CN111175626A - 一种开关柜绝缘状态异常检测方法 - Google Patents
一种开关柜绝缘状态异常检测方法 Download PDFInfo
- Publication number
- CN111175626A CN111175626A CN202010200457.2A CN202010200457A CN111175626A CN 111175626 A CN111175626 A CN 111175626A CN 202010200457 A CN202010200457 A CN 202010200457A CN 111175626 A CN111175626 A CN 111175626A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- representing
- calculating
- tev
- amplitude deviation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 43
- 238000009413 insulation Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G01R31/1209—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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种开关柜绝缘状态异常检测方法,包括将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库;采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库;计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测。本发明在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题,可实现开关柜局部放电的快速异常检测。
Description
技术领域
本发明涉及开关柜绝缘状态异常检测技术领域,尤其涉及一种开关柜绝缘状态异常检测方法。
背景技术
为满足急速增长的电力需求,我国的电网规模日益扩大,电力系统对电力设备的运行可靠性要求也越来越高,对电力设备的状态检测、评价与运维有着更高的要求。日常对各地区的各开闭所、环网柜以及分支箱的统计中,大量的开关柜处于平稳运行之中,绝缘劣化的样本点会以异常点的形式出现。而通过异常点检测进行快速识别,能对小规模样本点的异常数据有良好的识别能力,便于运维人员快速发现异常数据并采取进一步的快速措施。
目前对开关柜绝缘状态进行评估的研究特征量较单一,缺乏对开关柜绝缘状态进行全面的数据信息挖掘分析;而且引入多特征量后没有解决数据冗余的问题,导致计算时间过长;此外,采用聚类离群算法对绝缘状态进行异常检测,簇的选择具有较强的主观性,未考虑簇密度的不同,容易出现输出错误异常检测结果的情况。
发明内容
本发明提供一种开关柜绝缘状态异常检测方法,以解决现有技术的不足。
为实现上述目的,本发明提供以下的技术方案:
一种开关柜绝缘状态异常检测方法,所述方法包括:
将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库;
采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库;
计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测。
进一步地,所述开关柜绝缘状态异常检测方法中,所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值;
所述多维特征包括寿命系数和局放程度量化指标;所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
进一步地,所述开关柜绝缘状态异常检测方法中,所述将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库的步骤包括:
将带电检测数据中的运行年限按照如下公式量化为寿命系数:
Lk=(100-l×0.5)/100;
其中,Lk为第k(k=1,2,…,n)台开关柜的寿命系数,l为开关柜投入的运行年限;
按照如下公式计算TEV幅值偏差量:
T=(To-TB)/To;
其中,To表示TEV幅值检测值,TB表示TEV背景值,T表示TEV幅值偏差量;
按照如下公式计算超声幅值偏差量:
S=(So-SB)/So;
其中,So表示超声幅值检测值,SB表示超声背景值,S表示超声幅值偏差量;
按照如下公式求所述TEV幅值偏差量的离散度:
按照如下公式求所述超声幅值偏差量离散度:
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
按照如下公式求所述TEV幅值偏差量的最大波动率:
按照如下公式求所述超声幅值偏差量的最大波动率:
建立多维特征初始数据库:
进一步地,所述开关柜绝缘状态异常检测方法中,所述采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库的步骤包括:
计算开关柜多维特征的相关系数矩阵R:
计算所述相关系数矩阵R的特征值:
(i=1,2,…,n;j=1,2,…,7)
分别计算矩阵R的特征值(λ1,λ2,…,λp)与特征向量:
ai=(ai1,ai2,…,aip)(i=1,2,…,p);
计算各多维特征的贡献率Ci以及前m各累计贡献率MCi,
建立主成分多维特征数据库:
其中:
进一步地,所述开关柜绝缘状态异常检测方法中,所述计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数,采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测的步骤包括:
根据如下两个公式计算轮廓系数,输出聚类算法最优参数:
其中,
根据如下公式计算各样本点距离簇的欧式距离,依据最优参数采用均值聚类算法将样本数据集进行聚类,找出质心:
计算开关柜各样本点距离簇内中心点的距离li;
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF:
设置阈值点,找出离群点,实现对所述开关柜局部放电的快速异常检测。
进一步地,所述开关柜绝缘状态异常检测方法中,在所述依据寿命系数和局放程度量化指标,全面量化开关柜的带电检测数据,建立多维特征初始数据库的步骤之前,还包括:
获取开关柜的带电检测数据。
