CN110032752B - 一种电力电子器件及模块状态检测监测系统及方法 - Google Patents
一种电力电子器件及模块状态检测监测系统及方法 Download PDFInfo
- Publication number
- CN110032752B CN110032752B CN201811565907.7A CN201811565907A CN110032752B CN 110032752 B CN110032752 B CN 110032752B CN 201811565907 A CN201811565907 A CN 201811565907A CN 110032752 B CN110032752 B CN 110032752B
- Authority
- CN
- China
- Prior art keywords
- module
- power electronic
- mechanical stress
- electronic device
- stress wave
- 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
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
Abstract
本发明属于电力电子器件及模块监测技术领域,具体涉及本发明一种电力电子器件及模块状态监测方法、系统,提出了一种基于机械应力波的电力电子器件及模块状态检测监测方式,使电力电子器件及模块的状态检测方法不再局限于分析电力电子器件及模块内部电‑磁‑热应力信息特征参数,丰富了电力电子器件及模块状态在线监测方法,提高信息获取的完备性;本发明提出电力电子器件及模块机械应力波的测量与信号处理方法,能够准确、非侵入式、快速地提取出机械应力波的特征参数;通过仿真实验以及神经网络等智能算法建立的机械应力波特征参数与电力电子器件及模块状态对应关系,实现了电力电子器件及模块及模块的评估与诊断。
Description
技术领域
本发明属于电力电子器件及模块监测技术领域,具体涉及一种电力电子器件及模块状态监测方法、系统。
背景技术
电力电子器件及模块(以下简称电力电子器件及模块)作为电力电子装备的核心部件,其可靠性直接决定了电气节能、新能源发电、智能电网等系统的正常运行。电力电子器件及模块发生故障或老化,会对电力系统和使用电力电子装备的系统可靠性运行构成危害,并带来巨大的经济损失,应对电力电子器件及模块的运行状态进行在线监测。
现有的电力电子器件及模块的状态监测方法,大多基于器件或模块内部电-磁-热应力信息特征参数的提取,对于反映电力电子器件及模块所处的状态,难以同时满足快速、非侵入式和实时在线检测的需求。
为克服现有技术手段的不足,基于电力电子器件及模块在开关切换和电气故障状态下会产生机械应力波的机理,本发明提供了一种基于机械应力波的电力电子器件及模块状态检测监测系统及方法,可满足快速、非侵入式和实时在线的检测需求。
中国专利CN105158670A公开了一种IGBT集电极漏电流状态监测方法。一定条件下测出器件集电极漏电流作为初始值,定期测试器件的集电极漏电流并记录作为测试值,将测试值带入集电极漏电流健康状态监测方法模型中得出器件的老化程度,以达到健康状态监测的目的。但这种方法需要定期去测量,无法对器件进行实时在线监测。
中国专利CN106124957A公开了一种绝缘栅双极型晶体管退化的在线监测方法。对待测健康IGBT进行温度实验,计算相同结温变化下退化指标变化量与结温指标变化量的比例系数;在线测得IGBT退化时结温指标和退化指标,结合正常情况下的比例系数,对退化指标进行去结温影响优化,根据优化后的退化指标来监测IGBT的退化程度。该方法无法快速得到器件的退化程度。
发明内容
针对以上问题,本发明旨在提供一种基于机械应力波的电力电子器件及模块状态检测和监测方法、系统、电脑设备及可读存储介质。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种电力电子器件及模块状态监测方法,包括如下步骤:根据特征参数与电力电子器件及模块状态对应关系,建立预测模型;
设置机械应力波采集参数;
采集待测器件机械应力波信号,并进行分析,得到实测特征参数;
将实测特征参数输入预测模型,反演得到待测器件的状态指标;
所述建立预测模型步骤具体包括:固定测试电压等级,改变脉冲宽度,在线采集电力电子器件及模块产生的机械应力波信号;
对不同状态的器件重复上述步骤,提取同一型号器件在不同状态下的机械应力波;
分析不同状态下器件的机械应力波信号,提取特征参数;
建立特征参数与电力电子器件及模块状态的对应关系,构建预测模型;
所述步骤“分析不同状态下的器件的机械应力波信号,提取特征参数”具体包括:对机械应力波信号的时域特征参数进行时序排列和直接显示,采用单参数分析法、能量分析法、幅度分析法和经历分析法来分析机械应力波源的活动情况、发展趋势以及特征;
采用频域分析法对不同状态下的机械应力波信号的频域特征进行提取分析,并借助时域分析法同时分析机械应力波特征参数在时域和频域上的变化规律;
经模态分解首先将机械应力波信号分解为若干固有模态分量,选择特征明显的固有模态分量重构机械应力波信号;对重构的机械应力波信号进行希尔伯特-黄变换,得到机械应力波信号的时频分布;然后,将机械应力波信号的时频分布与结构中导波传播的群速度进行对比,确定信号中的模态和频率组成;最后,利用得到的信号组成模式,建立机械应力波源的模型。
具体的,所述机械应力波采集参数包括但不限于采样频率、阈值以及采样频段。
作为本发明的一种优选实施方式,所述步骤“建立特征参数与电力电子器件及模块状态的对应关系,构建预测模型”具体包括:将机械应力波特征参数与器件和模块的电气参数在声压-声阻抗-电气参数的三维空间上通过仿真实验法建立特征参数与器件和模块状态的数学模型;
根据仿真和实验建立的机械应力波特征参数与电力电子器件及模块状态对应关系,分析测量得到的机械应力波特征参数,进而得出电力电子器件及模块的导通电阻电气特征参数;
将模型和试验分别获得电力电子器件及模块的特征参数作为输入量,可表征电力电子器件及模块状态的指标作为输出量;输入量和输出量构成一个训练样本,多个训练样本组成训练集;
采用卷积神经网络的机器学习算法建立反演模型,把训练集输入反演模型,对模型进行训练,得到机械应力波特征参数与电力电子器件及模块状态的预测模型。
作为本发明的一种优选实施方式,所述“采集待测器件机械应力波信号”具体包括:确定测试电压等级以及器件或模块的关断电流范围;
对于不同状态的电力电子器件及模块,保持电压等级不变,改变触发脉冲宽度来改变关断电流大小;
使用机械应力波采集模块测量并记录不同状态下的电力电子器件及模块的机械应力波信号。
一种电力电子器件及模块状态监测系统,包括:控制系统,用于驱动电力电子器件及模块和设置机械应力波的采样参数;
试验电路,通过控制电力电子器件及模块通断以产生机械应力波;
机械应力波采集模块,采集电力电子器件及模块在关断过程中所产生的机械应力波信号;
信号处理模块,用于对所提取到的机械应力波信号进行分析,提取实测特征参数;
诊断模块,所述诊断模块预存有特征参数与电力电子器件及模块状态对应关系和预测模型;所述诊断模块用于根据实测特征参数通过预测模型反演得到待测器件的状态指标。
作为进一步的改进,所述诊断模块包括标定模块和评估模块;所述标定模块采用仿真、实验或人工神经网络建立特征参数与电力电子器件及模块状态对应关系并存储;所述评估模块内预设有预测模型,所述评估模块根据获得的实测特征参数及调用特征参数与电力电子器件及模块状态对应关系反演得到电力电子器件及模块的内部状态,并进一步评估电力电子器件及模块的性能或健康状态。
一种计算机设备,具有处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一项所述的电力电子器件及模块状态监测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任一项所述的电力电子器件及模块状态监测方法的步骤。
本发明一种电力电子器件及模块状态监测方法、系统、电脑设备及可读存储介质,提出了一种基于机械应力波的电力电子器件及模块状态检测监测方式,使电力电子器件及模块的状态检测方法不再局限分析电力电子器件及模块内部电-磁-热应力信息特征参数,丰富了电力电子器件及模块状态在线监测方法,提高信息获取的完备性;本发明提出电力电子器件及模块的机械应力波的测量与信号处理方法,能够准确、非侵入式、快速地提取出机械应力波的特征参数;通过仿真实验以及神经网络等智能算法建立的机械应力波特征参数与电力电子器件及模块状态对应关系,实现了电力电子器件及模块的评估与诊断。
附图说明
图1是本发明一种电力电子器件及模块状态监测方法流程示意图;图2是本发明一种电力电子器件及模块状态监测方法提取特征参数步骤示意图;
图3是本发明一种电力电子器件及模块状态监测系统逻辑结构示意框图;
图4是本发明一种电力电子器件及模块状态监测系统结构示意图;
图5是40A时机械应力波的时域波形分量波形示意图;
图6是40A时机械应力波的频域分量波形示意图;
图7是30A时机械应力波的时域波形分量波形示意图;
图8是30A时机械应力波的频域分量波形示意图;
图9是50A时机械应力波的时域波形分量波形示意图;
图10是50A时机械应力波的频域分量波形示意图。
具体实施方式
以下结合图1-10具体说明本发明提供的一种全方位智能体检一体机。
如图1、2所示,本发明提供一种电力电子器件及模块状态监测方法,包括如下步骤:S1、根据特征参数与电力电子器件及模块状态对应关系,建立预测模型;
S2、设置机械应力波采集参数;具体的,所述机械应力波采集参数包括但不限于采样频率、检测阈值以及采样频段。
S3、采集待测器件机械应力波信号,并进行分析,得到实测特征参数;作为本发明的一种优选实施方式,具体包括:确定测试电压等级以及器件或模块的关断电流范围;
对于不同状态的电力电子器件及模块,保持电压等级不变,改变触发脉冲宽度来改变关断电流大小;
使用机械应力波采集模块测量并记录不同状态下的电力电子器件及模块的机械应力波信号。
S4、将实测特征参数输入预测模型,反演得到待测器件的状态指标。
作为本发明的一种优选实施例,所述步骤S1具体包括如下步骤:S11、固定测试电压等级,改变脉冲宽度,在线采集电力电子器件及模块产生的机械应力波信号;
S12、对不同状态的器件重复上述步骤,提取同一型号器件在不同状态下的机械应力波;
S13、分析不同状态下的器件的机械应力波信号,提取特征参数;
作为本发明的一种优选实施方式,步骤S13具体包括:
对机械应力波信号的时域特征参数进行时序排列和直接显示,采用单参数分析法、能量分析法、幅度分析法和经历分析法来分析机械应力波源的活动情况、发展趋势以及特征;
采用频域分析法对不同状态下的机械应力波信号的频域特征进行提取分析,并借助时域分析法同时分析机械应力波特征参数在时域和频域上的变化规律;
经模态分解首先将机械应力波信号分解为若干固有模态分量,选择特征明显的固有模态分量重构机械应力波信号;对重构的机械应力波信号进行希尔伯特-黄变换,得到机械应力波信号的时频分布;然后,将机械应力波信号的时频分布与结构中导波传播的群速度进行对比,确定信号中的模态和频率组成;最后,利用得到的信号组成模式,建立机械应力波源的模型。
S14、建立特征参数与电力电子器件及模块状态的对应关系,构建预测模型。
作为本发明的一种优选实施方式,步骤S14具体包括:将机械应力波特征参数与器件和模块的电气参数在声压-声阻抗-电气参数的三维空间上通过仿真实验法建立特征参数与器件和模块状态的数学模型;
根据仿真和实验建立的机械应力波特征参数与电力电子器件及模块状态对应关系,分析所测量得到的机械应力波特征参数,进而得出电力电子器件及模块的导通电阻电气特征参数;
将模型和试验分别获得电力电子器件及模块的特征参数作为输入量,可表征电力电子器件及模块状态的指标作为输出量;输入量和输出量构成一个训练样本,多个训练样本组成训练集;
采用卷积神经网络的机器学习算法建立反演模型,把训练集输入反演模型,对模型进行训练,得到机械应力波特征参数与电力电子器件及模块状态的预测模型。
作为本发明一种较佳实施例,为了使效果达到最佳,需要在初始化阶段调试器件试验电路以达到最佳;调试不同器件及模块在实际电路状况下能否输出正常的电压电流波形;选择机械应力波传感器的型号,满足符合测量需求的测量带宽与灵敏度;
确定机械应力波传感器的安装位置,确保机械应力波传感器与被测器件或模块耦合良好,能够准确捕获机械应力波;
确定干扰信号的振幅与频谱范围,合理设置信号的采样阈值以及滤波频带,减小背景噪声的影响。
如图3、4所示,一种电力电子器件及模块状态监测系统,包括:控制系统2,用于驱动待测电力电子器件及模块1和设置机械应力波的采样参数;试验电路3,通过控制待测电力电子器件及模块1开通用以产生机械应力波;机械应力波采集模块4,采集电力电子器件及模块在关断过程中所产生的机械应力波信号;
信号处理模块5,用于对所提取到的机械应力波信号进行分析,提取实测特征参数;
诊断模块6,所述诊断模块6预存有特征参数与电力电子器件及模块状态对应关系和预测模型;所述诊断模块6用于根据实测特征参数通过预测模型反演得到待测器件的状态指标。
作为进一步的改进,所述诊断模块6包括标定模块和评估模块;所述标定模块采用仿真、实验或人工神经网络建立特征参数与电力电子器件及模块状态对应关系并存储;所述评估模块内预设有预测模型,所述评估模块根据获得的实测特征参数及调用特征参数与电力电子器件及模块状态对应关系反演得到电力电子器件及模块的内部状态,并进一步评估电力电子器件及模块的性能或健康状态。
一种计算机设备,具有处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一项所述的电力电子器件及模块状态监测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任一项所述的电力电子器件及模块状态监测方法的步骤。
本发明以IGBT为例,对比相同型号、不同状态(健康与老化)的电力电子器件及模块在同一关断电流条件下所产生的机械应力波的特征参数。IKW40T120型IGBT器件(额定电流40A、额定电压1200V)在关断电流Ic为40A时机械应力波的时域波形与频域分量如附图5和图6所示;IRG4PC40FDPBF型IGBT器件(额定电流50A、额定电压600V)在关断电流Ic为30A时机械应力波的时域波形与频域分量见附图7和图8所示;IRG4PC40FDPBF型IGBT器件在关断电流Ic为50A时机械应力波的时域波形与频域分量见附图9和图10所示。
由以上可知本发明一种电力电子器件及模块状态监测方法、系统、电脑设备及可读存储介质,提出了一种基于机械应力波的电力电子器件及模块状态检测监测方式,使电力电子器件及模块的状态检测方法不再局限分析电力电子器件及模块内部电-磁-热应力信息特征参数,丰富了电力电子器件及模块状态在线监测方法,提高信息获取的完备性;本发明提出电力电子器件及模块的机械应力波的测量与信号处理方法,能够准确、非侵入式、快速地提取出机械应力波的特征参数;通过仿真实验以及神经网络等智能算法建立的机械应力波特征参数与电力电子器件及模块状态对应关系,实现了电力电子器件及模块的评估与诊断。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种电力电子器件及模块状态监测方法,其特征在于,包括如下步骤:
根据特征参数与电力电子器件及模块状态对应关系,建立预测模型;
设置机械应力波采集参数;
采集待测器件机械应力波信号,并进行分析,得到实测特征参数;
将实测特征参数输入预测模型,反演得到待测器件的状态指标;
其中,所述建立预测模型步骤具体包括:固定测试电压等级,改变脉冲宽度,在线采集电力电子器件及模块产生的机械应力波信号;
对不同状态的器件重复上述步骤,提取同一型号器件在不同状态下的机械应力波;
分析不同状态下的器件的机械应力波信号,提取特征参数;
建立特征参数与电力电子器件及模块状态的对应关系,构建预测模型;
所述步骤“分析不同状态下的器件的机械应力波信号,提取特征参数”具体包括:对机械应力波信号的时域特征参数进行时序排列和直接显示,采用单参数分析法、能量分析法、幅度分析法和经历分析法来分析机械应力波源的活动情况、发展趋势以及特征;
采用频域分析法对不同状态下的机械应力波信号的频域特征进行提取分析,并借助时域分析法同时分析机械应力波特征参数在时域和频域上的变化规律;
经模态分解首先将机械应力波信号分解为若干固有模态分量,选择特征明显的固有模态分量重构机械应力波信号;对重构的机械应力波信号进行希尔伯特-黄变换,得到机械应力波信号的时频分布;然后,将机械应力波信号的时频分布与结构中导波传播的群速度进行对比,确定信号中的模态和频率组成;最后,利用得到的信号组成模式,建立机械应力波源的模。
2.如权利要求1所述的电力电子器件及模块状态监测方法,其特征在于,所述机械应力波采集参数包括但不限于采样频率、检测阈值以及采样频段。
3.如权利要求1所述的电力电子器件及模块状态监测方法,其特征在于,所述步骤“建立特征参数与电力电子器件及模块状态的对应关系,构建预测模型”具体包括:将机械应力波特征参数与器件和模块的电气参数在声压-声阻抗-电气参数的三维空间上通过仿真实验法建立特征参数与器件和模块状态的数学模型;
根据仿真和实验建立的机械应力波特征参数与电力电子器件及模块状态对应关系,分析测量得到的机械应力波特征参数,进而得出电力电子器件及模块的导通电阻电气特征参数;
将模型和试验获得电力电子器件及模块的特征参数作为输入量,可表征电力电子器件及模块状态的指标作为输出量;输入量和输出量构成一个训练样本,多个训练样本组成训练集;
采用卷积神经网络的机器学习算法建立反演模型,把训练集输入反演模型,对模型进行训练,得到机械应力波特征参数与电力电子器件及模块状态的预测模型。
4.如权利要求1所述的电力电子器件及模块状态监测方法,其特征在于,所述“采集待测器件机械应力波信号”具体包括:确定测试电压等级以及器件或模块的关断电流范围;
对于不同状态的电力电子器件及模块,保持电压等级不变,改变触发脉冲宽度来改变关断电流大小;
使用机械应力波采集模块测量并记录不同状态下的电力电子器件及模块的机械应力波信号。
5.一种电力电子器件及模块状态监测系统,其特征在于,包括:控制系统,用于驱动电力电子器件及模块和设置机械应力波的采样参数;
试验电路,通过控制电力电子器件及模块通断以产生机械应力波;
机械应力波采集模块,采集电力电子器件及模块在关断过程中所产生的机械应力波信号;
信号处理模块,用于对所提取到的机械应力波信号进行分析,提取实测特征参数;
诊断模块,所述诊断模块预存有特征参数与电力电子器件及模块状态对应关系和预测模型;所述诊断模块用于根据实测特征参数通过预测模型反演得到待测器件的状态指标。
6.如权利要求5所述的电力电子器件及模块状态监测系统,其特征在于,具体的,所述诊断模块包括标定模块和评估模块;所述标定模块采用仿真、实验或人工神经网络建立特征参数与电力电子器件及模块状态对应关系并存储;所述评估模块内预设有预测模型,所述评估模块根据获得的实测特征参数及调用特征参数与电力电子器件及模块状态对应关系反演得到电力电子器件及模块的内部状态,并进一步评估电力电子器件及模块的性能或健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811565907.7A CN110032752B (zh) | 2018-12-20 | 2018-12-20 | 一种电力电子器件及模块状态检测监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811565907.7A CN110032752B (zh) | 2018-12-20 | 2018-12-20 | 一种电力电子器件及模块状态检测监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032752A CN110032752A (zh) | 2019-07-19 |
CN110032752B true CN110032752B (zh) | 2021-10-26 |
Family
ID=67235380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811565907.7A Active CN110032752B (zh) | 2018-12-20 | 2018-12-20 | 一种电力电子器件及模块状态检测监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032752B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487917A (zh) * | 2019-08-30 | 2019-11-22 | 重庆高开清芯科技产业发展有限公司 | 一种基于神经网络的应力波检测与分析系统 |
CN111175659B (zh) * | 2020-01-21 | 2022-04-29 | 湖南大学 | 基于连续声发射信号的锂离子电池状态检测系统和方法 |
EP3859359B8 (en) * | 2020-01-28 | 2024-04-10 | Rohde & Schwarz GmbH & Co. KG | Signal analysis method and test system |
CN114035010A (zh) * | 2021-09-15 | 2022-02-11 | 国营芜湖机械厂 | 飞机电力载波芯片的mosfet特征参数在线监测平台及提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
-
2018
- 2018-12-20 CN CN201811565907.7A patent/CN110032752B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
Non-Patent Citations (4)
Title |
---|
Acoustic emission caused by the failure of a power transistor;KARKKAINEN T J,et al.;《Proceedings of IEEE Applied Power Electronics Conference & Exposition》;20150511;2481-2484 * |
Acoustic Emission for State-of-Health Determination in Power Modules;Sebastian Muller,et al.;《Proceedings of IEEE International Multi-Conference on Systems,Signals & Devices》;20160519;468-471 * |
基于SOM 神经网络的风电电子装置故障诊断;高宇;《电力系统及其自动化学报》;20100630;第22卷(第3期);142-145 * |
基于声发射和神经网络的风机叶片裂纹识别研究;曲弋 等;《机械设计与制造》;20120331;152-154 * |
Also Published As
Publication number | Publication date |
---|---|
CN110032752A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032752B (zh) | 一种电力电子器件及模块状态检测监测系统及方法 | |
Wang et al. | A new method with Hilbert transform and slip-SVD-based noise-suppression algorithm for noisy power quality monitoring | |
Zhao et al. | Fault diagnosis of circuit breaker energy storage mechanism based on current-vibration entropy weight characteristic and grey wolf optimization–support vector machine | |
CN110794329B (zh) | 组合电器和开关柜局部放电带电检测仪缺陷识别能力检验方法 | |
CN104849645A (zh) | 基于米勒平台电压的mosfet退化评估方法及采用该方法的mosfet剩余寿命预测方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN111781457A (zh) | 一种用于电子产品emc传导发射的测试系统及方法 | |
Pandarakone et al. | Frequency spectrum investigation and analytical diagnosis method for turn-to-turn short-circuit insulation failure in stator winding of low voltage induction motor | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
de la Rosa et al. | An application of the spectral kurtosis to characterize power quality events | |
CN105988029A (zh) | 用于任意波形和函数发生器波形监测的电缆效应的去嵌入 | |
Tran et al. | Realtime internal-impedance measurement of lithium-ion battery using discrete-interval-binary-sequence injection | |
CN114113792A (zh) | 一种基于三阶段插值的电网阻抗快速准确测量方法 | |
Zhu et al. | Injection amplitude guidance for impedance measurement in power systems | |
CN113589166A (zh) | 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 | |
CN112067893A (zh) | 一种基于动态时间规整的风电机组谐波评估方法及系统 | |
Khodaparast et al. | Emd-prony for phasor estimation in harmonic and noisy condition | |
Xin et al. | De-noising of GIS UHF Partial Discharge monitoring based on wavelet method | |
CN112729531A (zh) | 配电变压器设备故障研判方法及系统 | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及系统 | |
Khodaparast et al. | Real time phasor estimation based on recursive prony with several channels of one pmu | |
CN101930050B (zh) | 超高压电缆在线局放监测系统 | |
Li et al. | Research on Self-Adaptive Algorithm of Transient Performance Analysis for DC Electronic Instrument Transformer Calibration | |
CN104764930A (zh) | 基于相关特性的谐波发射水平估计方法 | |
CN110824310A (zh) | 局部放电类型判断方法及装置 |
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 |