al. | Fault detection, classification and location in power distribution smart grid using smart meters data | |
| CN105866725A (zh) | 一种基于聚类分析和云模型的智能电表故障分类方法 | |
| DE102012107021A1 (de) | Vorrichtung zur Messung eines Wechselstroms | |
| CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
| CN117332215A (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
| DE102013107567A1 (de) | Vorrichtung und Verfahren zur Messung eines Wechselstroms | |
| Lavanya et al. | A deep learning technique for detecting high impedance faults in medium voltage distribution networks | |
| Aslan et al. | ANN based fault location for medium voltage distribution lines with remote-end source | |
| CN116664870A (zh) | 一种基于迁移学习的电能质量扰动识别方法 | |
| CN110555048B (zh) | 一种基于计量异常关联度模型的故障原因疑似度分析方法 | |
| Bariya et al. | Data-driven topology estimation with limited sensors in radial distribution feeders | |
| Reaz et al. | VHDL modeling for classification of power quality disturbance employing wavelet transform, artificial neural network and fuzzy logic | |
| Choong et al. | Advances in signal processing and artificial intelligence technologies in the classification of power quality events: a survey | |
| Obi et al. | An extended ann-based high speed accurate transmission line fault location for double phase to earth fault on non-directground | |
| EP4297222A1 (de) | Computer-implementiertes verfahren und system zur anomalie-erkennung und anomalie-lokalisierung in einem energieverteilungs-netz |
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: 20190531 |
|
| RJ01 | Rejection of invention patent application after publication |