本发明实施例提供的一种开关柜绝缘状态异常检测方法,在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题,可实现开关柜局部放电的快速异常检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种开关柜绝缘状态异常检测方法的流程示意图;
图2是本发明实施例提供的一种开关柜绝缘状态异常检测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
请参阅附图1~2,为本发明实施例一提供的一种开关柜绝缘状态异常检测方法的流程示意图。该方法具体包括如下步骤:
S101、将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库;
S102、采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库;
S103、计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测。
优选的,所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值;
所述多维特征包括寿命系数和局放程度量化指标;所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
优选的,所述将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库的步骤包括:
将带电检测数据中的运行年限按照如下公式量化为寿命系数(开关柜的劣化程度与开关柜得运行年限呈正相关,引入寿命系数量化开关柜的局放程度。):
Lk=(100-l×0.5)/100;
其中,Lk为第k(k=1,2,…,n)台开关柜的寿命系数,l为开关柜投入的运行年限;
按照如下公式计算TEV幅值偏差量:
T=(To-TB)/To;
其中,To表示TEV幅值检测值,TB表示TEV背景值,T表示TEV幅值偏差量;
按照如下公式计算超声幅值偏差量:
S=(So-SB)/So;
其中,So表示超声幅值检测值,SB表示超声背景值,S表示超声幅值偏差量;
离散度能够反应开关柜局部放电检测数据的波动情况,分别对上下、左右、前后六个检测点的TEV幅值偏差量和超声幅值偏差量求离散度;
按照如下公式求所述TEV幅值偏差量的离散度:
按照如下公式求所述超声幅值偏差量离散度:
平均距离百分比为该台开关柜所有检测数据距离中心点的距离与均值之比,通过平均距离百分比揭示开关柜的整体变动的程度;
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
通过最大波动率量化开关柜局放程度的最大波动情况,最大波动率可以区分数据的离差程度,反映出检测数据的区间跨度;
按照如下公式求所述TEV幅值偏差量的最大波动率:
按照如下公式求所述超声幅值偏差量的最大波动率:
建立多维特征初始数据库:
主成分分析法的目的是将高维度数据投影到一个新特征量彼此正交的空间中,其将多维度数据转化为低维度数据,通过各维度数据的贡献率消除线性相关的数据。通过主成分分析提升聚类的性能,减少聚类算法的运算工作量。
优选的,所述采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库的步骤包括:
计算开关柜多维特征的相关系数矩阵R:
计算所述相关系数矩阵R的特征值:
(i=1,2,…,n;j=1,2,…,7)
分别计算矩阵R的特征值(λ1,λ2,…,λp)与特征向量:
ai=(ai1,ai2,…,aip)(i=1,2,…,p);
计算各多维特征(各特征量)的贡献率Ci以及前m各累计贡献率MCi,
建立主成分多维特征数据库(计算各主成分,得到新样本数据F):
其中:
优选的,所述计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数,采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测的步骤包括:
根据如下两个公式计算轮廓系数,输出聚类算法最优参数:
其中,
根据如下公式计算各样本点距离簇的欧式距离,依据最优参数采用均值聚类算法将样本数据集进行聚类,找出质心:
计算开关柜各样本点距离簇内中心点的距离li;
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF:
设置阈值点(根据实际情况而定),找出离群点,实现对所述开关柜局部放电的快速异常检测。
具体的,采用欧式距离作为算法的划分依据,划分相似的聚类类别。任意两个开关柜状态特征量Fi和Fj(j=1,2,…,n)的欧式距离的计算公式为:
依据欧式距离对开关柜的主成分多维特征数据库进行合理划分,其模型参数K的个数是主观设定的,可依据轮廓系数的方法对参数进行最优选择,即可通过计算不同模型参数k的值所对应的轮廓系数的值进行最优选择。
轮廓系数是用来衡量任意数据点与所在簇相较于其它簇的相似程度,其取值范围从-1到1,数值越大,表明该数据点与该簇越相似。最佳参数均值聚类方法如下:
计算样本点Fi到同簇其他样本的平均距离di,此时di为Fi的簇内不相似度;
计算样本点Fi到其他簇Ck的所有样本的平均距离eij(j=1,2,…,k),将eij称为Fi与簇Ck的不相似度,定义ei=min{ei1,ei2,…,eij}为Xi的簇间不相似度;
根据Fi的簇内不相似度di和簇间不相似度ei,定义Fi的轮廓系数如下公式所示:
通过聚类离群算法可帮助运维人员对绝缘状态异常的开关柜进行快速准确识别,因此,通过均值聚类划分后的结果,计算每台开关柜属于簇的程度,找出离群点,据此检测开关柜局部放电的异常情况。考虑到开关柜聚类后簇的密度不同,引入相对距离,即样本点Fi到质心的距离li与簇中除Fi外所有点到质心距离的中位数即lk=med{li1,li2,…,lij}(j=1,2,…,k)之比用于开关柜健康状态的异常检测,相对距离如下公式所示:
优选的,在所述依据寿命系数和局放程度量化指标,全面量化开关柜的带电检测数据,建立多维特征初始数据库的步骤之前,还包括:
获取开关柜的带电检测数据。
本发明实施例提供的一种开关柜绝缘状态异常检测方法,在对开关柜绝缘状态进行全面的数据信息挖掘分析的同时避免了多特征量所带来的数据冗余、计算时间过长以及簇选择具有主观性的问题,可实现开关柜局部放电的快速异常检测。
至此,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种开关柜绝缘状态异常检测方法,其特征在于,所述方法包括:
将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库;
采用主成分分析法处理所述多维特征初始数据库,建立主成分多维特征数据库;
计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测。
