CN111721834A - 一种电缆局部放电在线监测缺陷辨识方法 - Google Patents

一种电缆局部放电在线监测缺陷辨识方法 Download PDF

Info

Publication number
CN111721834A
CN111721834A CN202010572478.7A CN202010572478A CN111721834A CN 111721834 A CN111721834 A CN 111721834A CN 202010572478 A CN202010572478 A CN 202010572478A CN 111721834 A CN111721834 A CN 111721834A
Authority
CN
China
Prior art keywords
cable
partial discharge
light intensity
data sequence
backward rayleigh
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
Application number
CN202010572478.7A
Other languages
English (en)
Other versions
CN111721834B (zh
Inventor
潘文霞
李昕芮
熊蕙
卢为
刘东超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
NR Electric Co Ltd
NR Engineering Co Ltd
Original Assignee
Hohai University HHU
NR Electric Co Ltd
NR Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, NR Electric Co Ltd, NR Engineering Co Ltd filed Critical Hohai University HHU
Priority to CN202010572478.7A priority Critical patent/CN111721834B/zh
Publication of CN111721834A publication Critical patent/CN111721834A/zh
Application granted granted Critical
Publication of CN111721834B publication Critical patent/CN111721834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/92—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating breakdown voltage
    • 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
    • G01R31/1218—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 optical methods; using charged particle, e.g. electron, beams or X-rays
    • 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
    • G01R31/1272—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 cable, line or wire insulation, e.g. using partial discharge measurements

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及一种电缆局部放电在线监测缺陷辨识方法，基于φ‑OTDR原理，针对局部放电的电缆实现在线监测，获得对电缆缺陷类型的辨识，其中利用在线监测数据，建立局部放电监测数据的自回归滑动平均模型，获取局部放电的特征矢量，最后建立并训练随机森林分类模型，从而获得应用电缆缺陷识别模型，用于实际当中电缆绝缘缺陷类型的识别；如此设计方案突破了现有技术的限制，弥补了现有技术的不足，能够在基于φ‑OTDR原理电缆局部放电在线监测中，实现电缆绝缘缺陷类型辨识，且方法辨识准确度较高，无需额外添加设备，实际应用中对电缆运行状态监测和故障检修具有重要意义。

