CN111999614A - 一种面向高压开关柜的局部放电多源融合检测预警方法 - Google Patents

一种面向高压开关柜的局部放电多源融合检测预警方法 Download PDF

Info

Publication number
CN111999614A
CN111999614A CN202010852301.2A CN202010852301A CN111999614A CN 111999614 A CN111999614 A CN 111999614A CN 202010852301 A CN202010852301 A CN 202010852301A CN 111999614 A CN111999614 A CN 111999614A
Authority
CN
China
Prior art keywords
discharge
switch cabinet
voltage switch
early warning
data set
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
Application number
CN202010852301.2A
Other languages
English (en)
Inventor
赵明
孙建华
赵悦冰
梁继远
徐晨
刘阳阳
张兰云
刘磊
侯江阁
袁金浩
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.)
Zhoukou Power Supply Co of State Grid Henan Electric Power Co Ltd
Original Assignee
Zhoukou Power Supply Co of State Grid Henan Electric Power 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 Zhoukou Power Supply Co of State Grid Henan Electric Power Co Ltd filed Critical Zhoukou Power Supply Co of State Grid Henan Electric Power Co Ltd
Priority to CN202010852301.2A priority Critical patent/CN111999614A/zh
Publication of CN111999614A publication Critical patent/CN111999614A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及一种面向高压开关柜的局部放电多源融合检测预警方法，属于电力预警系统技术领域。其包括以下步骤：采集高压开关柜不同放电类型情况下的放电数据，根据采集的放电数据设计卷积神经网络结构，生成训练数据集和测试数据集，进行预处理后，获得高压开关柜局部放电类型卷积神经网络模型；将实时采集的高压开关柜放电数据输入卷积神经网络模型，获得该放电数据的特性参数，判断该特性参数，在判断出有放电的情况下，发出预警信号。本发明能够实现对开关柜内局部放电的检测预警，及时发现局部放电问题，及时处理，以减少不必要的停运和修试。