2.根据权利要求1所述的开关柜绝缘状态异常检测方法,其特征在于,所述带电检测数据包括运行年限、暂态对地电压TEV幅值检测量、超声幅值检测量、TEV背景值以及超声背景值;
所述多维特征包括寿命系数和局放程度量化指标;所述局放程度量化指标包括离散度、平均距离百分比和最大波动率。
3.根据权利要求2所述的开关柜绝缘状态异常检测方法,其特征在于,所述将开关柜的带电检测数据全面量化为多维特征,并建立多维特征初始数据库的步骤包括:
将带电检测数据中的运行年限按照如下公式量化为寿命系数:
Lk=(100-l×0.5)/100;
其中,Lk为第k(k=1,2,…,n)台开关柜的寿命系数,l为开关柜投入的运行年限;
按照如下公式计算TEV幅值偏差量:
T=(To-TB)/To;
其中,To表示TEV幅值检测值,TB表示TEV背景值,T表示TEV幅值偏差量;
按照如下公式计算超声幅值偏差量:
S=(So-SB)/So;
其中,So表示超声幅值检测值,SB表示超声背景值,S表示超声幅值偏差量;
按照如下公式求所述TEV幅值偏差量的离散度:
按照如下公式求所述超声幅值偏差量的离散度:
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
按照如下公式求所述TEV幅值偏差量的平均距离百分比:
按照如下公式求所述TEV幅值偏差量的最大波动率:
按照如下公式求所述超声幅值偏差量的最大波动率:
建立多维特征初始数据库:
5.根据权利要求4所述的开关柜绝缘状态异常检测方法,其特征在于,所述计算所述主成分多维特征数据库的轮廓系数,以选择聚类离群算法的最优参数,并根据所述最优参数,采用所述聚类离群算法计算所述开关柜聚类划分后各样本点距离各聚类中心点的相对距离,以找出离群点,实现对所述开关柜局部放电的快速异常检测的步骤包括:
根据如下两个公式计算轮廓系数,输出聚类算法最优参数:
其中,
根据如下公式计算各样本点距离簇的欧式距离,依据最优参数采用均值聚类算法将样本数据集进行聚类,找出质心:
计算开关柜各样本点距离簇内中心点的距离li;
根据如下计算开关柜各样本点距离簇内中心点的相对距离lF:
设置阈值点,找出离群点,实现对所述开关柜局部放电的快速异常检测。
6.根据权利要求1所述的开关柜绝缘状态异常检测方法,其特征在于,在所述依据寿命系数和局放程度量化指标,全面量化开关柜的带电检测数据,建立多维特征初始数据库的步骤之前,还包括:
获取开关柜的带电检测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200457.2A CN111175626A (zh) | 2020-03-20 | 2020-03-20 | 一种开关柜绝缘状态异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200457.2A CN111175626A (zh) | 2020-03-20 | 2020-03-20 | 一种开关柜绝缘状态异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111175626A true CN111175626A (zh) | 2020-05-19 |
Family
ID=70649761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010200457.2A Pending CN111175626A (zh) | 2020-03-20 | 2020-03-20 | 一种开关柜绝缘状态异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175626A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707912A (zh) * | 2020-06-12 | 2020-09-25 | 阜阳腾冠电力科技有限公司 | 一种配电柜用绝缘检测装置 |
CN111723862A (zh) * | 2020-06-18 | 2020-09-29 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN111913081A (zh) * | 2020-07-14 | 2020-11-10 | 上海电力大学 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
CN116992388A (zh) * | 2023-09-25 | 2023-11-03 | 广东德怡电子科技有限公司 | 基于数据分析的薄膜开关测试数据处理方法 |
CN117076322A (zh) * | 2023-08-30 | 2023-11-17 | 合芯科技(苏州)有限公司 | 一种研发技术服务供应商异常工作模式检测方法及系统 |
CN117193123A (zh) * | 2023-10-07 | 2023-12-08 | 中煤能源研究院有限责任公司 | 一种煤矸石活化监控系统及其控制方法 |
CN117763290A (zh) * | 2024-02-21 | 2024-03-26 | 常熟理工学院 | 一种基于座椅振动的汽车座椅动态舒适度评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749557A (zh) * | 2012-06-07 | 2012-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种开关柜局部放电检测装置 |
CN107784518A (zh) * | 2017-09-20 | 2018-03-09 | 国网浙江省电力公司电力科学研究院 | 一种基于多维指标的电力客户细分方法 |
CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
CN108459269A (zh) * | 2018-05-30 | 2018-08-28 | 国网江西省电力有限公司电力科学研究院 | 一种10kV柱上真空开关状态在线评价方法与装置 |
CN109740694A (zh) * | 2019-01-24 | 2019-05-10 | 燕山大学 | 一种基于非监督学习的智能电网非技术性损失检测方法 |
CN110133488A (zh) * | 2019-04-09 | 2019-08-16 | 上海电力学院 | 基于最优等级数的开关柜健康状态评价方法及装置 |
-
2020
- 2020-03-20 CN CN202010200457.2A patent/CN111175626A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749557A (zh) * | 2012-06-07 | 2012-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种开关柜局部放电检测装置 |
