CN110954810A - 一种10kV高压断路器健康水平诊断方法 - Google Patents
一种10kV高压断路器健康水平诊断方法 Download PDFInfo
- Publication number
- CN110954810A CN110954810A CN201911084021.5A CN201911084021A CN110954810A CN 110954810 A CN110954810 A CN 110954810A CN 201911084021 A CN201911084021 A CN 201911084021A CN 110954810 A CN110954810 A CN 110954810A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- matrix
- voltage circuit
- health level
- characteristic
- 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
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
- G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Protection Circuit Devices (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
- Breakers (AREA)
Abstract
本发明提供一种10kV高压断路器健康水平诊断方法,包括:构建10kV高压断路器健康水平特征集;构建10kV高压断路器健康水平高维随机矩阵;根据高维随机矩阵谱分布理论,计算10kV高压断路器健康水平高维随机矩阵样本协方差阵的极限谱密度分布函数、特征根分布及平均谱分布;利用实时分离窗和平均谱半径分布进行10kV高压断路器健康水平与故障特征的时变非线性关系分析;利用增广矩阵法进行10kV高压断路器故障相关因子识别;依据MP律、圆环率及平均谱半径这三个异常状态检测判据,提出10kV高压断路器健康水平综合指标,进行多参数、不同相关性因子下的10kV高压断路器健康水平诊断。
Description
技术领域
本发明涉及输配电设备状态评估与故障诊断领域,更具体地,涉及一种10kV 高压断路器健康水平诊断方法。
背景技术
10kV高压断路器是由灭弧室、操动机构等多个设备组合而成,是电力系统 中最复杂的电力设备之一,涉及电、磁、力学等多个方面,高压断路器健康水平 是机械特性、电气特性及绝缘特性等多种特征参量共同影响的结果,且其状态变 量与故障特征变量之间存在复杂的时变非线性映射关系。目前,断路器健康水平 及故障诊断方面研究较为广泛,主要现状及问题总结如下:
(1)在断路器健康水平状态评估方面,突变理论、层次分析与熵权法及模 糊推理等多层次模糊综合评估法已被有效验证,但是其评估指标的权重及隶属度 获取存在较高的人为主观性,难以真实客观地反映断路器健康水平状态;
(2)在断路器故障诊断方面,主要集中于机械特性、电气特性及绝缘特性某 一方面的故障方法研究,如利用经验模态分解、支持向量机等方法对单一或少数 机械特征参量进行断路器机械故障诊断分析,鲜有对机械特性、绝缘特性及电气 特性等多种故障特征参量综合分析的研究,因此,分析结果较为片面,无法全面 反映断路器故障与表现特征之间的客观规律;
(3)目前10kV高压断路器试验数据较为分散,历次试验数据缺乏关联性分析, 试验数据未得到充分利用与挖掘,因此有必要实现历次试验数据关联性分析及对 断路器健康水平进行分析与判断。
发明内容
本发明提供一种10kV高压断路器健康水平诊断方法,该方法实现高压断路 器健康水平准确可靠的判断。
为了达到上述技术效果,本发明的技术方案如下:
一种10kV高压断路器健康水平诊断方法,包括以下步骤:
步骤S1:基于10kV高压断路器横向和纵向的多层面历史数据,针对高压 断路器机械特性、电气特性及绝缘特性进行特征量提取,构建10kV高压断路器 健康水平特征集;
所述的机械特性对应的特征量主要包括断路器的分闸时间、合闸时间,分、 合闸的同期性,触头开距,分、合闸弹跳时间,分、合闸弹跳次数,分、合闸速 度;电气特性对应的特征参量主要包括导电回路电阻,操动机构合闸接触器和分、 合闸电磁铁的最低动作电压,分、合闸测试时的线圈电流;绝缘特性主要包括绝 缘电阻、交流耐压泄漏电流值;以上特征量值通过10kV高压断路器设备验收试 验、预防性试验以及运维检修试验获取,可以为10kV高压断路器横向和纵向的 多层面历史数据及当前试验数据。
所述的10kV高压断路器健康水平特性集见表1。
表1 10kV高压断路器健康水平特性集
步骤S2:根据10kV高压断路器健康水平特征集,构建10kV高压断路器健 康水平高维随机矩阵,包含以下步骤:
S2.1构建断路器健康水平矩阵表。针对某一被试10kV高压断路器,将其机 械特性、电气特性等多种特征参量按照时间顺序进行排列,以挖掘各种特征参量 与该断路器健康水平之间变化关系,对应矩阵参数表见表2,即
表2断路器健康水平矩阵参数表
表中,每一列数据对应相同的采样(或试验)时刻,每一行对应相同的参量。
S2.2试验数据标准化处理。目的是去量纲化和数值归一化,使各个断路器 特征参量具有可比性。对于N个断路器特征参量,每个特征参量对应一个时间 序列向量对其按照下式进行归一化处理,即 可得到均值为0,方差为1的时间序列向量xi,j,即
S2.3 10kV高压断路器健康水平高维随机矩阵构建及重构。根据各特征参量 对应的归一化时间序列向量,初步构建10kV高压断路器健康水平矩阵为
则将矩阵XN×M转化为重构的高维矩阵X'(kN)×(M/k),其行列比为 c=Nk2/M。
步骤S3:步骤S3:根据高维随机矩阵谱分布理论,计算10kV高压断路器 健康水平高维随机矩阵样本协方差阵的极限谱密度分布函数、特征根分布及平均 谱分布;
所述的10kV高压断路器健康水平高维随机矩阵样本协方差阵的极限谱分布 函数为
所述的平均谱半径(MSR)表示在复平面内随机矩阵的所有特征值距离中 心原点距离的平均值,由下式计算得到
式中,λi(i=1,2,…,N)为矩阵X的所有特征值,N为矩阵特征值的个数,|λi| 是λi在复平面上的分布半径。
步骤S4:利用实时分离窗和平均谱半径分布进行10kV高压断路器健康水平 与故障特征的时变非线性关系分析;
所述的实时分离窗窗口长度为N,宽度为T,由当前采集i时刻及其历史采 样时刻(T-1)的数据构成矩阵为
XN×T=[x(ti-T+1)...x(ti)] (6)
式中,x(ti)为采样时刻ti的数据向量。时间窗口滑动到i时刻截取的N个状态变 量形成了具有时空特性的随机矩阵,其具体对应形式见表4。
表4高压断路器健康水平实时分离窗矩阵
步骤S5:利用增广矩阵法进行10kV高压断路器故障相关因子识别;
具体步骤包括:
S5.1构建增广矩阵,设有n个参数,m个影响因素,在任意一个研究时间点 ti,均有影响因素向量ci∈C1×t(i=1、2....m)和状态数据矩阵M'∈Cn×t,将影响因素 向量ci复制k次,(k≤n)得到Di,即
引入白噪声矩阵Ek×t,得到影响因素矩阵Ci如下,即
Ci=Di+mEk×t (8)
式中,m是白噪声的幅值;
增广矩阵Ai由每个影响因素矩阵Ci与状态数据矩阵M'组合而成,即
S5.2构建对比矩阵,对比矩阵ANi由状态数据矩阵M'与白噪声矩阵Ek×t组合 而成,即
S5.3分别对增广矩阵Ai和对比矩阵ANi进行预处理、奇异化处理、求平均谱 半径MSR;
S5.4对比增广矩阵和对比矩阵MSR差值的变化来判断各个影响因素和状态 数据矩阵的关联性,d=KNMSR-KMSR为对比矩阵和增广矩阵的平均谱半径差值,d 越大,关联性越强,即故障相关性越强。
步骤S6:依据MP律、圆环率及平均谱半径分布这三个异常状态检测判据, 提出10kV高压断路器健康水平综合指标,进行多参数、不同相关性因子下的 10kV高压断路器健康水平诊断;
所述的基于MP律的异常状态检测指标如下,即
由断路器当前数据样本协方差极限谱分布函数f1(x)与标准MP律函数f2(x) 的差异程度v作为定量评估判据,差异程度v越大,表明高压断路器故障程度越 高,健康水平越低;
差异程度v计算如下,即
式中,c=min(c1,c2),d=max(d1,d2)。
所述的基于圆环率的异常状态检测指标如下,即
以复平面上的圆环外特征根占比μ作为判据,μ越大,断路器故障程度越高, 健康水平越低。圆环外特征根占比μ定义为
式中,P0表示复平面上落在圆环外的特征根个数,P为特征根的总个数。
所述的基于平均谱半径的异常状态检测指标如下,即
以平均谱半径KMSR与内圆半径r0间的差值k作为判据,k=r0-KMSR,k越 大,断路器故障程度越高,健康水平越低。
所述的高压断路器健康水平综合指标如下,即
基于MP律、圆环率及平均谱半径的异常状态检测指标,得到10kV高压断 路器的综合健康水平指标h,h越高,断路器健康水平越高,h计算如下,即
式中,k0是断路器健康水平系数,根据断路器实际情况确定;v为MP律的 异常状态检测指标;μ为基于圆环率的异常状态检测指标;k为基于平均谱半径 的异常状态检测指标。
与现有技术相比,本发明技术方案的有益效果是:
(1)10kV高压断路器健康水平综合指标首创。依据高维随机矩阵的MP律、 圆环率及平均谱半径分布这三个异常状态检测判据,首次提出10kV高压断路器 健康水平综合指标,为多参数、不同相关性因子下的10kV高压断路器健康水平 诊断提供一个新方法。
(2)客观性更强。完全从数据的角度出发,构建基于高维随机矩阵的10kV 高压断路器健康水平特征集,根据高维随机矩阵谱分布理论客观反映10kV高压 断路器健康水平,避免传统多层次模糊综合评估法的主观性;
(3)全面性更强。对10kV高压断路器机械特性、绝缘特性及电气特性等 多种故障特征参量进行综合分析,全面反映断路器健康水平与各特征参量之间的 客观规律,克服了传统单一或少数参量分析结果片面性;
(4)数据充分挖掘。对大量的设备故障缺陷历史数据进行充分利用与挖掘, 对历次试验数据进行关联性分析,获取状态变量与故障特征变量之间复杂的时变 非线性映射关系。
附图说明
图1是本发明的方法流程图;
图2是10kV高压断路器健康水平的平均谱分布;其中,图(a)为健康状态, 图(b)为故障状态;
