CN112014696A - 基于局部放电特征的干式空心电抗器故障诊断方法及装置 - Google Patents

基于局部放电特征的干式空心电抗器故障诊断方法及装置 Download PDF

Info

Publication number
CN112014696A
CN112014696A CN202010857703.1A CN202010857703A CN112014696A CN 112014696 A CN112014696 A CN 112014696A CN 202010857703 A CN202010857703 A CN 202010857703A CN 112014696 A CN112014696 A CN 112014696A
Authority
CN
China
Prior art keywords
discharge
neural network
fault model
partial discharge
reactor
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
CN202010857703.1A
Other languages
English (en)
Inventor
王永宁
鲁轩
闫立东
满玉岩
刘梅
李宁
杜岳凡
李文征
杨雪莹
郗晓光
张弛
刘大维
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010857703.1A priority Critical patent/CN112014696A/zh
Publication of CN112014696A publication Critical patent/CN112014696A/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
    • 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

Abstract

本发明提供了一种基于局部放电特征的干式空心电抗器故障诊断方法及装置，方法包括：获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure DDA0002646950630000011
基于监测环境的温度、电抗器湿度、放点次数n、放电量q以及放电相位
Figure DDA0002646950630000012
构建局部放电三维谱图，并提取局部放电三维谱图特征量；对部放电三维谱图特征量进行归一化处理；获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于故障模型对神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。通过本发明提供的方法及装置可以缓解现有技术中干式空心电抗器的工作环境较为复杂发生局部电弧放电及绝缘损坏、匝间短路等故障的概率增加的技术问题。

Description

基于局部放电特征的干式空心电抗器故障诊断方法及装置
技术领域
本发明涉及继电保护的技术领域，尤其是涉及一种基于局部放电特征的干式空心电抗器故障诊断方法及装置。
背景技术
环氧树脂等聚合类有机高分子材料由于具有良好的电气绝缘性能，可塑性好，方便加工等特点，逐步取代了天然绝缘介质，成为了重要的电工绝缘材料。环氧树脂已广泛应用于电机、电器、电子组合件以及千伏高压输电变压器等绝缘部件的浇注，尤其是在电流互感器、电压互感器、干式变压器、GIS、电缆接线盒中得到了广泛应用。
随着电网传输容量的不断增大，电压等级的逐步升高，对各种电力设备运行的安全性和可靠性要求越来越高，干式空心电抗器也大量应用在电力系统中。然而通常情况下干式空心电抗器的工作环境都较为复杂，使之发生局部电弧放电及绝缘损坏、匝间短路等故障的概率增加。
发明内容
有鉴于此，本发明的目的在于提供一种基于局部放电特征的干式空心电抗器故障诊断方法，以缓解现有技术中的局部电弧放电及绝缘损坏、匝间短路等故障技术问题。
第一方面，本发明实施例提供了一种基于局部放电特征的干式空心电抗器故障诊断方法，包括，具体按照如下步骤进行：
S1：获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure BDA0002646950610000021
S2：基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure BDA0002646950610000022
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
S3：对所述部放电三维谱图特征量进行归一化处理；
S4：获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
优选的，所述局部放电三维谱图特征量包括正、负半波偏斜度
Figure BDA0002646950610000023
正、负半波陡峭度
Figure BDA0002646950610000024
放电量因数Q，互相关系数cc、相位不对称度φ、修正的互相关系数mcc，监测环境的温度、电抗器湿度。
优选的，所述获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习的步骤包括：
利用电抗器温度、电抗器湿度对局部过热、匝间绝缘损坏以及漏磁进行故障模拟以建立故障模型，并利用广义RBF神经网络智能诊断方法建立神经网络并对利用故障模型对神经网络进行训练，并利用步骤S1中获取的监测环境的温度以及电抗器湿度对神经网络进行学习。
结合本发明第一方面所述的方法，本发明提供了一种基于局部放电特征的干式空心电抗器故障诊断装置：
数据获取模块：用于获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure BDA0002646950610000025
特征量提取模块：用于基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure BDA0002646950610000031
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
归一化处理模块：对所述部放电三维谱图特征量进行归一化处理；
神经网络构建模块：用于获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
本发明实施例带来了以下有益效果：本发明提供了一种基于局部放电特征的干式空心电抗器故障诊断方法及装置，方法包括：获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure BDA0002646950610000032
基于监测环境的温度、电抗器湿度、放点次数n、放电量q以及放电相位
Figure BDA0002646950610000033
构建局部放电三维谱图，并提取局部放电三维谱图特征量；对部放电三维谱图特征量进行归一化处理；获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于故障模型对神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。通过本发明提供的方法及装置可以缓解现有技术中干式空心电抗器的工作环境较为复杂发生局部电弧放电及绝缘损坏、匝间短路等故障的概率增加的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于局部放电特征的干式空心电抗器故障诊断方法流程图；
图2为本发明实施例提供的一种基于局部放电特征的干式空心电抗器故障诊断方法神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，随着电网传输容量的不断增大，电压等级的逐步升高，对各种电力设备运行的安全性和可靠性要求越来越高，干式空心电抗器也大量应用在电力系统中，然而通常情况下干式空心电抗器的工作环境都较为复杂，基于此，本发明实施例提供的一种基于局部放电特征的干式空心电抗器故障诊断方法及装置，可以缓解现有技术中发生局部电弧放电及绝缘损坏、匝间短路等故障的概率增加的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于局部放电特征的干式空心电抗器故障诊断方法进行详细介绍。
实施例一：
如图1所示，本发明实施例一提供了一种基于局部放电特征的干式空心电抗器故障诊断方法，包括，具体按照如下步骤进行：
S1：获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure BDA0002646950610000051
S2：基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure BDA0002646950610000052
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
S3：对所述部放电三维谱图特征量进行归一化处理；
进一步的，对特征量形成的向量：x＝{x1,x2,…,xn}，n＝56，归一化处理如下：
Figure BDA0002646950610000053
S4：获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
具体的，所述局部放电三维谱图特征量包括正、负半波偏斜度
Figure BDA0002646950610000054
正、负半波陡峭度
Figure BDA0002646950610000055
放电量因数Q，互相关系数cc、相位不对称度φ、修正的互相关系数mcc，监测环境的温度、电抗器湿度。
进一步的，使用HIH-316型湿度传感器，监测环境湿度；使用温度传感器Pt100监测环境温度；在干式空心电抗器安装一套光纤测温系统以检测各点温度；
进一步的，监测到的局部放电是以时间t为横坐标，以放电量q为纵坐标的二维量；
在本发明提供的实施例中，采用LabView编写程序，并对特征量进行统计；
优选的，所述获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习的步骤包括：
利用电抗器温度、电抗器湿度对局部过热、匝间绝缘损坏以及漏磁进行故障模拟以建立故障模型，并利用广义RBF神经网络智能诊断方法建立神经网络并对利用故障模型对神经网络进行训练，并利用步骤S1中获取的监测环境的温度以及电抗器湿度对神经网络进行学习；
需要说明的是输入层节点数目对应的特征量的数目，每个特征量对应一个节点；隐含层节点数目为故障模式数4(包括正常状态和3种故障模式)，节点与故障模式一一对应。选择径向基函数作为隐含层的基函数；输出层由故障模式种类决定，故障种类为4，输出层节点数为4，神经元的输出上、下阈值确定为0.2和0.8，即每个节点的输出小于等于0.2时确定为1.形成输出编码：0000、0001、0010、0011，分别对故障模式和正常运行状态。输出层输出编码对应的故障模式即为诊断结果。隐含层中心及宽度参数的确定采用有教师学习算法，即“K-均值聚类算法”中心初值在训练样本中随机选取，学习步长度取0.5，中心学习误差权限取0.001；权值确定采用“LMS算法”，权值初值取接近于零的小数据，学习速度为0.2，实际输出与目标输出误差限取0.001.
如图2所示，设输入层的任一节点用i表示，隐节点任一节点用j表示，输出层的任一节点用k表示。对各层的数学描述如下：输入向量：X＝(x1,x2,...,xn)T；任一隐节点的激活函数：Zj(X),(j＝1,2,3,...,q)，称为基函数，一般使用高斯函数。输出权矩阵：W，其中Wik,(j＝1,2,3,...,q；k＝1,2,3,...,m)为隐层的第j个节点与输出层第k个节点间的突触权值。输出向量：Y＝(y1,y2,...,ym)，输出层神经元采用线性激活函数。
实施例二：
本发明实施例二提供了一种基于局部放电特征的干式空心电抗器故障诊断装置，包括：
数据获取模块：用于获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure BDA0002646950610000071
特征量提取模块：用于基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure BDA0002646950610000072
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
归一化处理模块：对所述部放电三维谱图特征量进行归一化处理；
神经网络构建模块：用于获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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发明和简化描述，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发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于局部放电特征的干式空心电抗器故障诊断方法，其特征在于，包括，具体按照如下步骤进行：
S1：获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure FDA0002646950600000013
S2：基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure FDA0002646950600000014
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
S3：对所述部放电三维谱图特征量进行归一化处理；
S4：获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
2.根据权利要求1所述的方法，其特征在于，所述局部放电三维谱图特征量包括正、负半波偏斜度
Figure FDA0002646950600000011
sk、正、负半波陡峭度
Figure FDA0002646950600000012
ku，放电量因数Q，互相关系数cc、相位不对称度φ、修正的互相关系数mcc，监测环境的温度、电抗器湿度。
3.根据权利要求1所述的方法，其特征在于，所述获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习的步骤包括：
利用电抗器温度、电抗器湿度对局部过热、匝间绝缘损坏以及漏磁进行故障模拟以建立故障模型，并利用广义RBF神经网络智能诊断方法建立神经网络并对利用故障模型对神经网络进行训练，并利用步骤S1中获取的监测环境的温度以及电抗器湿度对神经网络进行学习。
4.一种基于局部放电特征的干式空心电抗器故障诊断装置，其特征在于，包括：
数据获取模块：用于获取监测环境的温度、电抗器湿度，获取放点次数n、放电量q、放电相位
Figure FDA0002646950600000021
特征量提取模块：用于基于所述监测环境的温度、所述电抗器湿度、所述放点次数n、所述放电量q以及所述放电相位
Figure FDA0002646950600000022
构建局部放电三维谱图，并提取所述局部放电三维谱图特征量；
归一化处理模块：对所述部放电三维谱图特征量进行归一化处理；
神经网络构建模块：用于获取故障模型参数，基于故障模型参数构建故障模型，并建立神经网络，基于所述故障模型对所述神经网络进行训练，利用归一化处理后的部放电三维谱图特征量对神经网络进行学习。
CN202010857703.1A 2020-08-24 2020-08-24 基于局部放电特征的干式空心电抗器故障诊断方法及装置 Pending CN112014696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010857703.1A CN112014696A (zh) 2020-08-24 2020-08-24 基于局部放电特征的干式空心电抗器故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010857703.1A CN112014696A (zh) 2020-08-24 2020-08-24 基于局部放电特征的干式空心电抗器故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN112014696A true CN112014696A (zh) 2020-12-01