CN107784518A (zh) * | 2017-09-20 | 2018-03-09 | 国网浙江省电力公司电力科学研究院 | 一种基于多维指标的电力客户细分方法 |
CN108051711A (zh) * | 2017-12-05 | 2018-05-18 | 国网浙江省电力公司检修分公司 | 基于状态特征映射的固体绝缘表面缺陷诊断方法 |
CN108459269A (zh) * | 2018-05-30 | 2018-08-28 | 国网江西省电力有限公司电力科学研究院 | 一种10kV柱上真空开关状态在线评价方法与装置 |
CN109740694A (zh) * | 2019-01-24 | 2019-05-10 | 燕山大学 | 一种基于非监督学习的智能电网非技术性损失检测方法 |
CN110133488A (zh) * | 2019-04-09 | 2019-08-16 | 上海电力学院 | 基于最优等级数的开关柜健康状态评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
卓金武,王鸿钧: "《MATLAB 数学建模方法与实践第3版》", 31 July 2018 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707912A (zh) * | 2020-06-12 | 2020-09-25 | 阜阳腾冠电力科技有限公司 | 一种配电柜用绝缘检测装置 |
CN111707912B (zh) * | 2020-06-12 | 2023-08-22 | 阜阳腾冠电力科技有限公司 | 一种配电柜用绝缘检测装置 |
CN111723862A (zh) * | 2020-06-18 | 2020-09-29 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN111723862B (zh) * | 2020-06-18 | 2024-09-06 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN111913081A (zh) * | 2020-07-14 | 2020-11-10 | 上海电力大学 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
CN117076322A (zh) * | 2023-08-30 | 2023-11-17 | 合芯科技(苏州)有限公司 | 一种研发技术服务供应商异常工作模式检测方法及系统 |
CN116992388A (zh) * | 2023-09-25 | 2023-11-03 | 广东德怡电子科技有限公司 | 基于数据分析的薄膜开关测试数据处理方法 |
CN116992388B (zh) * | 2023-09-25 | 2023-12-12 | 广东德怡电子科技有限公司 | 基于数据分析的薄膜开关测试数据处理方法 |
CN117193123A (zh) * | 2023-10-07 | 2023-12-08 | 中煤能源研究院有限责任公司 | 一种煤矸石活化监控系统及其控制方法 |
CN117193123B (zh) * | 2023-10-07 | 2024-06-11 | 中煤能源研究院有限责任公司 | 一种煤矸石活化监控系统及其控制方法 |
CN117763290A (zh) * | 2024-02-21 | 2024-03-26 | 常熟理工学院 | 一种基于座椅振动的汽车座椅动态舒适度评价方法 |
CN117763290B (zh) * | 2024-02-21 | 2024-04-26 | 常熟理工学院 | 一种基于座椅振动的汽车座椅动态舒适度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175626A (zh) | 一种开关柜绝缘状态异常检测方法 | |
CN110210740B (zh) | 一种考虑供电质量的配电网可靠性评估方法 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN109029960B (zh) | 一种断路器机械状态检测方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN106199267B (zh) | 一种电力设备故障特征分析方法 | |
CN107257351B (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
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 | |
CN111723862B (zh) | 开关柜状态评估方法和装置 | |
CN111913081A (zh) | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN115081933A (zh) | 一种基于改进谱聚类的低压用户拓扑构建方法和系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
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 | |
CN109359742A (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN113128482B (zh) | 一种多因素影响的输电线路异常放电风险等级评估方法 | |
Hashemipour et al. | Big data compression in smart grids via optimal singular value decomposition | |
CN116953381B (zh) | 基于恢复-聚合-分解的配电变压器老化故障率评估方法 | |
CN118052540B (zh) | 一种设备维修方案智能管理方法及系统 | |
Li et al. | Detection of Partial Discharge Anomaly in Switchgear Based on Principal Component Clustering Outlier Algorithm |
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: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |