CN110907769A - 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 - Google Patents
基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 Download PDFInfo
- Publication number
- CN110907769A CN110907769A CN201911188693.0A CN201911188693A CN110907769A CN 110907769 A CN110907769 A CN 110907769A CN 201911188693 A CN201911188693 A CN 201911188693A CN 110907769 A CN110907769 A CN 110907769A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic signal
- weight vector
- neural network
- defect
- detected
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
Abstract
本申请涉及一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法先进行初步筛选可判断所述待测超声信号是否为局部放电信号。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法通过所述放电类型检测模型能够进一步确定所述待测超声信号属于那一类局部放电类型。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法分布确定缺陷类型,提高了缺陷检测的效率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法。
背景技术
封闭式气体绝缘组合电器是由断路器、隔离开关、接地开关、互感器、避雷器、母线、连接件和出线终端等元件组成的,封闭在金属接地外壳中的高压装置,其一般采用SF6气体作为绝缘和灭弧介质。
封闭式气体绝缘组合电器中的常见缺陷主要包括金属突起物缺陷、金属悬浮电位缺陷、自由金属颗粒缺陷、绝缘子内部气泡缺陷以及绝缘子表面污秽缺陷等。但由于封闭式气体绝缘组合电器是全封闭组合电力设备,一旦出现事故,造成的后果比分离式敞开设备更加严重,故障修复也较为复杂,且其停电范围大,常涉及非故障元件。封闭式气体绝缘组合电器中易引发短路、燃烧或爆炸等事故。对于封闭式气体绝缘组合电器缺陷的检测十分重要。
怎样才能提高封闭式气体绝缘组合电器中的缺陷类型的检测效率是亟待解决的问题。
发明内容
基于此,有必要针对怎样提高封闭式气体绝缘组合电器中的缺陷类型的检测效率的问题,提供一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法。
一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,包括:
采集待测超声信号,并判断所述待测超声信号是否为局部放电信号。
如果所述待测超声信号为局部放电信号,则将所述待测超声信号带入放电类型检测模型,以得到与所述待测超声信号对应的封闭式气体绝缘组合电器的缺陷类型。
在一个实施例中,采集待测超声信号,并判断所述待测超声信号是否为局部放电信号包括:
获取所述待测超声信号的待测幅值。
获取幅值图,所述幅值图包含局部放电区。
将所述待测幅值序列带入所述幅值图中,如果所述待测幅值位于所述局部放电区,则所述待测超声信号为局部放电信号。
在一个实施例中,采集待测超声信号,并判断所述待测超声信号是否为局部放电信号之后,所述缺陷检测方法还包括:
获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型。
在一个实施例中,获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型包括:
所述神经网络包含输入层、竞争层和输出层,分别设定所述输入层、所述竞争层和所述输出层的神经元的个数,设定所述输入层与所述竞争层的第一连接权向量矩阵,设定所述竞争层和所述输出层的第二连接权向量矩阵,设定所述超声信号训练样本的期望输出模式。
获取所述超声信号训练样本,提取所述超声信号训练样本的多个特征值,根据所述多个特征值建立特征矩阵,对所述特征矩阵进行归一化处理。
根据归一化处理后的所述特征矩阵和所述第一连接权向量矩阵,得到所述竞争层中每个神经元的加权输出值。
根据所述竞争层中各个神经元的加权输出值和所述第二连接权向量矩阵,得到所述输出层的每个神经元的加权输出值,并将其作为所述神经元的实际输出值。
在一个实施例中,所述缺陷检测方法还包括:
所述超声信号训练样本为多个,且多个所述超声信号训练样本属于同一类缺陷,分别执行上述步骤。
在一个实施例中,所述缺陷检测方法还包括:
获取多个缺陷类型的多个所述超声信号训练样本,且每个缺陷类型对应多个所述超声信号训练样本,分别执行上述步骤。
在一个实施例中,所述缺陷检测方法还包括执行上述步骤直至训练遍数达到指定次数。
在一个实施例中,在根据所述竞争层中各个神经元的加权输出值和所述第二连接权向量矩阵,得到所述输出层的每个神经元的加权输出值,并将其作为所述神经元的实际输出值之后,所述缺陷检测方法还包括:
修正所述第一连接权向量矩阵。
修正所述第二连接权向量矩阵。
在一个实施例中,修正所述第一连接权向量矩阵包括:
求解与所述特征矩阵距离最近的第一连接权向量,得到待修正的所述第一连接权向量。
对待修正的所述第一连接权向量进行修正,并得到修正后的所述第一连接权向量矩阵。
在一个实施例中,在对待修正的所述第一连接权向量进行修正,并得到修正后的所述第一连接权向量矩阵之后,所述缺陷检测方法还包括
对修正后的所述第一连接权向量矩阵进行归一化处理。
在一个实施例中,修正所述第二连接权向量矩阵包括:
求解与所述竞争层加权输出最大的神经元对应的第二连接权向量,得到待修正的所述第二连接权向量。
对待修正的所述第二连接权向量进行修正,并得到修正后的所述第二连接权向量矩阵。