Description

一种面向高压开关柜的局部放电多源融合检测预警方法
技术领域
本发明属于电力预警系统技术领域，具体涉及一种面向高压开关柜的局部放电多源融合检测预警方法。
背景技术
目前高压开关柜内故障检测主要是在停电状态下进行，实验的周期较长，不能及时发现在两次实验之间发生的缺陷。另外目前开关柜产品越来越紧凑，绝缘裕度越来越小，尤其在南方，空气湿度较大，开关柜内部绝缘部件的表面放电很难在柜体外面被人感觉到。高压开关柜柜内设备如有异常，运行人员在设备巡视过程中往往看不到内部设备的故障。
公开号：CN106556758A涉及开关柜技术领域，提供了一种开关柜运行监测评估系统，包括：在线监测模块，用于开关柜局部放电的在线监测，并可进行当前及历史查询；运行状态评估模块，依据开关柜的历史总放电量对其运行状态做出评估；寿命预测模块，用于对开关柜的寿命进行评估；在线监测模块、运行状态评估模块、寿命预测模块均与主服务器连接。
公开号：CN108919069A公开了一种多源信息融合的开关柜局部放电检测方法，包括以下步骤：（1）在开关柜的测量点设置传感器，将所述传感器拾取的信号依次进行调理、滤波、放大、检波、平滑和包络线处理；（2）测量；（3）分析和显示。
公开号：CN108919070A公开了一种多源信息融合的开关柜局部放电检测系统，包括相互连接的传感器和主机，所述传感器为超高频(UHF)传感器、超声波(AE)传感器、高频电流(HFCT)传感器、TEV传感器、工频信号传感器和振动传感器中的任一种，所述主机包括相互电连接的调理器、滤波器、放大器、检波器、平滑滤波器、包络线发生器、峰值检测器和数据收集、分析及显示单元。
公开号：CN109001561A公开了一种开关柜智能在线故障诊断系统，包括：终端层、输入层、隐含层、输出层、网状结构层、数据监控模块，其中软件中嵌入了各种断路器、变压器，所述终端层基于各个理论模型选择了相对应的智能故障诊断算法，同时自动给出预警、报警信息以及相应的预防措施，对开关柜全方位、全天候、自动化、智能化的监测。
公开号：CN109444682A公开了基于多信息融合的开关柜局部放电诊断系统的构建方法，主要包括S1、建立开关柜试验平台，使用人工缺陷仿真技术模拟开关柜的金属突出物、空气间隙、金属悬浮物、绝缘内部放电典型缺陷；S2、采用暂态地电压法、超声波法、特高频法对开关柜的典型缺陷进行综合检测，获取局部放电信号特征；S3、将特征信息进行特征提取处理后，传给DS融合块的基本概率分配BPA进行信息修整；S4、通过DS证据理论对修整后的信息进行融合，得到识别系统。
上述专利文献涉及开关柜的运行监测评估、故障诊断等，且采用不同的技术方案实现了对开关柜不同局部放电的检测与诊断，但是对高压开关柜局部放电实时预警以及对放电类型的判断效果不佳。作为公知高压设备在运行中由于绝缘劣化会发生局部放电现象，这种放电不断蔓延和发展，会引起绝缘的损伤，如果任其发展则会导致绝缘丧失介电性能而造成事故。通过检测事故潜伏期电气设备的局部放电特性，对放电点进行准确定位，及时对其进行处理，可以有效地预防高压开关柜电气设备故障，防患于未然。因此，研究高压开关柜局部放电检测预警技术具有重要的现实意义和实用价值。
发明内容
针对现有技术的上述不足，本发明所要解决的技术问题是，提供一种面向高压开关柜的局部放电多源融合检测预警方法，以实现对开关柜内局部放电的检测预警，及时发现局部放电问题，及时处理，以减少不必要的停运和修试。
为解决上述技术问题，本发明所采用的技术方案是：
一种面向高压开关柜的局部放电多源融合检测预警方法，包括以下步骤：
S1：采集高压开关柜不同放电类型情况下的放电数据，根据采集的放电数据设计卷积神经网络结构，生成训练数据集和测试数据集，将训练数据集和测试数据集中的放电数据进行短时傅里叶变换构建不同放电类型的二维图谱数据库，并重新定义所得二维图谱的图像尺寸和灰度比，得到处理后的训练数据集和测试数据集；
S2：通过对训练数据集进行正向传播计算与反向传播计算相结合的模型训练及模型参数的更新，达到一定训练检测准确度或最大训练迭代次数结束模型训练，通过测试数据集对训练结束的模型参数进行测试，验证训练模型的相关特性参数，获得高压开关柜局部放电类型卷积神经网络模型；
S3：将实时采集的高压开关柜放电数据输入步骤S2的卷积神经网络模型，获得该放电数据的特性参数，判断该特性参数，在判断出有放电的情况下，发出预警信号。
优选地，所述采集高压开关柜不同放电类型情况下的放电数据，具体步骤为：将局部放电检测探头和不同放电模型放置于高压开关柜内部，对放电模型施加高压工频电源，使放电模型产生放电，局部放电传感器接收到放电信号，并通过信号放大调理电路处理后，接至示波器，完成对不同放电类型情况下的放电数据采集。
优选地，所述卷积神经网络结构由五层卷积层、两层全连接层、七层ReLu激活函数层、两层归一化层、三层池化层和两层丢弃层构成。
优选地，所述不同放电模型包括锥板、针板、球板、柱板四种放电模型和无放电模型。
优选地，所述局部放电传感器为UHF传感器、超声波传感器和TEV传感器中的两种以上。
优选地，所述步骤S2还包括，通过GPU并行计算对卷积神经网络算法进行训练。
优选地，所述步骤S3还包括：对有无放电以及具体放电类型进行分类判断。
高压开关柜作为电力系统中的重要环节之一，在保证电网安全、稳定、可靠运行的同时，需要采取严格、高效的保障措施对其进行管理。又因高压开关柜本体结构与运行工况的复杂性、健康状态评判的模糊性等客观原因，对其进行有效监测与健康管理变得非常困难。目前针对高压开关柜的智能化诊断技术虽然取得的一定的技术成果与经济效益，但也暴露出了一系列问题：（1）开关柜主要故障产生机理及传播规律的精确描述不够清晰；（2）开关柜状态信息的采集、获取技术较为单一，不能满足基于多状态空间信息监测的开关柜运行特征的有效挖掘；（3）目前的开关柜健康状态演变机理与状态判定过多依赖于先验知识及人工实验的状态评估，不能有效提炼影响开关柜健康状况的客观因素。在高压开关柜的故障诊断与状态评估方面，目前采取的措施主要是在停电状态下进行的，即以离线、现场试验的方式进行，且由于高压开关柜内故障检测实验的周期较长，不能及时发现在两次实验之间发生的缺陷。因此，尚不存在实用、可供参考的远程实时诊断技术与故障预警系统。
与现有技术相比，本发明的有益效果如下：
本发明面向高压开关柜的局部放电多源融合检测预警方法有助于推进高压开关柜的状态检修工作，减小设备故障概率，做到及时发现问题、解决问题，减少不必要的停运和修试，同时避免漏检和漏判，做到有的放矢，避免或减少开关柜事故带来的经济损失，少则数十万元，多则数百万元。能够减少巡检部门工作量，提高工作效率，增强供电可靠性，有助于提高电网的安全、稳定、经济运行的能力，具有深远的社会效益。
附图说明
图1：高压开关柜局部放电检测原理图；
图2：局部放电数据预处理流程图；
图3：高压开关柜局部放电检测的卷积神经网络模型架构示意图；
其中：1-高压开关柜，2-放电模型，3-局部放电传感器，4-示波器，5-工频电源，6-高压保护电阻，7-电容分压器。
具体实施方式
下面结合具体实施例，对本发明做进一步说明。
实施例1
一种面向高压开关柜的局部放电多源融合检测预警方法，包括以下步骤：
S1：采集高压开关柜不同放电类型情况下的放电数据，根据采集的放电数据设计卷积神经网络结构，生成训练数据集和测试数据集，将训练数据集和测试数据集中的放电数据进行短时傅里叶变换构建不同放电类型的二维图谱数据库，并重新定义所得二维图谱的图像尺寸和灰度比，得到处理后的训练数据集和测试数据集；
S2：通过对训练数据集进行正向传播计算与反向传播计算相结合的模型训练及模型参数的更新，达到一定训练检测准确度或最大训练迭代次数结束模型训练，通过测试数据集对训练结束的模型参数进行测试，验证训练模型的相关特性参数，获得高压开关柜局部放电类型卷积神经网络模型；
S3：将实时采集的高压开关柜放电数据输入步骤S2的卷积神经网络模型，获得该放电数据的特性参数，判断该特性参数，在判断出有放电的情况下，发出预警信号。
其中，步骤S1中采集高压开关柜不同放电类型情况下的放电数据，具体步骤为：将局部放电检测探头和不同放电模型放置于高压开关柜内部，对放电模型施加高压工频电源，使放电模型产生放电，局部放电传感器接收到放电信号，并通过信号放大调理电路处理后，接至示波器，完成对不同放电类型情况下的放电数据采集。
作为本发明的一种优选实施方案，不同放电模型包括锥板、针板、球板、柱板四种放电模型和无放电模型。
作为优选，局部放电传感器为UHF传感器、超声波传感器和TEV传感器中的两种以上。其中的局部放电检测探头为上述不同局部放电传感器的测试探头。
UHF传感器采用UHF法通过天线传感器接收局部放电过程中辐射的UHF电磁波，从而实现局部放电的检测。超声波传感器采用超声波法通过接收局部放电产生的超声波信号实现对局部放电的检测。TEV传感器采用暂态地电位法（TEV）法是通过容性传感器探头测量局部放电过程中设备表面的暂态对地电压脉冲，找出顺势脉冲路径的方向，从而实现局部放电的检测定位。
为采用上述不同传感器实现对高压开关柜的局部放电检测，参阅图1，本发明采用如下方法对高压开关柜进行局部放电检测的数据采集：将局部放电检测探头和不同放电模型放置于高压开关柜内部，对放电模型施加高压工频电源，使放电模型产生放电，局部放电传感器接收到放电信号，并通过信号放大调理电路处理后，接至示波器，完成对不同放电类型情况下的放电数据采集。本发明高压开关柜不同放电类型情况下的放电数据采集利用图1所示的试验平台完成，高压开关柜不同放电类型放电数据采集试验平台包括高压开关柜1、置于高压开关柜1内的放电模型2、与放电模型2分别连接的高压工频电源和局部放电传感器3、与局部放电传感器连接的示波器4，高压工频电源包括工频电源、高压保护电阻和电容分压器，工频电源5和高压保护电阻6串联后与电容分压器7并联，高压工频电源和放电模型2均进行接地保护。通过上述试验平台的搭建使得高压开关柜局部放电数据的采集稳定、可靠，可便利更换不同的放电模型，更换不同的局部放电传感器，并能够通过示波器直观看到采集数据所获得的时域波形。
在开关柜局部放电检测中，在四种放电模型2以及无放电模型2共五种情况下，采用不同传感器持续对放电信号进行数据采集，持续采集时间为120秒。将持续放电的120秒的采集时间中，以60ms为时间长窗口，等分切割出2000段数据。在五种情况下共1万段样本数据。其中，随机挑选20%样本数据作为测试集，80%样本数据作为训练集，构建卷积神经网络的数据库。
为实现深度学习理论中的卷积神经网络方法对局部放电数据的分类检测，需要通过对局部放电数据进行预处理，参阅图2，不同放电模型为：锥板放电、针板放电、球板放电和柱板放电；将不同放电模型和无放电模型所采集的训练数据集和测试数据集中的放电数据（时域波形）进行短时傅里叶变换构建不同放电类型的二维图谱数据库，并重新定义所得二维图谱的图像尺寸和灰度比，得到处理后的训练数据集和测试数据集，为下一步卷积神经网络的训练与检测测试打下数据基础。其中的短时傅里叶变换为本领域现有技术，本发明未对其做改进。
参阅图3，为实现高压开关柜1局部放电超声波图谱分类识别的卷积神经网络，共有五层卷积层、两层全连接层、七层ReLu激活函数层、两层归一化层、三层池化层、两层丢弃层构成。其中，五层卷积层包括第一层卷积层、第二层卷积层、第三层卷积层、第四层卷积层和第五层卷积层；两层全连接层包括第六层全连接层和第七层全连接层；七层ReLu激活函数层包括激活函数层ReLu1、激活函数层ReLu2、激活函数层ReLu3、激活函数层ReLu4、激活函数层ReLu5、激活函数层ReLu6和激活函数层ReLu7；两层归一化层包括归一化层Normalization1和归一化层Normalization2；三层池化层包括池化层Pooling1、池化层Pooling2和池化层Pooling5；两层丢弃层包括丢弃层Dropout6和丢弃层Dropout7。同时，卷积神经网络还包括数据输入层和第八层输出层。卷积神经网络模型首先通过对训练数据集进行正向传播计算与反向传播计算相结合的模型训练及模型参数的更新，达到一定训练检测准确度或最大训练迭代次数结束模型训练，通过测试数据集对训练结束的模型参数进行测试，验证训练模型的相关特性参数。
实施例2
本实施例2是在实施例1的基础上进行改进，具体不同表现在如下方面：
S2：通过对训练数据集进行正向传播计算与反向传播计算相结合的模型训练及模型参数的更新，达到一定训练检测准确度或最大训练迭代次数结束模型训练，通过测试数据集对训练结束的模型参数进行测试，验证训练模型的相关特性参数，获得高压开关柜1局部放电类型卷积神经网络模型，并通过GPU并行计算对卷积神经网络算法进行训练；
S3：将实时采集的高压开关柜1放电数据输入步骤S2的卷积神经网络模型，获得该放电数据的特性参数，判断该特性参数，在判断出有放电的情况下，发出预警信号，对有无放电以及具体放电类型进行分类判断。
本方案通过GPU并行计算对卷积神经网络算法模型进行高效训练，更有利于实现对有无放电以及哪种放电类型的分类判断。
基于卷积神经网络算法的局部放电图谱分析诊断突破了传统的局部放电分析系统对一维度线性数据分析的界限，实现了二维度图谱分析，并且卷积神经网络具有不断自我学习功能，为智能分析、绝缘预警、运行状态提供可靠的参考依据。
经济效益：有助于推进高压开关柜1的状态检修工作，减小设备故障概率，做到及时发现问题、解决问题，减少不必要的停运和修试，同时避免漏检和漏判，做到有的放矢，避免或减少开关柜事故带来的经济损失，少则数十万元，多则数百万元。
社会效益：能够减少巡检部门工作量，提高工作效率，增强供电可靠性，有助于提高电网的安全、稳定、经济运行的能力，具有深远的社会效益。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (7)

1.一种面向高压开关柜的局部放电多源融合检测预警方法，包括以下步骤：
S1：采集高压开关柜不同放电类型情况下的放电数据，根据采集的放电数据设计卷积神经网络结构，生成训练数据集和测试数据集，将训练数据集和测试数据集中的放电数据进行短时傅里叶变换构建不同放电类型的二维图谱数据库，并重新定义所得二维图谱的图像尺寸和灰度比，得到处理后的训练数据集和测试数据集；
S2：通过对训练数据集进行正向传播计算与反向传播计算相结合的模型训练及模型参数的更新，达到一定训练检测准确度或最大训练迭代次数结束模型训练，通过测试数据集对训练结束的模型参数进行测试，验证训练模型的相关特性参数，获得高压开关柜局部放电类型卷积神经网络模型；
S3：将实时采集的高压开关柜放电数据输入步骤S2的卷积神经网络模型，获得该放电数据的特性参数，判断该特性参数，在判断出有放电的情况下，发出预警信号。
2.根据权利要求1所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述采集高压开关柜不同放电类型情况下的放电数据，具体步骤为：将局部放电检测探头和不同放电模型放置于高压开关柜内部，对放电模型施加高压工频电源，使放电模型产生放电，局部放电传感器接收到放电信号，并通过信号放大调理电路处理后，接至示波器，完成对不同放电类型情况下的放电数据采集。
3.根据权利要求2所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述卷积神经网络结构由五层卷积层、两层全连接层、七层ReLu激活函数层、两层归一化层、三层池化层和两层丢弃层构成。
4.根据权利要求3所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述不同放电模型包括锥板、针板、球板、柱板四种放电模型和无放电模型。
5.根据权利要求1所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述局部放电传感器为UHF传感器、超声波传感器和TEV传感器中的两种以上。
6.根据权利要求1所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述步骤S2还包括，通过GPU并行计算对卷积神经网络算法进行训练。
7.根据权利要求1-6任一项所述的一种面向高压开关柜的局部放电多源融合检测预警方法的生产方法，其特征在于：所述步骤S3还包括：对有无放电以及具体放电类型进行分类判断。
CN202010852301.2A 2020-08-21 2020-08-21 一种面向高压开关柜的局部放电多源融合检测预警方法 Pending CN111999614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010852301.2A CN111999614A (zh) 2020-08-21 2020-08-21 一种面向高压开关柜的局部放电多源融合检测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010852301.2A CN111999614A (zh) 2020-08-21 2020-08-21 一种面向高压开关柜的局部放电多源融合检测预警方法

Publications (1)

Publication Number Publication Date
CN111999614A true CN111999614A (zh) 2020-11-27

Family

ID=73472324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010852301.2A Pending CN111999614A (zh) 2020-08-21 2020-08-21 一种面向高压开关柜的局部放电多源融合检测预警方法

Country Status (1)

Country Link
CN (1) CN111999614A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备
CN113850017A (zh) * 2021-08-27 2021-12-28 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN117312925A (zh) * 2023-11-24 2023-12-29 江苏征途技术股份有限公司 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849633A (zh) * 2015-05-15 2015-08-19 国家电网公司 一种开关柜局部放电模式识别方法
CN107505541A (zh) * 2017-06-26 2017-12-22 广西电网有限责任公司电力科学研究院 一种变压器局部放电模式的识别方法
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN111198309A (zh) * 2020-01-09 2020-05-26 中国海洋石油集团有限公司 一种海上平台干式变压器状态监测与故障预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849633A (zh) * 2015-05-15 2015-08-19 国家电网公司 一种开关柜局部放电模式识别方法
CN107505541A (zh) * 2017-06-26 2017-12-22 广西电网有限责任公司电力科学研究院 一种变压器局部放电模式的识别方法
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN111198309A (zh) * 2020-01-09 2020-05-26 中国海洋石油集团有限公司 一种海上平台干式变压器状态监测与故障预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘云鹏 等: "基于短时傅里叶变换和稀疏表示的局放识别分类方法", 《电测与仪表》 *
黄宏伟 等: "《城市地铁盾构隧道病害快速检测与工程实践》", 31 January 2019 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备
CN113850017A (zh) * 2021-08-27 2021-12-28 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN113850017B (zh) * 2021-08-27 2024-04-02 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN117312925A (zh) * 2023-11-24 2023-12-29 江苏征途技术股份有限公司 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法
CN117312925B (zh) * 2023-11-24 2024-03-01 浙江大学 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法

Similar Documents

Publication Publication Date Title
CN111999614A (zh) 一种面向高压开关柜的局部放电多源融合检测预警方法
US7579843B2 (en) Methods and apparatus for analyzing partial discharge in electrical machinery
CN105676085B (zh) 基于多传感器信息融合的特高压gis局部放电检测方法
CN100427961C (zh) 基于虚拟仪器技术的气体绝缘组合电器在线监测方法
CN110647133A (zh) 轨道交通设备状态检测维护方法及系统
CN111856224A (zh) 一种高压开关柜的局部放电多源融合检测系统和方法
CN101702002A (zh) 局部放电声电联合检测定位系统及其定位方法
CN106556758A (zh) 一种开关柜运行监测评估系统
CN109649432A (zh) 基于导波技术的云端平台钢轨完整性监测系统及方法
WO2023284127A1 (zh) 一种基于振动信号的gil缺陷在线监测系统及方法
CN103558532A (zh) 高压交联聚乙烯电力电缆局部放电在线检测系统
CN106770652A (zh) 基于声波特征的高压变压器健康状态监测装置及监测方法
CN111007365A (zh) 一种基于神经网络的超声波局部放电识别方法及系统
CN109443190A (zh) 基于暂态行波的变压器绕组变形在线监测方法及装置
CN107505541A (zh) 一种变压器局部放电模式的识别方法
CN110647924A (zh) 一种基于支持向量描述与k近邻算法的gis设备状态评估方法
CN117289067B (zh) 一种变压器运行状态在线监测系统
CN111678991B (zh) 一种用于混凝土结构无损检测损伤识别的方法
CN113625133A (zh) 一种配电设备局部放电的在线监测反馈系统及方法
CN112881879A (zh) 一种高压电缆终端局部放电模式识别方法、装置及设备
CN116896166A (zh) 一种城市电缆的数字孪生全景管控系统及方法
CN116244600A (zh) 一种gis间歇性放电模式识别模型的构建方法、系统及设备
CN105629144A (zh) 基于指纹库的高压开关设备局部放电诊断方法及系统
CN115166446A (zh) 一种变压器局部放电识别方法
CN114997375A (zh) 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统

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: 20201127