Description

一种电缆局部放电在线监测缺陷辨识方法
技术领域
本发明涉及一种电缆局部放电在线监测缺陷辨识方法，属于电缆在线监测技术领域。
背景技术
电缆广泛应用于城市配电网、跨海输电及其它特殊场合。大规模的电缆应用伴随着电缆事故的频发，统计表明不计外力破坏的条件下，43.7％的电缆事故由电缆绝缘问题引起。电缆绝缘问题的早期表现与电缆的局部放电密切相关，不同的绝缘缺陷所产生的电缆局部放电也存在差异。因此可以利用电缆局部放电的信息辨识电缆的缺陷类型，分析缺陷形成原因，进而采取措施减小电缆绝缘缺陷的出现。分析电缆局部放电，辨识电缆绝缘缺陷的类型，对减少电缆绝缘缺陷的产生，保证电力系统安全稳定运行有重要意义。传统的局部放电监测方法，在电缆局部放电监测中，定位方法复杂、精度差、监测信号易发生串扰。
发明内容
本发明所要解决的技术问题是提供一种电缆局部放电在线监测缺陷辨识方法，基于φ-OTDR原理，针对电缆局部放电实现在线监测，能够高效实现电缆缺陷的识别，保证电缆实际工作的稳定性。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种电缆局部放电在线监测缺陷辨识方法，用于针对局部放电电缆，实现缺陷辨别，包括电缆缺陷识别模型构建方法，以及应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别；其中，电缆缺陷识别模型构建方法包括如下步骤A至步骤E；
步骤A.收集各根分别对应不同缺陷类型的电缆，构成样本集合，且一根电缆对应一种缺陷类型，然后进入步骤B；
步骤B.分别针对样本集合中的各根电缆，定位电缆中的各局部放电电缆段，进而获得样本集合中的各个局部放电电缆段，然后进入步骤C；
步骤C.分别针对样本集合中的各个局部放电电缆段，提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，并执行有效性验证，排除白噪声的干扰；进而获得样本集合中各局部放电电缆段分别所对应非白噪声的后向瑞利散射光光强变化量数据序列，然后进入步骤D；
步骤D.分别针对样本集合中的各局部放电电缆段，以局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，建立其所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；进而获得各局部放电电缆段分别所对应的特征矢量，然后进入步骤E；
步骤E.以各局部放电电缆段分别所对应的特征矢量作为输入，各局部放电电缆段所属电缆对应的缺陷类型作为输出，针对预设分类模型进行训练，获得电缆缺陷识别模型。
作为本发明的一种优选技术方案，所述应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别，包括如下步骤：
步骤I.针对存在局部放电的目标电缆，定位目标电缆中的各局部放电目标电缆段，然后进入步骤II；
步骤II.分别针对目标电缆中的各局部放电目标电缆段，执行步骤C至步骤D的方法，获得各局部放电目标电缆段分别所对应的特征矢量，然后进入步骤III；
步骤III.分别针对各局部放电目标电缆段所对应的特征矢量，应用电缆缺陷识别模型，获得各局部放电目标电缆段分别所对应的缺陷类型，即获得目标电缆所对应的各个缺陷类型。
作为本发明的一种优选技术方案，所述步骤B包括如下步骤：
步骤B1.分别针对样本集合中的各根电缆，将电缆平均划分为N段，获得该电缆所对应的N个监测单元段，待完成对全部电缆的划分，然后进入步骤B2；
步骤B2.分别针对样本集合中的各根电缆，在预设监测周期内，针对电缆执行预设M次后向散射光光强变化量的测量，并分别针对该电缆上的各个监测单元段，按如下公式：
Figure BDA0002549913640000021
获得该电缆上各个监测单元段的振动系数Kn，其中，1≤n≤N，zn表示该电缆上的第n个监测单元段，Kn表示该电缆上第n个监测单元段的振动系数，zst表示所确认无局部放电的监测单元段，1≤m≤M，ΔIm(zn)表示该电缆上第n个监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量，ΔIm(zn)表示无局部放电监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量；进而获得各根电缆上各监测单元段的振动系数，然后进入步骤B3；
步骤B3.分别针对各根电缆上的各个监测单元段，判断监测单元段的振动系数是否不小于预设振动系数阈值，是则判定该监测单元段存在局部放电，该监测单元段即为局部放电电缆段；否则判定该监测单元段不存在局部放电；进而定位获得样本集合中各电缆上的各个局部放电电缆段，然后进入步骤C。
作为本发明的一种优选技术方案，所述步骤C中，分别针对样本集合中的各个局部放电电缆段，利用Ljung-Box检验方法，执行如下步骤C1至步骤C5，对所提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，实现有效性验证，排除白噪声的干扰；
步骤C1.提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，然后进入步骤C2；
步骤C2.基于预设最大延迟阶数T，且T小于后向瑞利散射光光强变化量数据序列的长度L，并结合1≤t≤T，获得后向瑞利散射光光强变化量数据序列分别对应各t阶滞后的自相关系数
Figure BDA0002549913640000031
然后进入步骤C3；
步骤C3.判断各个自相关系数
Figure BDA0002549913640000032
是否均等于0，是则判定该后向瑞利散射光光强变化量数据序列为白噪声数据，删除该后向瑞利散射光光强变化量数据序列，并返回步骤C1；否则进入步骤C4；
步骤C4.按如下公式：
Figure BDA0002549913640000033
获得后向瑞利散射光光强变化量数据序列的统计量Q(T)，然后进入步骤C5；
步骤C5.根据预设显著性水平α，判断Q(T)是否大于1-α所对应自由度为T的χ2分布值，是则判定该后向瑞利散射光光强变化量数据序列为非白噪声数据，即获得该局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列；否则返回步骤C1。
作为本发明的一种优选技术方案，所述步骤D中，分别针对样本集合中的各局部放电电缆段，执行如下步骤D1至步骤D8，建立局部放电电缆段所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；
步骤D1.应用单位根检验法，获得局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列的平稳性，并判定其为平稳序列或非平稳序列，其中，若判定其为平稳序列，则进入步骤D2；若判定其为非平稳序列，则进入步骤D8；
步骤D2.根据该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列的长度L，由指定高斯标准序列中依次随机提取各个值，并按提取顺序组成序列{ε1、…、εL}，然后进入步骤D3；
步骤D3.按如下公式：
Figure BDA0002549913640000041
建立该非白噪声后向瑞利散射光光强变化量数据序列所对应的自回归滑动平均模型，然后进入步骤D4；其中，φ0、φ1、…、φp与θ1、θ2、…、θq为自回归滑动平均模型的系数，二者共同组成该非白噪声后向瑞利散射光光强变化量数据序列的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]；xl表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l个数据的拟合值，xl-1、xl-p分别表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l-1个数据、第l-p个数据，l-p≥1，εl、εl-1、εl-q分别表示序列{ε1、…、εL}中第l个数据、第l-1个数据、第l-q个数据，l-q≥1；E(ε)表示序列{ε1、…、εL}的平均值，Var(ε)表示序列{ε1、…、εL}的方差满足σε 2的正太分布，c∈{1、…、L}，d∈{1、…、L}，且c≠d，E(εcεd)表示序列{ε1、…、εL}中所有两两数据乘积的平均值；a∈{1、…、L}，b∈{1、…、L}，E(xaεb)表示所有分别来自{X}、{ε1、…、εL}的两两数据乘积的平均值；
步骤D4.采用自相关系数与偏自相关系数曲线确定p、q是否为0，然后进入步骤D5；
步骤D5.基于步骤D4关于p、q的确定结果，选取各组p、q的值，并分别针对各组p、q值，应用预设方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，然后进入步骤D6；
步骤D6.分别针对各组特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，将特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]带入步骤D3中所建立的自回归滑动平均模型中，拟合获得该特征矢量所对应的后向瑞利散射光光强变化量数据序列；进而获得各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，然后进入步骤D7；
步骤D7.针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，执行校验，并选取最优校验结果所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]唯一表示该局部放电电缆段实测的后向瑞利散射光光强变化量数据序列，即构成该局部放电电缆段所对应的特征矢量；
步骤D8.针对该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列，执行差分运算，更新该非白噪声后向瑞利散射光光强变化量数据序列为平稳序列，然后返回步骤D2。
作为本发明的一种优选技术方案：所述步骤D5中，分别针对各组p、q值，应用可用矩估计法、极大似然估计法、最小二乘法三者中的任意一种方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]。
作为本发明的一种优选技术方案：所述步骤D7中，针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，采用AIC准则或BIC准则进行校验；
其中，AIC准则表达式如下：
Figure BDA0002549913640000051
式中，
Figure BDA0002549913640000052
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；
并且AIC准则中，最优参数r’0满足：
Figure BDA0002549913640000053
式中，M(L)为
Figure BDA0002549913640000054
或
Figure BDA0002549913640000055
BIC准则表达式如下：
Figure BDA0002549913640000056
式中，
Figure BDA0002549913640000057
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；
并且BIC准则中，最优参数r’0满足：
Figure BDA0002549913640000061
式中，M(L)为
Figure BDA0002549913640000062
或
Figure BDA0002549913640000063
作为本发明的一种优选技术方案：所述预设分类模型为随机森林分类模型。
本发明所述一种电缆局部放电在线监测缺陷辨识方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计电缆局部放电在线监测缺陷辨识方法，基于φ-OTDR原理，针对局部放电的电缆实现在线监测，获得对电缆缺陷类型的辨识，其中利用在线监测数据，建立局部放电监测数据的自回归滑动平均模型，获取局部放电的特征矢量，最后建立并训练随机森林分类模型，从而获得应用电缆缺陷识别模型，用于实际当中电缆绝缘缺陷类型的识别；如此设计方案突破了现有技术的限制，弥补了现有技术的不足，能够在基于φ-OTDR原理电缆局部放电在线监测中，实现电缆绝缘缺陷类型辨识，且方法辨识准确度较高，无需额外添加设备，实际应用中对电缆运行状态监测和故障检修具有重要意义。
附图说明
图1是本发明所设计电缆局部放电在线监测缺陷辨识方法中样本电缆安装示意图；
图2为本发明所设计电缆局部放电在线监测缺陷辨识方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种电缆局部放电在线监测缺陷辨识方法，用于针对局部放电电缆，实现缺陷辨别，包括电缆缺陷识别模型构建方法，以及应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别；实际应用当中，如图2所示，执行如下步骤A至步骤E，实现电缆缺陷识别模型的构建。
步骤A.收集各根分别对应不同缺陷类型的电缆，构成样本集合，且一根电缆对应一种缺陷类型，然后进入步骤B。
这里步骤A中关于各根分别对应不同缺陷类型的电缆的收集，可以采用制作的方式，即制作带有不同类型局部放电的电缆，且一根电缆对应一种缺陷类型，然后利用光纤传感技术，监测电缆沿线光纤内的后向瑞利散射光光强变化量数据序列，得到电缆沿线各个位置的后向瑞利散射光光强变化量数据序列，并记录对应的局部放电类型。
步骤B.分别针对样本集合中的各根电缆，定位电缆中的各局部放电电缆段，进而获得样本集合中的各个局部放电电缆段，然后进入步骤C。
实际应用当中，上述步骤B具体执行如下步骤B1至步骤B3，完成上述对步骤B的执行设计。
步骤B1.分别针对样本集合中的各根电缆，将电缆平均划分为N段，获得该电缆所对应的N个监测单元段，待完成对全部电缆的划分，然后进入步骤B2。
步骤B2.分别针对样本集合中的各根电缆，在预设监测周期内，针对电缆执行预设M次后向散射光光强变化量的测量，并分别针对该电缆上的各个监测单元段，按如下公式：
Figure BDA0002549913640000071
获得该电缆上各个监测单元段的振动系数Kn，其中，1≤n≤N，zn表示该电缆上的第n个监测单元段，Kn表示该电缆上第n个监测单元段的振动系数，zst表示所确认无局部放电的监测单元段，1≤m≤M，ΔIm(zn)表示该电缆上第n个监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量，ΔIm(zn)表示无局部放电监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量；进而获得各根电缆上各监测单元段的振动系数，然后进入步骤B3。
步骤B3.分别针对各根电缆上的各个监测单元段，判断监测单元段的振动系数是否不小于预设振动系数阈值Kth，是则判定该监测单元段存在局部放电，该监测单元段即为局部放电电缆段；否则判定该监测单元段不存在局部放电；进而定位获得样本集合中各电缆上的各个局部放电电缆段，然后进入步骤C。实际应用当中，Kth可通过实验测定，Kth设置过大，则监测灵敏度低，Kth设置过小，则系统易发生误报。
步骤C.分别针对样本集合中的各个局部放电电缆段，提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，并执行有效性验证，排除白噪声的干扰；进而获得样本集合中各局部放电电缆段分别所对应非白噪声的后向瑞利散射光光强变化量数据序列，然后进入步骤D。
上述步骤C在实际应用中，分别针对样本集合中的各个局部放电电缆段，利用Ljung-Box检验方法，执行如下步骤C1至步骤C5，对所提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，实现有效性验证，排除白噪声的干扰。
Ljung-Box检验的原假设：后向瑞利散射光光强变化量数据序列都是独立的，总体的相关系数为0，即
Figure BDA0002549913640000081
计算产生的某些不为0的相关系数，仅仅是由于随机抽样产生的误差。备用假设：后向瑞利散射光光强变化量的监测数据不是独立的，至少存在某一个
Figure BDA0002549913640000082
其中1≤t≤T。
步骤C1.提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，然后进入步骤C2。
步骤C2.基于预设最大延迟阶数T，且T小于后向瑞利散射光光强变化量数据序列的长度L，并结合1≤t≤T，获得后向瑞利散射光光强变化量数据序列分别对应各t阶滞后的自相关系数
Figure BDA0002549913640000083
然后进入步骤C3。
步骤C3.判断各个自相关系数
Figure BDA0002549913640000084
是否均等于0，是则判定该后向瑞利散射光光强变化量数据序列为白噪声数据，删除该后向瑞利散射光光强变化量数据序列，即原假设成立，并返回步骤C1；否则进入步骤C4。
步骤C4.按如下公式：
Figure BDA0002549913640000085
获得后向瑞利散射光光强变化量数据序列的统计量Q(T)，然后进入步骤C5。
步骤C5.根据预设显著性水平α，判断Q(T)是否大于1-α所对应自由度为T的χ2分布值，是则判定该后向瑞利散射光光强变化量数据序列为非白噪声数据，即获得该局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，即Q(T)落在了上述原假设的拒绝域当中；否则返回步骤C1。
步骤D.分别针对样本集合中的各局部放电电缆段，以局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，建立其所对应的自回归滑动平均模型Autoregression moving average(ARMA)，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；进而获得各局部放电电缆段分别所对应的特征矢量，然后进入步骤E。
步骤D在实际的执行当中，分别针对样本集合中的各局部放电电缆段，执行如下步骤D1至步骤D8，建立局部放电电缆段所对应的自回归滑动平均模型(ARMA)，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量。
步骤D1.应用单位根检验法(ADF)，获得局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列的平稳性，并判定其为平稳序列或非平稳序列，其中，若判定其为平稳序列，则进入步骤D2；若判定其为非平稳序列，则进入步骤D8。
步骤D2.根据该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列的长度L，由指定高斯标准序列中依次随机提取各个值，并按提取顺序组成序列{ε1、…、εL}，然后进入步骤D3。
步骤D3.按如下公式：
Figure BDA0002549913640000091
建立该非白噪声后向瑞利散射光光强变化量数据序列所对应的自回归滑动平均模型(ARMA)，然后进入步骤D4；其中，φ0、φ1、…、φp与θ1、θ2、…、θq为自回归滑动平均模型的系数，二者共同组成该非白噪声后向瑞利散射光光强变化量数据序列的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]；xl表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l个数据的拟合值，xl-1、xl-p分别表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l-1个数据、第l-p个数据，l-p≥1，εl、εl-1、εl-q分别表示序列{ε1、…、εL}中第l个数据、第l-1个数据、第l-q个数据，l-q≥1；E(ε)表示序列{ε1、…、εL}的平均值，Var(ε)表示序列{ε1、…、εL}的方差满足σε 2的正太分布，c∈{1、…、L}，d∈{1、…、L}，且c≠d，E(εcεd)表示序列{ε1、…、εL}中所有两两数据乘积的平均值；a∈{1、…、L}，b∈{1、…、L}，E(xaεb)表示所有分别来自{X}、{ε1、…、εL}的两两数据乘积的平均值。
步骤D4.采用自相关系数与偏自相关系数曲线确定p、q是否为0，然后进入步骤D5。
上述步骤D4中关于p、q是否为0的确定，实际应用当中，采用自相关系数与偏自相关系数曲线，并按如下表1中的原则进行执行，表1中AR(p)表示p≠0,q＝0，MA(q)表示p＝0,q≠0，计算结果为p＝0,q＝0的后向瑞利散射光光强变化量的数据监测序列，为白噪声序列，会在步骤S2中被剔除掉。
ACF PACF ARMA模型类型
拖尾 P阶截尾 AR(p)模型
q阶截尾 拖尾 MA(q)模型
拖尾 拖尾 ARMA(q)模型
表1
步骤D5.基于步骤D4关于p、q的确定结果，选取各组p、q的值，并分别针对各组p、q值，应用预设方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，然后进入步骤D6。这里在具体实际的执行当中，分别针对各组p、q值，应用可用矩估计法、极大似然估计法、最小二乘法三者中的任意一种方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]。
步骤D6.分别针对各组特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，将特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]带入步骤D3中所建立的自回归滑动平均模型中，拟合获得该特征矢量所对应的后向瑞利散射光光强变化量数据序列；进而获得各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，然后进入步骤D7。
步骤D7.针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，执行校验，并选取最优校验结果所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]唯一表示该局部放电电缆段实测的后向瑞利散射光光强变化量数据序列，即构成该局部放电电缆段所对应的特征矢量。
这里步骤D7中，所述针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，在实际应用当中，具体可以选择采用AIC准则或BIC准则进行校验。
其中，AIC准则表达式如下：
Figure BDA0002549913640000101
式中，
Figure BDA0002549913640000102
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q。
并且AIC准则中，最优参数r’0满足：
Figure BDA0002549913640000111
式中，M(L)为
Figure BDA0002549913640000112
或
Figure BDA0002549913640000113
BIC准则表达式如下：
Figure BDA0002549913640000114
式中，
Figure BDA0002549913640000115
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q。
并且BIC准则中，最优参数r’0满足：
Figure BDA0002549913640000116
式中，M(L)为
Figure BDA0002549913640000117
或
Figure BDA0002549913640000118
步骤D8.针对该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列，执行差分运算，更新该非白噪声后向瑞利散射光光强变化量数据序列为平稳序列，然后返回步骤D2。
步骤E.以各局部放电电缆段分别所对应的特征矢量作为输入，各局部放电电缆段所属电缆对应的缺陷类型作为输出，针对预设分类模型进行训练，具体针对随机森林分类模型进行训练，获得电缆缺陷识别模型。
实际应用过程在执行上述步骤A至步骤E，获得电缆缺陷识别模型之后，在后续的实际应用中，即可应用该电缆缺陷识别模型，针对局部放电电缆，具体执行如下步骤I至步骤III，实现电缆缺陷的辨别。
步骤I.针对存在局部放电的目标电缆，定位目标电缆中的各局部放电目标电缆段，然后进入步骤II。
步骤II.分别针对目标电缆中的各局部放电目标电缆段，执行步骤C至步骤D的方法，获得各局部放电目标电缆段分别所对应的特征矢量，然后进入步骤III。
步骤III.分别针对各局部放电目标电缆段所对应的特征矢量，应用电缆缺陷识别模型，获得各局部放电目标电缆段分别所对应的缺陷类型，即获得目标电缆所对应的各个缺陷类型。
将本发明设计电缆局部放电在线监测缺陷辨识方法，应用于如图1所示的实施例电缆，该实施例中样本电缆的长度为5米，传感光纤为普通单模光纤，长为5米，传感光纤紧密敷在电缆表面，电缆缺陷在7kV电压作用下，平均视在放电量为100pC。
在本实施例中，利用上述所设计电缆局部放电在线监测缺陷辨识方法，对电缆局部放电缺陷类型进行辨识，实验设置三类缺陷，每一类缺陷采集125组样本，共375组样本，经交叉检验该方法辨识的准确度为98.36％，具有较高的辨识准确度。
通过本实施例可以看出，本发明设计电缆局部放电在线监测缺陷辨识方法，能够辨识出不同的电缆绝缘缺陷类型，具有较高的辨识准确度，而且该方法不需要额外的设备，成本低，能够在线报告电缆缺陷类型，对电缆的运行状态监测和故障检修具有重要的意义。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种电缆局部放电在线监测缺陷辨识方法，用于针对局部放电电缆，实现缺陷辨别，其特征在于，包括电缆缺陷识别模型构建方法，以及应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别；其中，电缆缺陷识别模型构建方法包括如下步骤A至步骤E；
步骤A.收集各根分别对应不同缺陷类型的电缆，构成样本集合，且一根电缆对应一种缺陷类型，然后进入步骤B；
步骤B.分别针对样本集合中的各根电缆，定位电缆中的各局部放电电缆段，进而获得样本集合中的各个局部放电电缆段，然后进入步骤C；
步骤C.分别针对样本集合中的各个局部放电电缆段，提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，并执行有效性验证，排除白噪声的干扰；进而获得样本集合中各局部放电电缆段分别所对应非白噪声的后向瑞利散射光光强变化量数据序列，然后进入步骤D；
步骤D.分别针对样本集合中的各局部放电电缆段，以局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列，建立其所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；进而获得各局部放电电缆段分别所对应的特征矢量，然后进入步骤E；
步骤E.以各局部放电电缆段分别所对应的特征矢量作为输入，各局部放电电缆段所属电缆对应的缺陷类型作为输出，针对预设分类模型进行训练，获得电缆缺陷识别模型。
2.根据权利要求1所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于，所述应用电缆缺陷识别模型，针对局部放电电缆实现缺陷辨别，包括如下步骤：
步骤I.针对存在局部放电的目标电缆，定位目标电缆中的各局部放电目标电缆段，然后进入步骤II；
步骤II.分别针对目标电缆中的各局部放电目标电缆段，执行步骤C至步骤D的方法，获得各局部放电目标电缆段分别所对应的特征矢量，然后进入步骤III；
步骤III.分别针对各局部放电目标电缆段所对应的特征矢量，应用电缆缺陷识别模型，获得各局部放电目标电缆段分别所对应的缺陷类型，即获得目标电缆所对应的各个缺陷类型。
3.根据权利要求1或2所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于，所述步骤B包括如下步骤：
步骤B1.分别针对样本集合中的各根电缆，将电缆平均划分为N段，获得该电缆所对应的N个监测单元段，待完成对全部电缆的划分，然后进入步骤B2；
步骤B2.分别针对样本集合中的各根电缆，在预设监测周期内，针对电缆执行预设M次后向散射光光强变化量的测量，并分别针对该电缆上的各个监测单元段，按如下公式：
Figure FDA0002549913630000021
获得该电缆上各个监测单元段的振动系数Kn，其中，1≤n≤N，zn表示该电缆上的第n个监测单元段，Kn表示该电缆上第n个监测单元段的振动系数，zst表示所确认无局部放电的监测单元段，1≤m≤M，ΔIm(zn)表示该电缆上第n个监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量，ΔIm(zn)表示无局部放电监测单元段对应预设监测周期内第m次测量所获的后向散射光光强变化量；进而获得各根电缆上各监测单元段的振动系数，然后进入步骤B3；
步骤B3.分别针对各根电缆上的各个监测单元段，判断监测单元段的振动系数是否不小于预设振动系数阈值，是则判定该监测单元段存在局部放电，该监测单元段即为局部放电电缆段；否则判定该监测单元段不存在局部放电；进而定位获得样本集合中各电缆上的各个局部放电电缆段，然后进入步骤C。
4.根据权利要求1或2所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于，所述步骤C中，分别针对样本集合中的各个局部放电电缆段，利用Ljung-Box检验方法，执行如下步骤C1至步骤C5，对所提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，实现有效性验证，排除白噪声的干扰；
步骤C1.提取局部放电电缆段的后向瑞利散射光光强变化量数据序列，然后进入步骤C2；
步骤C2.基于预设最大延迟阶数T，且T小于后向瑞利散射光光强变化量数据序列的长度L，并结合1≤t≤T，获得后向瑞利散射光光强变化量数据序列分别对应各t阶滞后的自相关系数
Figure FDA0002549913630000022
然后进入步骤C3；
步骤C3.判断各个自相关系数
Figure FDA0002549913630000023
是否均等于0，是则判定该后向瑞利散射光光强变化量数据序列为白噪声数据，删除该后向瑞利散射光光强变化量数据序列，并返回步骤C1；否则进入步骤C4；
步骤C4.按如下公式：
Figure FDA0002549913630000031
获得后向瑞利散射光光强变化量数据序列的统计量Q(T)，然后进入步骤C5；
步骤C5.根据预设显著性水平α，判断Q(T)是否大于1-α所对应自由度为T的χ2分布值，是则判定该后向瑞利散射光光强变化量数据序列为非白噪声数据，即获得该局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列；否则返回步骤C1。
5.根据权利要求1或2所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于，所述步骤D中，分别针对样本集合中的各局部放电电缆段，执行如下步骤D1至步骤D8，建立局部放电电缆段所对应的自回归滑动平均模型，并提取其中的模型系数作为该局部放电电缆段所对应的特征矢量；
步骤D1.应用单位根检验法，获得局部放电电缆段所对应的非白噪声后向瑞利散射光光强变化量数据序列的平稳性，并判定其为平稳序列或非平稳序列，其中，若判定其为平稳序列，则进入步骤D2；若判定其为非平稳序列，则进入步骤D8；
步骤D2.根据该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列的长度L，由指定高斯标准序列中依次随机提取各个值，并按提取顺序组成序列{ε1、…、εL}，然后进入步骤D3；
步骤D3.按如下公式：
Figure FDA0002549913630000032
建立该非白噪声后向瑞利散射光光强变化量数据序列所对应的自回归滑动平均模型，然后进入步骤D4；其中，φ0、φ1、…、φp与θ1、θ2、…、θq为自回归滑动平均模型的系数，二者共同组成该非白噪声后向瑞利散射光光强变化量数据序列的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]；xl表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l个数据的拟合值，xl-1、xl-p分别表示该非白噪声后向瑞利散射光光强变化量数据序列{X}中第l-1个数据、第l-p个数据，l-p≥1，εl、εl-1、εl-q分别表示序列{ε1、…、εL}中第l个数据、第l-1个数据、第l-q个数据，l-q≥1；E(ε)表示序列{ε1、…、εL}的平均值，Var(ε)表示序列{ε1、…、εL}的方差满足
Figure FDA0002549913630000041
的正太分布，c∈{1、…、L}，d∈{1、…、L}，且c≠d，E(εcεd)表示序列{ε1、…、εL}中所有两两数据乘积的平均值；a∈{1、…、L}，b∈{1、…、L}，E(xaεb)表示所有分别来自{X}、{ε1、…、εL}的两两数据乘积的平均值；
步骤D4.采用自相关系数与偏自相关系数曲线确定p、q是否为0，然后进入步骤D5；
步骤D5.基于步骤D4关于p、q的确定结果，选取各组p、q的值，并分别针对各组p、q值，应用预设方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，然后进入步骤D6；
步骤D6.分别针对各组特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]，将特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]带入步骤D3中所建立的自回归滑动平均模型中，拟合获得该特征矢量所对应的后向瑞利散射光光强变化量数据序列；进而获得各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，然后进入步骤D7；
步骤D7.针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，执行校验，并选取最优校验结果所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]唯一表示该局部放电电缆段实测的后向瑞利散射光光强变化量数据序列，即构成该局部放电电缆段所对应的特征矢量；
步骤D8.针对该局部放电电缆段所对应非白噪声后向瑞利散射光光强变化量数据序列，执行差分运算，更新该非白噪声后向瑞利散射光光强变化量数据序列为平稳序列，然后返回步骤D2。
6.根据权利要求5所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于：所述步骤D5中，分别针对各组p、q值，应用可用矩估计法、极大似然估计法、最小二乘法三者中的任意一种方法，计算得到各组p、q值分别所对应的特征矢量[φ0、φ1、…、φp,θ1、θ2、…、θq]。
7.根据权利要求5所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于：所述步骤D7中，针对各组特征矢量分别所对应的后向瑞利散射光光强变化量数据序列，采用AIC准则或BIC准则进行校验；
其中，AIC准则表达式如下：
Figure FDA0002549913630000051
式中，
Figure FDA0002549913630000052
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；
并且AIC准则中，最优参数r′0满足：
Figure FDA0002549913630000053
式中，M(L)为
Figure FDA0002549913630000054
或
Figure FDA0002549913630000055
BIC准则表达式如下：
Figure FDA0002549913630000056
式中，
Figure FDA0002549913630000057
表示经自回归滑动平均模型拟合所获后向瑞利散射光光强变化量数据序列、与实测后向瑞利散射光光强变化量数据序列的残差方差，r表示自回归滑动平均模型的参数个数r＝p+1+q；
并且BIC准则中，最优参数r′0满足：
Figure FDA0002549913630000058
式中，M(L)为
Figure FDA0002549913630000059
或
Figure FDA00025499136300000510
8.根据权利要求1所述一种电缆局部放电在线监测缺陷辨识方法，其特征在于：所述预设分类模型为随机森林分类模型。
CN202010572478.7A 2020-06-22 2020-06-22 一种电缆局部放电在线监测缺陷辨识方法 Active CN111721834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572478.7A CN111721834B (zh) 2020-06-22 2020-06-22 一种电缆局部放电在线监测缺陷辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572478.7A CN111721834B (zh) 2020-06-22 2020-06-22 一种电缆局部放电在线监测缺陷辨识方法

Publications (2)

Publication Number Publication Date
CN111721834A true CN111721834A (zh) 2020-09-29
CN111721834B CN111721834B (zh) 2023-08-08

Family

ID=72569854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572478.7A Active CN111721834B (zh) 2020-06-22 2020-06-22 一种电缆局部放电在线监测缺陷辨识方法

Country Status (1)

Country Link
CN (1) CN111721834B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364756A (zh) * 2020-11-09 2021-02-12 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN113835002A (zh) * 2021-08-19 2021-12-24 深圳供电局有限公司 一种电力电缆局部放电的分布式检测方法及其检测系统
CN117554768A (zh) * 2024-01-12 2024-02-13 广州南网科研技术有限责任公司 电缆附件局部放电监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007303956A (ja) * 2006-05-11 2007-11-22 Tohoku Univ 経年劣化した熱遮へいコーティングの非接触非破壊検査手法
US20090119035A1 (en) * 2007-11-06 2009-05-07 Abdelkrim Younsi Method and apparatus for analyzing partial discharges in electrical devices
US20090304322A1 (en) * 2008-06-06 2009-12-10 Schlumberger Technology Corporation Distributed vibration sensing system using multimode fiber
CN103645425A (zh) * 2013-11-15 2014-03-19 广东电网公司电力科学研究院 一种高压电缆绝缘缺陷局部放电在线监测诊断方法
US20150185270A1 (en) * 2012-12-28 2015-07-02 State Grid Corporation Of China Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm
CN108802525A (zh) * 2018-06-06 2018-11-13 浙江宇天科技股份有限公司 基于小样本的设备故障智能预测方法
CN108957261A (zh) * 2018-07-12 2018-12-07 上海交通大学 一种直流电缆典型缺陷局部放电识别方法
CN110108992A (zh) * 2019-05-24 2019-08-09 国网湖南省电力有限公司 基于改进随机森林算法的电缆局放故障识别方法、系统及介质
CN110736901A (zh) * 2019-10-09 2020-01-31 河海大学 基于φ-OTDR原理的电缆局部放电分布式在线监测与定位方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007303956A (ja) * 2006-05-11 2007-11-22 Tohoku Univ 経年劣化した熱遮へいコーティングの非接触非破壊検査手法
US20090119035A1 (en) * 2007-11-06 2009-05-07 Abdelkrim Younsi Method and apparatus for analyzing partial discharges in electrical devices
US20090304322A1 (en) * 2008-06-06 2009-12-10 Schlumberger Technology Corporation Distributed vibration sensing system using multimode fiber
US20150185270A1 (en) * 2012-12-28 2015-07-02 State Grid Corporation Of China Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm
CN103645425A (zh) * 2013-11-15 2014-03-19 广东电网公司电力科学研究院 一种高压电缆绝缘缺陷局部放电在线监测诊断方法
CN108802525A (zh) * 2018-06-06 2018-11-13 浙江宇天科技股份有限公司 基于小样本的设备故障智能预测方法
CN108957261A (zh) * 2018-07-12 2018-12-07 上海交通大学 一种直流电缆典型缺陷局部放电识别方法
CN110108992A (zh) * 2019-05-24 2019-08-09 国网湖南省电力有限公司 基于改进随机森林算法的电缆局放故障识别方法、系统及介质
CN110736901A (zh) * 2019-10-09 2020-01-31 河海大学 基于φ-OTDR原理的电缆局部放电分布式在线监测与定位方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
QIAN CHE, ET AL.: "Partial Discharge Recognition Based on Optical Fiber Distributed Acoustic Sensing and a Convolutional Neural Network", 《IEEE ACCESS》 *
QIAN CHE, ET AL.: "Partial Discharge Recognition Based on Optical Fiber Distributed Acoustic Sensing and a Convolutional Neural Network", 《IEEE ACCESS》, vol. 7, 9 August 2019 (2019-08-09), pages 101758 - 101764, XP011738744, DOI: 10.1109/ACCESS.2019.2931040 *
WENXIA PAN, ET AL.: "Distributed Online Monitoring Method and Application of Cable Partial Discharge Based on φ-OTDR", 《IEEE ACCESS》 *
WENXIA PAN, ET AL.: "Distributed Online Monitoring Method and Application of Cable Partial Discharge Based on φ-OTDR", 《IEEE ACCESS》, vol. 7, 30 September 2019 (2019-09-30), pages 144444 - 144450, XP011750309, DOI: 10.1109/ACCESS.2019.2944570 *
朱正鼎 等: "新型基于频率特性的电缆故障定位方法", 《广东电力》 *
朱正鼎 等: "新型基于频率特性的电缆故障定位方法", 《广东电力》, vol. 31, no. 12, 31 December 2018 (2018-12-31), pages 86 - 92 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364756A (zh) * 2020-11-09 2021-02-12 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
CN112364756B (zh) * 2020-11-09 2022-09-06 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN113835002A (zh) * 2021-08-19 2021-12-24 深圳供电局有限公司 一种电力电缆局部放电的分布式检测方法及其检测系统
CN117554768A (zh) * 2024-01-12 2024-02-13 广州南网科研技术有限责任公司 电缆附件局部放电监测方法
CN117554768B (zh) * 2024-01-12 2024-03-15 广州南网科研技术有限责任公司 电缆附件局部放电监测方法

Also Published As

Publication number Publication date
CN111721834B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN111721834A (zh) 一种电缆局部放电在线监测缺陷辨识方法
Cardoso et al. A robust methodology for modal parameters estimation applied to SHM
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN105930629B (zh) 一种基于海量运行数据的在线故障诊断方法
CN106897509B (zh) 一种动态非高斯结构监测数据异常识别方法
CN108415884B (zh) 一种结构模态参数实时追踪方法
WO2019043600A1 (en) ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR
CN112417763B (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN112116198A (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN115576284A (zh) 一种服装车间智能化管理方法及系统
CN103852525B (zh) 基于ar-hmm的声发射信号识别方法
CN110108474B (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN117607019B (zh) 电力金具表面智能检测方法和检测系统
CN117370871B (zh) 一种特种钢材的质量分析方法与系统
CN118212209A (zh) 一种基于智能轮廓扫描粉末喷涂检测系统
CN114441463A (zh) 全光谱水质数据分析方法
CN112947080B (zh) 一种基于场景参数变换的智能决策模型性能评估系统
CN107330264B (zh) 一种桥梁监测数据可靠性的验证方法
CN102692450A (zh) 基于模糊综合评判的金属拉深件成形裂纹状态识别方法
CN107728121B (zh) 一种基于可变窗的局部拟合优度检验方法
CN112699609B (zh) 一种基于振动数据的柴油机可靠性模型构建方法
CN111428345B (zh) 一种随机性负载扰动控制系统的性能评价系统及方法
CN106227941B (zh) 基于固有频率变化率的高层框架结构的损伤程度识别方法
CN116505972B (zh) 一种线缆信号传输的智能检测方法及系统
CN113469256B (zh) 一种齿轮类零件机械损伤节点预测方法

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
GR01 Patent grant
GR01 Patent grant