本申请实施例提供的所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法包括采集待测超声信号,并判断所述待测超声信号是否为局部放电信号。如果所述待测超声信号为局部放电信号,则将所述待测超声信号带入放电类型检测模型,以得到与所述待测超声信号对应的封闭式气体绝缘组合电器的缺陷类型。背景噪声的超声信号的幅值较低。局部放电类型的缺陷的超声信号的幅值较高。
所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法先进行初步筛选可判断所述待测超声信号是否为局部放电信号。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法通过所述放电类型检测模型能够进一步确定所述待测超声信号属于那一类局部放电类型。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法分布确定缺陷类型,提高了缺陷检测的效率。
附图说明
图1为本申请一个实施例中提供的所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法的流程图;
图2为本申请另一个实施例中提供的所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法的流程图;
图3为本申请一个实施例中提供的所述幅值图。
附图标号:
局部放电区201
非局部放电区202
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
请参见图1和图2,本申请实施例提供一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,包括:
S100,采集待测超声信号,并判断所述待测超声信号是否为局部放电信号。
S200,如果所述待测超声信号为局部放电信号,则将所述待测超声信号带入放电类型检测模型,以得到与所述待测超声信号对应的封闭式气体绝缘组合电器的缺陷类型。
本申请实施例提供的所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法先进行初步筛选可判断所述待测超声信号是否为局部放电信号。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法通过所述放电类型检测模型能够进一步确定所述待测超声信号属于那一类局部放电类型。所述基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法分布确定缺陷类型,提高了缺陷检测的效率。
背景噪声的超声信号的幅值较低。局部放电类型的缺陷的超声信号的幅值较高。
请一并参见图3,在一个实施例中,S100包括:
S101,获取所述待测超声信号的待测幅值。
S102,获取幅值图,所述幅值图包含局部放电区201。
S103,将所述待测幅值序列带入所述幅值图中,如果所述待测幅值位于所述局部放电区201,则所述待测超声信号为局部放电信号。
所述幅值图由实际检测中得到的各类缺陷的多个幅值数据,绘制而成。
在一个实施例中,S101包括:
获取外加第一电压下,对应的所述待测超声信号的第一待测幅值。
获取外加第二电压下,对应的所述待测超声信号的第二待测幅值。
将所述第一待测幅值和所述第二待测幅值分别带入所述幅值图。当所述第一待测幅值和所述第二待测幅值对应的点位于所述局部放电区201时,所述待测超声信号为局部放电信号。
在所述幅值图还包括非局部放电区202,所述非局部放电区202与所述局部放电区201互斥。
当所述第一待测幅值和所述第二待测幅值对应的点位于所述非局部放电区202时,所述待测超声信号为背景噪声。
局部放电缺陷的类型为六种。所述局部放电缺陷的类型分别为高压端金属突起物缺陷、接地体金属突起物缺陷、金属悬浮电位缺陷、自由金属颗粒缺陷、绝缘子表面污秽缺陷或绝缘子气隙缺陷。
在一个实施例中,S100之后,所述缺陷检测方法还包括:
S110,获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型。
在一个实施例中,S110包括:
S111,所述神经网络包含输入层、竞争层和输出层,分别设定所述输入层、所述竞争层和所述输出层的神经元的个数,设定所述输入层与所述竞争层的第一连接权向量矩阵,设定所述竞争层和所述输出层的第二连接权向量矩阵,设定所述超声信号训练样本的期望输出模式。
S112,获取所述超声信号训练样本,提取所述超声信号训练样本的多个特征值,根据所述多个特征值建立特征矩阵,对所述特征矩阵进行归一化处理。
S113,根据归一化处理后的所述特征矩阵和所述第一连接权向量矩阵,得到所述竞争层中每个神经元的加权输出值。
S114,根据所述竞争层中各个神经元的加权输出值和所述第二连接权向量矩阵,得到所述输出层的每个神经元的加权输出值,并将其作为所述神经元的实际输出值。
在一个实施例中,输入变量为经过特征选择的15个具有较高可分性的特征值,所以输入层的神经元个数为15。所述竞争层神经元个数为输入层神经元个数的3倍时,识别效果较好,所以竞争层神经元的个数为45。因为有6个缺陷类型,故所述输出层神经元个数为6。所述输出层的期望输出分别为:高压端金属突起物缺陷A(1,0,0,0,0,0)、接地体金属突起物缺陷B(0,1,0,0,0,0)、金属悬浮电位缺陷C(0,0,1,0,0,0)、金属自由颗粒缺陷D(0,0,0,1,0,0)、绝缘子表面污秽缺陷E(0,0,0,0,1,0)和绝缘子气隙缺陷F(0,0,0,0,0,1)。
所述第一连接权向量矩阵和所述第二连接权向量矩阵中的向量的幅值为0至1之间的随机值。并对所述第一连接权向量矩阵和所述第二连接权向量矩阵中的向量进行归一化处理。
在一个实施例中,所述缺陷检测方法还包括:
S115,所述超声信号训练样本为多个,且多个所述超声信号训练样本属于同一类缺陷,分别执行S112至S114。
在一个实施例中,所述缺陷检测方法还包括:
S116,获取多个缺陷类型的多个所述超声信号训练样本,且每个缺陷类型对应多个所述超声信号训练样本,分别执行S115。
在一个实施例中,所述缺陷检测方法还包括执行S116直至训练遍数达到指定次数。