图3为10kV高压断路器健康水平矩阵的圆环率图;其中,图(a)为健康状 态,图(b)为故障状态。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实 际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理 解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种10kV高压断路器健康水平诊断方法,包括以下步骤:
步骤S1:基于10kV高压断路器横向和纵向的多层面历史数据,针对高压 断路器机械特性、电气特性及绝缘特性进行特征量提取,构建10kV高压断路器 健康水平特征集;
所述的机械特性对应的特征量主要包括断路器的分闸时间、合闸时间,分、 合闸的同期性,触头开距,分、合闸弹跳时间,分、合闸弹跳次数,分、合闸速 度;电气特性对应的特征参量主要包括导电回路电阻,操动机构合闸接触器和分、 合闸电磁铁的最低动作电压,分、合闸测试时的线圈电流;绝缘特性主要包括绝 缘电阻、交流耐压泄漏电流值;以上特征量值通过10kV高压断路器设备验收试 验、预防性试验以及运维检修试验获取,可以为10kV高压断路器横向和纵向的 多层面历史数据及当前试验数据。
所述的10kV高压断路器健康水平特性集见表1。
表1 10kV高压断路器健康水平特性集
步骤S2:根据10kV高压断路器健康水平特征集,构建10kV高压断路器健 康水平高维随机矩阵,包含以下步骤:
S2.1构建断路器健康水平矩阵表。针对某一被试10kV高压断路器,将其机 械特性、电气特性等多种特征参量按照时间顺序进行排列,以挖掘各种特征参量 与该断路器健康水平之间变化关系,对应矩阵参数表见表2,即
表2断路器健康水平矩阵参数表
表中,每一列数据对应相同的采样(或试验)时刻,每一行对应相同的参量。
S2.2试验数据标准化处理。目的是去量纲化和数值归一化,使各个断路器 特征参量具有可比性。对于N个断路器特征参量,每个特征参量对应一个时间 序列向量对其按照下式进行归一化处理,即 可得到均值为0,方差为1的时间序列向量xi,j,即
S2.3 10kV高压断路器健康水平高维随机矩阵构建及重构。根据各特征参量 对应的归一化时间序列向量,初步构建10kV高压断路器健康水平矩阵为
则将矩阵XN×M转化为重构的高维矩阵X'(kN)×(M/k),其行列比为 c=Nk2/M。
步骤S3:根据高维随机矩阵谱分布理论,计算10kV高压断路器健康水平高 维随机矩阵样本协方差阵的极限谱密度分布函数、特征根分布及平均谱分布;
所述的10kV高压断路器健康水平高维随机矩阵样本协方差阵的极限谱分布 函数为
所述的平均谱半径(MSR)表示在复平面内随机矩阵的所有特征值距离中 心原点距离的平均值,由下式计算得到
式中,λi(i=1,2,…,N)为矩阵X的所有特征值,N为矩阵特征值的个数,|λi| 是λi在复平面上的分布半径。
步骤S4:利用实时分离窗和平均谱半径分布进行10kV高压断路器健康水平 与故障特征的时变非线性关系分析;
所述的实时分离窗窗口长度为N,宽度为T,由当前采集i时刻及其历史采 样时刻(T-1)的数据构成矩阵为
XN×T=[x(ti-T+1)...x(ti)] (6)
式中,x(ti)为采样时刻ti的数据向量。时间窗口滑动到i时刻截取的N个状态变 量形成了具有时空特性的随机矩阵,其具体对应形式见表4。
表4高压断路器健康水平实时分离窗矩阵
将实时分离窗理论和平均谱半径相结合,可以在每次进行试验或者采集断 路器运行参数时求出相应的平均谱半径,并用平均谱半径分布表征断路器的健康 水平与故障特征的时变非线性关系,具体高压断路器健康水平矩阵的平均谱半径 分布如图2所示。其中,(a)为健康状态,(b)为故障状态。由图2可见,高 压断路器处于健康状态时,健康水平矩阵的平均谱半径不会跌落,仅有微小的波 动,而高压断路器出现故障或健康状态下降时,平均谱半径会有明显的跌落,故 障的程度越高或者健康水平越低,平均谱半径跌落的程度越大。且平均谱半径开 始跌落的时刻即为断路器健康状态开始下降的时刻。
步骤S5:利用增广矩阵法进行10kV高压断路器故障相关因子识别;
具体步骤包括:
S5.1构建增广矩阵,设有n个参数,m个影响因素,在任意一个研究时间点 ti,均有影响因素向量ci∈C1×t(i=1、2....m)和状态数据矩阵M'∈Cn×t,将影响因素 向量ci复制k次,(k≤n)得到Di,即
引入白噪声矩阵Ek×t,得到影响因素矩阵Ci如下,即
Ci=Di+mEk×t (8)
式中,m是白噪声的幅值;
增广矩阵Ai由每个影响因素矩阵Ci与状态数据矩阵M'组合而成,即
S5.2构建对比矩阵,对比矩阵ANi由状态数据矩阵M'与白噪声矩阵Ek×t组合 而成,即
S5.3分别对增广矩阵Ai和对比矩阵ANi进行预处理、奇异化处理、求平均谱 半径MSR;
S5.4对比增广矩阵和对比矩阵MSR差值的变化来判断各个影响因素和状态 数据矩阵的关联性,d=KNMSR-KMSR为对比矩阵和增广矩阵的平均谱半径差值,d 越大,关联性越强,即故障相关性越强。
步骤S6:依据MP律、圆环率及平均谱半径分布这三个异常状态检测判据, 提出10kV高压断路器健康水平综合指标,进行多参数、不同相关性因子下的 10kV高压断路器健康水平诊断;
基于MP律的异常状态检测指标如下,即
由断路器当前数据样本协方差极限谱分布函数f1(x)与标准MP律函数f2(x) 的差异程度v作为定量评估判据,差异程度v越大,表明高压断路器故障程度越 高,健康水平越低;
差异程度v计算如下,即
式中,c=min(c1,c2),d=max(d1,d2)。
基于圆环率的异常状态检测指标如下,即
以复平面上的圆环外特征根占比μ作为判据,μ越大,断路器故障程度越高, 健康水平越低。圆环外特征根占比μ定义为
式中,P0表示复平面上落在圆环外的特征根个数,P为特征根的总个数。
图3为10kV高压断路器健康水平的圆环率图;其中,图(a)为健康状态, 图(b)为故障状态。对于特定行列比的高维随机矩阵,其在圆环率中对应的内 环和外环的半径是确定的,外环半径为1,内环半径和行列之比有关。当断路器 处于健康水平时,健康水平矩阵中的元素符合独立同分布条件,映射至复平面时, 其特征值将在内环和外环之间,如图3(a)所示;而断路器健康水平下降或者 出现故障时,健康水平矩阵中的元素之间将产生关联性,不再符合独立同分布条 件,因此其特征值的分布将落入内环内,如图3(b)所示,落入内环内的特征 值越多,圆环外特征根占比越大,表征健康水平越低,故障程度越严重。
基于平均谱半径的异常状态检测指标如下,即
以平均谱半径KMSR与内圆半径r0间的差值k作为判据,k=r0-KMSR,k越 大,平均谱半径跌落的程度越大,断路器故障程度越高,健康水平越低。
高压断路器健康水平综合指标如下,即
基于MP律、圆环率及平均谱半径的异常状态检测指标,得到10kV高压断 路器的综合健康水平指标h,h越高,断路器健康水平越高,h计算如下,即
式中,k0是断路器健康水平系数,根据断路器实际情况确定;v为MP律的 异常状态检测指标;μ为基于圆环率的异常状态检测指标;k为基于平均谱半径 的异常状态检测指标。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种10kV高压断路器健康水平诊断方法,其特征在于,包括以下步骤:
S1:基于10kV高压断路器横向和纵向的多层面历史数据,针对高压断路器机械特性、电气特性及绝缘特性进行特征量提取,构建10kV高压断路器健康水平特征集;
S2:根据10kV高压断路器健康水平特征集,构建10kV高压断路器健康水平高维随机矩阵;
S3:根据高维随机矩阵谱分布理论,计算10kV高压断路器健康水平高维随机矩阵样本协方差阵的极限谱密度分布函数、特征根分布及平均谱分布;
S4:利用实时分离窗和平均谱半径分布进行10kV高压断路器健康水平与故障特征的时变非线性关系分析;
S5:利用增广矩阵法进行10kV高压断路器故障相关因子识别;
S6:依据MP律、圆环率及平均谱半径分布这三个异常状态检测判据,提出10kV高压断路器健康水平综合指标,进行多参数、不同相关性因子下的10kV高压断路器健康水平诊断。
2.根据权利要求1所述的10kV高压断路器健康水平诊断方法,其特征在于:步骤S1中,所述的机械特性对应的特征量主要包括断路器的分闸时间、合闸时间,分、合闸的同期性,触头开距,分、合闸弹跳时间,分、合闸弹跳次数,分、合闸速度;电气特性对应的特征参量主要包括导电回路电阻,操动机构合闸接触器和分、合闸电磁铁的最低动作电压,分、合闸测试时的线圈电流;绝缘特性主要包括绝缘电阻、交流耐压泄漏电流值;以上特征量值通过10kV高压断路器设备验收试验、预防性试验以及运维检修试验获取,可以为10kV高压断路器横向和纵向的多层面历史数据及当前试验数据;
所述的10kV高压断路器健康水平特性集见表1:
表1 10kV高压断路器健康水平特性集
3.根据权利要求2所述的10kV高压断路器健康水平诊断方法,其特征在于:步骤S2中构建10kV高压断路器健康水平高维随机矩阵包含以下步骤:
S2.1:构建断路器健康水平矩阵表,针对某一被试10kV高压断路器,将其机械特性、电气特性等多种特征参量根据照时间顺序进行排列,以挖掘各种特征参量与该断路器健康水平之间变化关系,对应矩阵参数表见表2,即
表2断路器健康水平矩阵参数表
表中,每一列数据对应相同的采样(或试验)时刻,每一行对应相同的参量;
S2.2:试验数据标准化处理,目的是去量纲化和数值归一化,使各个断路器特征参量具有可比性,对于N个断路器特征参量,每个特征参量对应一个时间序列向量j=1,2,…M,i=1,2,…,N,对其根据照下式进行归一化处理,即可得到均值为0,方差为1的时间序列向量xi,j,即
S2.3 10kV高压断路器健康水平高维随机矩阵构建及重构,根据各特征参量对应的归一化时间序列向量,初步构建10kV高压断路器健康水平矩阵为:
则将矩阵XN×M转化为重构的高维矩阵X′(kN)×(M/k),其行列比为c=Nk2/M。
6.根据权利要求5所述的10kV高压断路器健康水平诊断方法,其特征在于,步骤S5中,增广矩阵法识别10kV高压断路器故障相关因子步骤包括:
S5.1构建增广矩阵,设有n个参数,m个影响因素,在任意一个研究时间点ti,均有影响因素向量ci∈C1×t(i=1、2....m)和状态数据矩阵M'∈Cn×t,将影响因素向量ci复制k次,(k≤n)得到Di,即
引入白噪声矩阵Ek×t,得到影响因素矩阵Ci如下,即
Ci=Di+mEk×t (8)
式中,m是白噪声的幅值;
增广矩阵Ai由每个影响因素矩阵Ci与状态数据矩阵M'组合而成,即
S5.2构建对比矩阵,对比矩阵ANi由状态数据矩阵M'与白噪声矩阵Ek×t组合而成,即
S5.3分别对增广矩阵Ai和对比矩阵ANi进行预处理、奇异化处理、求平均谱半径MSR;
S5.4对比增广矩阵和对比矩阵MSR差值的变化来判断各个影响因素和状态数据矩阵的关联性,d=KNMSR-KMSR为对比矩阵和增广矩阵的平均谱半径差值,d越大,关联性越强,即故障相关性越强。
10.根据权利要求9所述的10kV高压断路器健康水平诊断方法,其特征在于,步骤S6中,所述的基于平均谱半径的异常状态检测指标如下,即以平均谱半径KMSR与内圆半径r0间的差值k作为判据,k=r0-KMSR,k越大,断路器故障程度越高,健康水平越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084021.5A CN110954810B (zh) | 2019-11-07 | 2019-11-07 | 一种10kV高压断路器健康水平诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084021.5A CN110954810B (zh) | 2019-11-07 | 2019-11-07 | 一种10kV高压断路器健康水平诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954810A true CN110954810A (zh) | 2020-04-03 |
CN110954810B CN110954810B (zh) | 2022-02-18 |
Family
ID=69976791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084021.5A Active CN110954810B (zh) | 2019-11-07 | 2019-11-07 | 一种10kV高压断路器健康水平诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110954810B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230140A (zh) * | 2020-12-17 | 2021-01-15 | 广东电网有限责任公司佛山供电局 | 一种10kV高压断路器智能测试装置 |
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
CN106022529A (zh) * | 2016-05-26 | 2016-10-12 | 中国电力科学研究院 | 一种基于高维随机矩阵的配电网异常数据检测方法 |
CN107093904A (zh) * | 2016-02-18 | 2017-08-25 | 中国电力科学研究院 | 基于随机矩阵谱分析的配电网无功补偿动作点选取方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
-
2019
- 2019-11-07 CN CN201911084021.5A patent/CN110954810B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
CN107093904A (zh) * | 2016-02-18 | 2017-08-25 | 中国电力科学研究院 | 基于随机矩阵谱分析的配电网无功补偿动作点选取方法 |
CN106022529A (zh) * | 2016-05-26 | 2016-10-12 | 中国电力科学研究院 | 一种基于高维随机矩阵的配电网异常数据检测方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
Non-Patent Citations (2)
Title |
---|
程含渺等: ""基于高维随机矩阵的系统状态评估方法研究"", 《电力工程技术》 * |
陈伟彪: ""基于多维信息的电力系统故障诊断方法研究"", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230140A (zh) * | 2020-12-17 | 2021-01-15 | 广东电网有限责任公司佛山供电局 | 一种10kV高压断路器智能测试装置 |
CN112230140B (zh) * | 2020-12-17 | 2021-04-02 | 广东电网有限责任公司佛山供电局 | 一种10kV高压断路器智能测试装置 |
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
CN113361607B (zh) * | 2021-06-08 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110954810B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dukarm | Transformer oil diagnosis using fuzzy logic and neural networks | |
CN110954810B (zh) | 一种10kV高压断路器健康水平诊断方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN103576050A (zh) | 一种电容式电压互感器的运行状态评估方法 | |
Khoddam et al. | Performance evaluation of circuit breaker electrical contact based on dynamic resistance signature and using health index | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
Gouda et al. | Enhancing the diagnostic accuracy of DGA techniques based on IEC-TC10 and related databases | |
CN108629528A (zh) | 基于Apriori算法的配电变压器质量问题分析方法 | |
Ramirez et al. | Alarms management by supervisory control and data acquisition system for wind turbines | |
CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
Khalyasmaa et al. | Fuzzy neural networks' application for substation integral state assessment | |
CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
Setiawan et al. | An approach of the analytic hierarchy process to acquire the weighting factor of high voltage circuit breaker health index | |
Song et al. | Comprehensive evaluation of the transformer oil-paper insulation state based on RF-combination weighting and an improved TOPSIS method | |
Jamshed et al. | Random forest classifier based dissolved gas analysis for identification of power transformer faults using gas ratio data | |
Izzularab et al. | On-line diagnosis of incipient faults and cellulose degradation based on artificial intelligence methods | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
Patil et al. | DGA Based Ensemble learning and Random Forest Models for Condition Assessment of Transformers | |
Bian et al. | A Novel Dynamic Weight Allocation Method for Assessing the Health Status of Remote Terminal Unit in Distribution Automation System Based on AHM and GRA | |
CN114019365A (zh) | 一种基于油中气体检测技术的有载分接开关故障诊断方法 | |
Jaiswal et al. | A review of diagnostic tests and condition monitoring techniques for improving the reliability of power transformers | |
Li et al. | Nonparametric kernel density estimation model of transformer health based on dissolved gases in oil |
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 |