CN110285951A - 变压器有载分接开关机械故障诊断方法 - Google Patents
变压器有载分接开关机械故障诊断方法 Download PDFInfo
- Publication number
- CN110285951A CN110285951A CN201910573514.9A CN201910573514A CN110285951A CN 110285951 A CN110285951 A CN 110285951A CN 201910573514 A CN201910573514 A CN 201910573514A CN 110285951 A CN110285951 A CN 110285951A
- Authority
- CN
- China
- Prior art keywords
- otlc
- hilbert
- vibration signal
- signal
- volterra
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种变压器有载分接开关机械故障诊断方法,该方法包括测量OTLC切换过程中的多通道振动信号、EEMD分解、Hilbert变换获得Hilbert边际谱;构建Volterra模型获得系数矢量;计算系数矢量矩阵的奇异值;DAG‑SVM识别OTLC机械状态。本发明引入改进Hilbert‑Huang变换和混沌时间序列的Volterra模型,在抑制信号分解过程中模态混叠现象的同时,能快速获取非平稳振动信号的高分辨率特征参量,提高OTLC机械故障诊断的自适应性、特征分辨率以及识别效率。
Description
技术领域
本发明涉及一种变压器有载分接开关故障诊断方法,特别涉及一种变压器有载分接开关机械故障诊断方法,属于电力设备故障诊断技术领域。
背景技术
变压器有载分接开关(OTLC)是保证有载调压变压器实现调压功能的重要部件,其可靠性直接关系到有载调压变压器甚至是输配电电网的运行质量。OTLC是有载调压变压器内仅有的动作性部分,在调压次数增多的过程中,其出现故障的可能性呈现出不断提高的趋势。统计数据表明,绝大部分的有载分接开关故障都属于机械故障,比如触头接触不良、转轴卡涩等,非机械故障的占比只有不到5%。机械故障会导致有载分接开关甚至是整个设备损坏,并且是引发很多电气性故障的诱因,最终导致严重的后果。所以,当前最重要的任务,是找到能够准确识别有载分接开关机械故障的方法,为电力系统的健康运行提供更有力的保障。
Hilbert-Huang变换(HHT)包括经验模态分解(EMD)、Hilbert谱分析。
EMD算法可以将信号分解为一系列幅度和相位都随时间变化的固有模态函数(IMF)。
IMF必须达到的要求是:①零点数与极点数的差是0或1;②在已知上、下限值的情况下,包络线以时间轴局部对称。EMD算法能够把多分量信号的各阶IMF分量筛选出来。各个IMF分量能够反映出原始信号在各个频率区间的模态特征,因此原始信号经EMD算法分解后能够保留必要的物理信息。但是,EMD算法存在各IMF分量频率范围相互重叠的现象,即模态混叠现象。由于OLTC振动信号具有瞬时性,其瞬时幅度和频率的变化同样会引起模态混叠。这种现象会降低EMD算法的特征提取效果。聚合经验模态分解(EEMD)算法正是为了解决这个问题被提出的。
发明内容
本发明要解决的技术问题是提供一种变压器有载分接开关机械故障诊断方法。
为解决上述技术问题,本发明采用的技术方案为:
一种变压器有载分接开关机械故障诊断方法,包括以下步骤:
步骤S110:测量OTLC切换过程中的多通道振动信号,多通道振动信号由一个以上通道振动信号组成;
步骤S120:EEMD分解:使用EEMD算法分别分解OTLC切换过程中的各通道振动信号,得到n个IMF ci(t),1≤i≤n;
步骤S130:Hilbert变换获得Hilbert边际谱h(w):
式中Hilbert谱H(w,t)表示为:
式中j为虚数单位,ai(t)为解析信号zi(t)的瞬时幅值;wi(t)为解析信号 zi(t)的瞬时频谱,wi(t)是解析信号zi(t)的瞬时相位的导数;解析信号zi(t) 的表示形式为:
式中H[ci(t)]为ci(t)的Hilbert变换;
步骤S140:构建Volterra模型获得系数矢量W(n):
基于HHT变换得到的各IMF对应的Hilbert边际谱构建Volterra模型,以其系数矢量W(n)作为横矢量构成系数矢量矩阵;频率从小到大等间隔取样,得到IMF分量瞬时幅值关于瞬时频率的序列{hi(n)}。将{hi(n)}作为非线性离散系统的输入,采用Volterra级数创建混沌序列的非线性预测模型,得到的各IMF对应的系数矢量W(n)作为矩阵的横矢量,构成系数矢量矩阵;
步骤S150:计算系数矢量矩阵的奇异值:对系数矢量矩阵进行奇异值分解,将三通道信号对应的奇异值组合作为表征OTLC机械故障的特征参量;
步骤S160:DAG-SVM识别OTLC机械状态:基于决策导向无环图支持向量机(DAG-SVM)构建快速多分类拟合模型,实现对OTLC机械状态的自动划分。
进一步,步骤S110测量OTLC切换过程中的多通道振动信号为方向相互垂直的三通道振动信号。
进一步,步骤S140中混沌时间序列Volterra模型的嵌入维数通过Cao方法计算确定的,延迟时间的计算通过互信息法实现。
更进一步,步骤S140中,混沌时间序列Volterra模型的嵌入维数为3,延迟时间为1,Volterra模型的阶数为2。
采用上述技术方案所取得的技术效果在于:
1、本发明引入改进Hilbert-Huang变换和混沌时间序列的Volterra模型,在抑制信号分解过程中模态混叠现象的同时,能快速获取非平稳振动信号的高分辨率特征参量,提高OTLC机械故障诊断的自适应性、特征分辨率以及识别效率;
2、本发明在HHT中采用EEMD算法分解OTLC切换过程中的多通道振动信号,有效的解决了模态混叠问题,提供振动主频带的特征信息,在分析OLTC振动信号方面具有明显的优势。
附图说明
图1为本发明的流程图;
图2为本发明实施例1中压电加速度传感器的安装位置示意图;
图3为本发明实施例1中四分类DAG-SVM决策结构图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种变压器有载分接开关机械故障诊断方法,包括以下步骤:
步骤S110:测量OTLC切换过程中的多通道振动信号;
在本实施例中,选用三个灵敏度为500mV/g的压电加速度传感器测量三个相互垂直方向上的振动信号;如图2所示,三个压电加速度传感器分别布置于变压器油箱壁的顶面和两个侧面,这样在减小变压器振动信号干扰同时降低安装难度。
三个压电加速度传感器采集的OLTC切换过程中的振动信号经调理模块输入数据采集器分析,分析结果传输至计算机。
步骤S120:EEMD分解:使用EEMD算法分解OTLC切换过程中的多通道振动信号;
EEMD在分解高斯白噪声时,EEMD表现出准二滤波器特征,从而有效的避免产生模态混叠。详细来说,首先在信号中引入随机高斯白噪声,接着对复合信号予以EMD分解,这两步重复N次,可以得到N组固有模态函数(IMF)及余项。然后对这N组分解结果中对应的 IMF进行平均计算,可以消除多次加入高斯白噪声的影响。最终可以得到EEMD算法分解得到的各IMF分量及余项。这种方法有效的解决了模态混叠问题,提供振动主频带的特征信息,在分析OLTC振动信号方面具有明显的优势。
在处理OTLC切换过程中的振动信号时,需要对各通道信号分别做EEMD分解。
对单通道信号作EEMD分解的基本步骤为:
(1)将原信号和正态分布白噪声混和,得到新信号。
(2)对新信号予以EMD分解,得到IMF分量。
若原始信号为s(t),则其EMD分解过程为:
初选:采用三次样条插值法,即连接原始信号的极大值得到上包络线,连接原始信号的极小值得到下包络线,然后计算上下包络的平均值m(t),并在原始信号中剔除该平均值,结果作为IMF的初始值h1(t),即:
h1(t)=s(t)-m(t) (1)
验证:验证h1(t)是否满足IMF的要求。若不满足,则将h1(t)导入第一步做进一步计算,直至结果能够满足要求。这时,得到的结果即为一个IMF 分量,记作C1。
循环:将r1(t)=x(t)-C1作为新的输入信号,循环进行前两步,直至输入信号小于一个阈值res或者成为单调函数。此时,EMD分解结束,原始信号表示为:
(3)反复执行步骤(1)和(2),每次执行掺入不同的白噪声序列。
(4)计算多次分解得到的IMF集成均值,由此得到的即为原信号分解结果。
这种方法有效的解决了模态混叠问题,提供振动主频带的特征信息,在分析OLTC振动信号方面具有明显的优势。
步骤S130:Hilbert变换获得Hilbert边际谱:使用Hilbert谱分析法提取原始信号的幅频特性;
Hilbert谱分析法是HHT变化的另一重要组成部分,其具体步骤如下。利用EEMD算法分解原始信号,得到的各IMF记作ci(t)。将各IMF分量分别作Hilbert变换:
同时,可以构造一个解析信号zi(t):
由解析信号的表达式可以得到其瞬时幅值ai(t)和瞬时相位
瞬时频率wi(t)定义为瞬时相位的导数,即:
不考虑分解余量,取解析信号的实部进行展开,则Hilbert谱可表示为:
于是可以得到Hilbert边际谱h(w),它反映了信号瞬时幅值和瞬时频率之间的关系,即:
h(w)可以准确反映原始信号的幅频特性,但其波形较为复杂,难以通过观察的方法直接获取其蕴含的故障特征信息,因此借鉴相空间重构理论,利用混沌时间序列的Volterra模型对Hilbert边际谱的特征信息进行量化,以适应OTLC机械故障诊断的需求。
S140:构建Volterra模型获得系数矢量:使用混沌时间序列的Volterra 模型对Hilbert谱分析法得到的Hilbert边际谱的特征信息进行量化,得到 OTLC运动状态的系数矢量矩阵。
相空间重构理论为混沌时间序列预测提供了思路,延迟坐标法可以重构混沌时间序列{x(n)}的相空间,相空间中点描述如下:
X(n)={x(n),x(n-τ),…,x[n-(m-1)τ]} (10)
这里,m代表嵌入维,r代表时延。Takens定理告诉我们,若嵌入维 m≥2d+1,d代表系统动力学维数,此时从拓扑意义上来看,重构的相空间和原始时间序列是等价的。从本质上来看,混沌时间序列属于动力系统的逆问题,也就是基于动力系统状态创建其动力学模型F[X(n)],即:
x(n+T)=F[X(n)] (11)
这里,T代表前向预测步长(T>0)。我们可以通过多种方法创建非线性函数去逼近F[X(n)],本发明采用Volterra级数展开式创建混沌时间序列的非线性预测模型F[X(n)]。
假定非线性离散系统的输入是X(n)={x(n),x(n-τ),…,x[n-(m-1)τ]},输出是y(n)=x(n+1),那么这一系统函数Volterra级数展开式是:
其中,
这里hk(i1,…,ik)代表k阶Volterra核,p代表Volterra展开阶数。然而yk(n)是一个无穷级数,因此需要对其进行有限阶截断并有限次求和。以二阶截断m 次求和为例,用于混沌时间序列预测的Volterra展开式是:
Volterra级数的系数矢量和输入信号矢量别为:
式(14)可以表示为:
x(n+1)=ZT(n)W(n) (17)
通过归一化最小均方自适应算法求解,从而确定系数矢量W(n)的准确值,W(n)携带了大量关于系统状态的信息,能够有力的对系统予以描述。 Volterra模型不但解决了信号的非平稳问题,也使计算难度和计算速度得到了较大的改善。
基于HHT变换得到的各IMF对应的Hilbert边际谱构建Volterra模型,以其系数矢量W(n)作为矩阵的横矢量,构成系数矢量矩阵。频率从小到大等间隔取样,取样步长为0.25Hz,可以得到IMF分量瞬时幅值关于瞬时频率的序列{hi(n)}。将{hi(n)}作为非线性离散系统的输入,采用Volterra级数创建混沌序列的非线性预测模型,得到的各IMF对应的系数矢量W(n)作为矩阵的横矢量,构成系数矢量矩阵。
步骤S150:计算系数矢量矩阵的奇异值:将三通道信号对应的奇异值组合作为表征OTLC机械故障的特征参量。这个系数矢量矩阵并包含了 OTLC切换过程中的机械振动信号的有效信息,对其进行奇异值分解,结果可以作为反映OTLC机械故障的特征参量。
混沌时间序列Volterra模型的嵌入维数m=3是通过Cao方法计算确定的,而延迟时间r=1的计算通过互信息法实现。Volterra级数的展开阶数为2。
表1到表4是由各种工况下的Volterra系数矩阵进行奇异值分解得到的奇异值。限于篇幅,每种工况只给出了5组样本。
步骤S160:基于决策导向无环图支持向量机(DAG-SVM)构建快速多分类拟合模型,实现对OTLC机械状态的自动划分。
传统的支持向量机只能解决二分类问题。在OTLC故障诊断过程中,通常需要面对多种故障类型,因此需要将二分类支持向量机扩展为多分类支持向量机。决策导向无环图支持向量机(DAG-SVM)很好的解决了样本对称和盲区的问题,同时训练以及决策效率非常高。它在决策阶段借鉴了图论中的有向无环图(Decision Directed Acyclic Graph)思想。这一策略提供了适用于各种数据的各种决策路径,实现了更高的划分精度,但决策计算量并未因此而提高。这种方法给SVM多分类扩展提供了有力的工具。以四分类问题为例,DAG-SVM决策结构如图3所示。
以OTLC所处机械工况为目标变量,以三个检测点的Volterra系数矩阵分解得到的12个奇异值作为输入变量。将各类工况标记为:正常工况—1、动触头松动—2、过渡触头松动—3、电机卡涩—4。以图3所示的四分类 DAG-SVM诊断流程为依据,确定每一个二分类支持向量机的正样本集和负样本集,搭建四分类DAG-SVM模型。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
表1正常工况下的奇异值分解结果
表2动触头松动故障下的奇异值分解结果
表3过渡触头松动故障下的奇异值分解结果
表4电机卡涩故障下的奇异值分解结果
Claims (4)
1.一种变压器有载分接开关机械故障诊断方法,其特征在于:包括以下步骤:
步骤S110:测量OTLC切换过程中的多通道振动信号,多通道振动信号由一个以上通道振动信号组成;
步骤S120:EEMD分解:使用EEMD算法分别分解OTLC切换过程中的各通道振动信号,得到n个IMF ci(t),1≤i≤n;
步骤S130:Hilbert变换获得Hilbert边际谱h(w):
式中Hilbert谱H(w,t)表示为:
式中j为虚数单位,ai(t)为解析信号zi(t)的瞬时幅值;wi(t)为解析信号zi(t)的瞬时频谱,wi(t)是解析信号zi(t)的瞬时相位的导数;解析信号zi(t)的表示形式为:
式中H[ci(t)]为ci(t)的Hilbert变换;
步骤S140:构建Volterra模型获得系数矢量W(n):
基于HHT变换得到的各IMF对应的Hilbert边际谱构建Volterra模型,以其系数矢量W(n)作为横矢量构成系数矢量矩阵;频率从小到大等间隔取样,得到IMF分量瞬时幅值关于瞬时频率的序列{hi(n)}。将{hi(n)}作为非线性离散系统的输入,采用Volterra级数创建混沌序列的非线性预测模型,得到的各IMF对应的系数矢量W(n)作为矩阵的横矢量,构成系数矢量矩阵;
步骤S150:计算系数矢量矩阵的奇异值:对系数矢量矩阵进行奇异值分解,将三通道信号对应的奇异值组合作为表征OTLC机械故障的特征参量;
步骤S160:DAG-SVM识别OTLC机械状态:基于决策导向无环图支持向量机(DAG-SVM)构建快速多分类拟合模型,实现对OTLC机械状态的自动划分。
2.根据权利要求1所述的变压器有载分接开关机械故障诊断方法,其特征在于:步骤S110测量OTLC切换过程中的多通道振动信号为方向相互垂直的三通道振动信号。
3.根据权利要求1所述的变压器有载分接开关机械故障诊断方法,其特征在于:步骤S140中混沌时间序列Volterra模型的嵌入维数通过Cao方法计算确定的,延迟时间的计算通过互信息法实现。
4.根据权利要求3所述的变压器有载分接开关机械故障诊断方法,其特征在于:步骤S140中,混沌时间序列Volterra模型的嵌入维数为3,延迟时间为1,Volterra模型的阶数为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573514.9A CN110285951A (zh) | 2019-06-28 | 2019-06-28 | 变压器有载分接开关机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573514.9A CN110285951A (zh) | 2019-06-28 | 2019-06-28 | 变压器有载分接开关机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110285951A true CN110285951A (zh) | 2019-09-27 |
Family
ID=68019450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573514.9A Withdrawn CN110285951A (zh) | 2019-06-28 | 2019-06-28 | 变压器有载分接开关机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110285951A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484740A (zh) * | 2021-05-31 | 2021-10-08 | 广西电网有限责任公司电力科学研究院 | 一种基于边缘计算的有载分接开关振动特性在线监测系统 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN115436044A (zh) * | 2022-09-02 | 2022-12-06 | 湖南五凌电力科技有限公司 | 一种有载分接开关机械故障诊断方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048036A (zh) * | 2012-12-07 | 2013-04-17 | 上海市电力公司 | 一种变压器有载分接开关运行状态的在线监测方法 |
US8508233B2 (en) * | 2008-04-21 | 2013-08-13 | Abb Research Ltd. | Arc detector and associated method for detecting undesired arcs |
CN106814312A (zh) * | 2016-12-20 | 2017-06-09 | 国家电网公司 | 变压器有载分接开关自动测量装置 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN109443714A (zh) * | 2018-05-15 | 2019-03-08 | 贵州电网有限责任公司 | 一种变压器有载分接开关机械状态监测方法 |
-
2019
- 2019-06-28 CN CN201910573514.9A patent/CN110285951A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8508233B2 (en) * | 2008-04-21 | 2013-08-13 | Abb Research Ltd. | Arc detector and associated method for detecting undesired arcs |
CN103048036A (zh) * | 2012-12-07 | 2013-04-17 | 上海市电力公司 | 一种变压器有载分接开关运行状态的在线监测方法 |
CN106814312A (zh) * | 2016-12-20 | 2017-06-09 | 国家电网公司 | 变压器有载分接开关自动测量装置 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN109443714A (zh) * | 2018-05-15 | 2019-03-08 | 贵州电网有限责任公司 | 一种变压器有载分接开关机械状态监测方法 |
Non-Patent Citations (1)
Title |
---|
YUQIN XU ET AL: "A Method for Diagnosing Mechanical Faults of on-Load Tap Changer Based on Ensemble Empirical Mode Decomposition, Volterra Model and Decision Acyclic Graph Support Vector Machine", 《IEEE ACCESS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484740A (zh) * | 2021-05-31 | 2021-10-08 | 广西电网有限责任公司电力科学研究院 | 一种基于边缘计算的有载分接开关振动特性在线监测系统 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN115436044A (zh) * | 2022-09-02 | 2022-12-06 | 湖南五凌电力科技有限公司 | 一种有载分接开关机械故障诊断方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285951A (zh) | 变压器有载分接开关机械故障诊断方法 | |
CN103760464B (zh) | 基于解析图求解与svm的小电流接地系统故障选线方法 | |
CN102005740B (zh) | 利用极波小波能量比值的特高压直流线路边界元件方法 | |
CN108490345B (zh) | 一种换流变压器分接开关的故障模拟诊断方法 | |
CN109633431A (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN101860020A (zh) | 利用极波电压s变换能量比值的特高压直流输电线路故障边界元件的方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN110006652A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN105807165B (zh) | Mmc换流站运行状态模糊综合评判方法 | |
Gargoom et al. | Investigation of effective automatic recognition systems of power-quality events | |
CN109541305A (zh) | 一种谐波责任划分模型及谐波责任计算方法 | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN108169540A (zh) | 一种风力发电机组电压闪变的测量方法 | |
CN106788060A (zh) | 基于改进SVD‑Prony算法的发电机参数辨识方法 | |
CN113552447A (zh) | 一种基于随机森林的串联电弧故障检测方法 | |
Stanisavljević et al. | A comprehensive overview of digital signal processing methods for voltage disturbance detection and analysis in modern distribution grids with distributed generation | |
CN109711687B (zh) | 一种基于改进熵值法的绝缘子状态模糊评估方法 | |
CN114755581A (zh) | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 | |
CN109188084B (zh) | 电力系统阻抗模型的测辩方法及系统 | |
Khodaparast et al. | Emd-prony for phasor estimation in harmonic and noisy condition | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN113341223B (zh) | 一种适用于电网谐波分析及谐波源定位的方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190927 |
|
WW01 | Invention patent application withdrawn after publication |