在一个实施例中,在S114之后,所述缺陷检测方法还包括:
S10,修正所述第一连接权向量矩阵。
S20,修正所述第二连接权向量矩阵。
在一个实施例中,S10包括:
S11,求解与所述特征矩阵距离最近的第一连接权向量,得到待修正的所述第一连接权向量。
S12,对待修正的所述第一连接权向量进行修正,并得到修正后的所述第一连接权向量矩阵。
在一个实施例中,S12之后,所述缺陷检测方法还包括
S13,对修正后的所述第一连接权向量矩阵进行归一化处理。
在一个实施例中,S20包括:
S21,求解与所述竞争层加权输出最大的神经元对应的第二连接权向量,得到待修正的所述第二连接权向量。
S22,对待修正的所述第二连接权向量进行修正,并得到修正后的所述第二连接权向量矩阵。
在一个实施例中,具体算法实现的步骤如下:
确定所述输入层有n个神经元。
所述特征矩阵为X=[x1,x2,...,xn]T,将所述特征矩阵X进行归一化处理:
其中,xi表示特征向量。
确定所述竞争层有p个神经元。所述竞争层的输出矩阵为B=[b1,b2,...,bn]T。
确定所述输出层的输出矩阵为Y=[y1,y2,...,yq]T,目标输出向量为O=[o1,o2,...,oq]T。
确定由所述输入层到所述竞争层的所述第一连接权值向量为Wj=[wj1,wj2,...,wjn]T,j=1,2,...,p。
确定由所述竞争层到所述输出层的第二连接权值向量为Vk=[vk1,vk2,...,vkp]T,k=1,2,...,q。
将所述第一连接权值向量进行归一化处理:
求所述竞争层中每个神经元的加权输入和:
求所述第一连接权值向量Wj与X距离最近的向量:
将对所述竞争层的神经元g的输出设定为1,其余神经元输出为0,所述神经元g为与X距离最近的所述第一连接权值向量Wj所对应的神经元,所述神经元g为获胜神经元:
修正所述第一连接权值向量Wg:
Wgi(t+1)=Wgi(t)+α(xi-Wgi(t)),i=1,2,...,n;0<α<1 (6)
其中t表示训练的次数。
归一化所述第一连接权值向量Wg:
求所述输出层各神经元的加权输出,将其作为所述输出层的神经元的实际输出值:
调整所述竞争层中所述获胜神经元g到输出神经元的第二连接权向量Vg,按照下式修正所述竞争层到所述输出层的所述第二连接权向量Vg:
Vkg(t+1)=Vkg(t)+βbj(yk-ok),k=1,2,...,q (9)
式中,0<β<1为学习速率。
重复上述步骤,直到将N个输入模式全部提供给网络。
令t=t+1,将所述特征矩阵重新提供给网络学习,直到t=T。其中T为预先设定的学习总次数,取为500<T<10000。
至此,神经网络函数训练结束。
在一个实施例中,所述缺陷检测方法还包括需要识别的所述超声信号进行特征提取,将经过特征选择的特征参数作为神经网络的输入量进行模式识别。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,包括:
采集待测超声信号,并判断所述待测超声信号是否为局部放电信号;
如果所述待测超声信号为局部放电信号,则将所述待测超声信号带入放电类型检测模型,以得到与所述待测超声信号对应的封闭式气体绝缘组合电器的缺陷类型。
2.如权利要求1所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,采集待测超声信号,并判断所述待测超声信号是否为局部放电信号包括:
获取所述待测超声信号的待测幅值;
获取幅值图,所述幅值图包含局部放电区(201);
将所述待测幅值序列带入所述幅值图中,如果所述待测幅值位于所述局部放电区(201),则所述待测超声信号为局部放电信号。
3.如权利要求1所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型之后,还包括:
获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型。
4.如权利要求1所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,获取超声信号训练样本,通过所述超声信号训练样本对神经网络进行样本训练,得到所述放电类型检测模型包括:
所述神经网络包含输入层、竞争层和输出层,分别设定所述输入层、所述竞争层和所述输出层的神经元的个数,设定所述输入层与所述竞争层的第一连接权向量矩阵,设定所述竞争层和所述输出层的第二连接权向量矩阵,设定所述超声信号训练样本的期望输出模式;
获取所述超声信号训练样本,提取所述超声信号训练样本的多个特征值,根据所述多个特征值建立特征矩阵,对所述特征矩阵进行归一化处理;
根据归一化处理后的所述特征矩阵和所述第一连接权向量矩阵,得到所述竞争层中每个神经元的加权输出值;
根据所述竞争层中各个神经元的加权输出值和所述第二连接权向量矩阵,得到所述输出层的每个神经元的加权输出值,并将其作为所述神经元的实际输出值。
5.如权利要求4所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,还包括:
所述超声信号训练样本为多个,且多个所述超声信号训练样本属于同一类缺陷,分别执行上述步骤。
6.如权利要求5所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,还包括:
获取多个缺陷类型的多个所述超声信号训练样本,且每个缺陷类型对应多个所述超声信号训练样本,分别执行上述步骤。
7.如权利要求6所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,执行上述步骤直至训练遍数达到指定次数。
8.如权利要求6所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,在根据所述竞争层中各个神经元的加权输出值和所述第二连接权向量矩阵,得到所述输出层的每个神经元的加权输出值,并将其作为所述神经元的实际输出值之后,还包括:
修正所述第一连接权向量矩阵;
修正所述第二连接权向量矩阵。
9.如权利要求8所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,修正所述第一连接权向量矩阵包括:
求解与所述特征矩阵距离最近的第一连接权向量,得到待修正的所述第一连接权向量;
对待修正的所述第一连接权向量进行修正,并得到修正后的所述第一连接权向量矩阵。
10.如权利要求9所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,对待修正的所述第一连接权向量进行修正,并得到修正后的所述第一连接权向量矩阵之后,所述缺陷检测方法还包括
对修正后的所述第一连接权向量矩阵进行归一化处理。
11.如权利要求8所述的基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法,其特征在于,修正所述第二连接权向量矩阵包括:
求解与所述竞争层加权输出最大的神经元对应的第二连接权向量,得到待修正的所述第二连接权向量;
对待修正的所述第二连接权向量进行修正,并得到修正后的所述第二连接权向量矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188693.0A CN110907769A (zh) | 2019-11-28 | 2019-11-28 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188693.0A CN110907769A (zh) | 2019-11-28 | 2019-11-28 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110907769A true CN110907769A (zh) | 2020-03-24 |
Family
ID=69819921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911188693.0A Pending CN110907769A (zh) | 2019-11-28 | 2019-11-28 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907769A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723917A (zh) * | 2024-02-07 | 2024-03-19 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117723917B (zh) * | 2024-02-07 | 2024-05-03 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539527A (zh) * | 2010-12-27 | 2012-07-04 | 湖北省电力试验研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
CN102735999A (zh) * | 2012-07-02 | 2012-10-17 | 山东电力集团公司电力科学研究院 | Gis局部放电在线监测系统及其故障模式识别方法 |
CN103267932A (zh) * | 2013-04-25 | 2013-08-28 | 国家电网公司 | 一种gis局部放电检测系统及方法 |
CN103558519A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 一种gis局部放电超声波信号识别方法 |
CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
CN105388400A (zh) * | 2014-08-29 | 2016-03-09 | Ls产电株式会社 | 用于气体绝缘开关设备的局部放电故障分析的系统 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN107390097A (zh) * | 2017-07-17 | 2017-11-24 | 天津科技大学 | 一种gis声电联合局部放电仿真检测系统及其检测方法 |
CN108732477A (zh) * | 2018-08-31 | 2018-11-02 | 国网河南省电力公司镇平县供电公司 | 一种基于电力无线通信的配电网主设备带电检测的系统和方法 |
CN109031070A (zh) * | 2018-08-17 | 2018-12-18 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于w5500以太网通信的开关柜局部放电在线监测系统及其监测方法 |
CN109145961A (zh) * | 2018-07-30 | 2019-01-04 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及系统 |
CN208477061U (zh) * | 2018-05-22 | 2019-02-05 | 上海宝钢工业技术服务有限公司 | 高压开关柜局部放电监测系统 |
-
2019
- 2019-11-28 CN CN201911188693.0A patent/CN110907769A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539527A (zh) * | 2010-12-27 | 2012-07-04 | 湖北省电力试验研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
CN102735999A (zh) * | 2012-07-02 | 2012-10-17 | 山东电力集团公司电力科学研究院 | Gis局部放电在线监测系统及其故障模式识别方法 |
CN103267932A (zh) * | 2013-04-25 | 2013-08-28 | 国家电网公司 | 一种gis局部放电检测系统及方法 |
CN103558519A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 一种gis局部放电超声波信号识别方法 |