Family

ID=73505667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010857703.1A Pending CN112014696A (zh) 2020-08-24 2020-08-24 基于局部放电特征的干式空心电抗器故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112014696A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125954A (zh) * 2021-04-16 2021-07-16 安徽大学 一种电动汽车驱动电机的故障诊断方法和应用
CN114280433A (zh) * 2021-12-02 2022-04-05 西南交通大学 一种基于放大电路的变压器套管局部放电风险评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
JP2011223801A (ja) * 2010-04-13 2011-11-04 Chugoku Electric Power Co Inc:The 直流地絡箇所探索方法、地絡電流供給装置及び直流地絡監視システム
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
CN103091610A (zh) * 2013-01-11 2013-05-08 辽宁省电力有限公司朝阳供电公司 一种变压器故障图形预警的方法
CN103323755A (zh) * 2013-06-17 2013-09-25 广东电网公司电力科学研究院 Gis特高频局部放电信号识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011223801A (ja) * 2010-04-13 2011-11-04 Chugoku Electric Power Co Inc:The 直流地絡箇所探索方法、地絡電流供給装置及び直流地絡監視システム
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
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
CN103091610A (zh) * 2013-01-11 2013-05-08 辽宁省电力有限公司朝阳供电公司 一种变压器故障图形预警的方法
CN103323755A (zh) * 2013-06-17 2013-09-25 广东电网公司电力科学研究院 Gis特高频局部放电信号识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125954A (zh) * 2021-04-16 2021-07-16 安徽大学 一种电动汽车驱动电机的故障诊断方法和应用
CN114280433A (zh) * 2021-12-02 2022-04-05 西南交通大学 一种基于放大电路的变压器套管局部放电风险评估方法

Similar Documents

Publication Publication Date Title
Santhosh et al. An approach for reliability prediction of instrumentation & control cables by artificial neural networks and Weibull theory for probabilistic safety assessment of NPPs
Bagheri et al. Effect of transformer winding mechanical defects, internal and external electrical faults and inrush currents on performance of differential protection
Mousavi et al. Detecting incipient faults via numerical modeling and statistical change detection
Nosratian Ahour et al. Determination and localisation of turn‐to‐turn fault in transformer winding using frequency response analysis
Haque et al. Deep learning based micro-grid fault detection and classification in future smart vehicle
CN112014696A (zh) 基于局部放电特征的干式空心电抗器故障诊断方法及装置
CN112924817A (zh) 一种基于深度神经网络的配电网故障精确定位方法
EP3861615A1 (en) Distribution grid admittance estimation with limited nonsynchronized measurements
Wang et al. Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder
CN117031182B (zh) 配电站所终端遥测值异常检测方法及系统
CN113758652A (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
Lee et al. Deep learning-based false sensor data detection for battery energy storage systems
Gopinath et al. Insulation condition assessment of high‐voltage rotating machines using hybrid techniques
CN115718270A (zh) 一种电力变压器的监测方法、装置和电子设备
Daryani et al. Evidence theory‐based identification of aging for capacitive voltage transformers
CN115761405A (zh) 一种高压电缆运行状态确定方法
Qu et al. Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis
Negri et al. Artificial Intelligence and Smart Grids: the Cable Joint Test Case
Yan et al. Application of random matrix model in multiple abnormal sources detection and location based on PMU monitoring data in distribution network
DE102021101757A1 (de) Big-Data für Fehlererkennung in Batteriesystemen
Wang et al. Insulation condition forewarning of form‐wound winding for electric aircraft propulsion based on partial discharge and deep learning neural network
Lashgari et al. An agent‐based fast concurrent prediction scheme for transient and short‐term voltage instability
Guedes et al. Insulation failures prognosis in electric machines: preventive detection and time to failure forecast
Zhang et al. CNN‐LSTM based power grid voltage stability emergency control coordination strategy
Ma et al. A detection method for HVDC commutation failure based on the variation rate of commutation inductance energy

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: 20201201