CN105388400A (zh) * | 2014-08-29 | 2016-03-09 | Ls产电株式会社 | 用于气体绝缘开关设备的局部放电故障分析的系统 |
CN105044566A (zh) * | 2015-06-25 | 2015-11-11 | 国家电网公司 | 一种基于特征超高频信号的gis局部放电故障检测方法 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN107390097A (zh) * | 2017-07-17 | 2017-11-24 | 天津科技大学 | 一种gis声电联合局部放电仿真检测系统及其检测方法 |
CN208477061U (zh) * | 2018-05-22 | 2019-02-05 | 上海宝钢工业技术服务有限公司 | 高压开关柜局部放电监测系统 |
CN109145961A (zh) * | 2018-07-30 | 2019-01-04 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及系统 |
CN109031070A (zh) * | 2018-08-17 | 2018-12-18 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于w5500以太网通信的开关柜局部放电在线监测系统及其监测方法 |
CN108732477A (zh) * | 2018-08-31 | 2018-11-02 | 国网河南省电力公司镇平县供电公司 | 一种基于电力无线通信的配电网主设备带电检测的系统和方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723917A (zh) * | 2024-02-07 | 2024-03-19 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117723917B (zh) * | 2024-02-07 | 2024-05-03 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Separating multi-source partial discharge signals using linear prediction analysis and isolation forest algorithm | |
CN109975656B (zh) | 基于柔性直流配电网高阻接地故障检测方法 | |
CN112362987B (zh) | 一种基于稳健估计的避雷器故障诊断方法 | |
Chang et al. | Wire mismatch detection using a convolutional neural network and fault localization based on time–frequency-domain reflectometry | |
CN109029960B (zh) | 一种断路器机械状态检测方法 | |
KR102295214B1 (ko) | 고주파 전류센서를 이용한 배전반의 부분방전 검출 진단 시스템 | |
Firuzi et al. | A novel method for differentiating and clustering multiple partial discharge sources using S transform and bag of words feature | |
CN107561407B (zh) | 一种分布式的变电站接地网检测和评估方法 | |
JP3058564B2 (ja) | 送電線故障区間及び故障様相の評定方法 | |
CN112816838B (zh) | 基于fft、vmd和ls-svm的gis设备缺陷诊断装置及方法 | |
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 | |
Wei et al. | Fault detection based on the generalized S-transform with a variable factor for resonant grounding distribution networks | |
KR102377939B1 (ko) | Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템 | |
CN110907769A (zh) | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 | |
Hashim et al. | Investigation of features extraction condition for impedance-based fault location in transmission lines | |
CN110212503B (zh) | 一种适用于小电阻接地系统的高阻接地保护方法 | |
CN109375037A (zh) | 一种中压船舶电力系统单相接地故障报警器设计方法 | |
CN112710923A (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
CN110988606B (zh) | 基于锐化处理的小电流接地故障选线方法 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN115656806A (zh) | 一种关联于物体表面积的隔离开关监测方法 | |
CN114782699A (zh) | 一种基于运动变形振型ods的变压器机械故障诊断方法 | |
CN115640732A (zh) | 一种基于磁场分布的配电网电弧故障定位方法 | |
CN114019296A (zh) | 一种基于bp神经网络的配电线路接地故障辨识方法 | |
CN114355125A (zh) | 基于电场分析的输电电缆缺陷判断装置及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |