CN112036077B - 无流量传感器的矿用隔爆水冷变频器过热保护方法 - Google Patents
无流量传感器的矿用隔爆水冷变频器过热保护方法 Download PDFInfo
- Publication number
- CN112036077B CN112036077B CN202010816768.1A CN202010816768A CN112036077B CN 112036077 B CN112036077 B CN 112036077B CN 202010816768 A CN202010816768 A CN 202010816768A CN 112036077 B CN112036077 B CN 112036077B
- Authority
- CN
- China
- Prior art keywords
- flow
- frequency converter
- temperature rise
- water
- overheat protection
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005065 mining Methods 0.000 title claims abstract description 16
- 238000001816 cooling Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000001931 thermography Methods 0.000 claims abstract description 4
- 239000000498 cooling water Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 239000000110 cooling liquid Substances 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
本发明涉及一种无流量传感器的矿用隔爆水冷变频器过热保护方法,包括:利用热仿真技术或热成像实验确定本方法所参考的温度监测点;采用BP神经网络回归方法得到通用预测模型;采用Softmax算法准确区分变频器轻载、重载、满载三种工况类型;根据Softmax算法的分类结果,确定流量预测系数,进行温升换算,代入通用预测模型,实现当前工况及温升下水冷散热器流量的智能预测;实时监测并记录水冷散热器的流量变化,判断系统是否处于安全工作状态。本发明在不使用流量传感器的前提下,具有很强的通用性和智慧性,符合工程实际对简化系统构成,降低系统成本,增强系统可靠性,更适合在井下恶劣环境工作等需求。
Description
技术领域:
本发明涉及无传感器智能预测保护技术领域,尤其涉及一种基于无流量传感器的矿用隔爆水冷变频器过热保护方法。
背景技术:
水冷散热器由于冷却液具有高比热容性能,对热流换系数高,热交换能力强,并且结构紧凑,体积小,成本低,集成度高,广泛应用于大功率矿用隔爆变频器的冷却散热。水冷散热器的性能由外部输入条件决定,需要保证冷却液循环流动的稳定性和足够的冷却液流量,否则将导致整流模块、逆变模块等大功率开关器件结温过高,甚至过热而失效。因此,为保障矿用隔爆变频器安全,目前通行的做法是:在水冷散热器进水口安装流量传感器,实时监测冷却液的流量状态。其存在的问题是:煤矿环境复杂恶劣,流量传感器在长时间工作容易产生机械损坏,易受到电磁干扰和信号失真的影响,且本质安全型流量传感器本身价格昂贵,与之关联的通讯、控制设备繁杂,维护、更换难度大,还存在安标资质失效的问题。因此,依托现有必需温度监测装置,设计一种无传感器的流量预测方法对矿用隔爆变频器进行过热保护,显得尤为必要。
发明内容:
本发明的目的在于提供一种无流量传感器的矿用隔爆水冷变频器过热保护方法,在不使用流量传感器的前提下,基于统计学习预测算法,根据水冷散热器基板温度及其变化,实现变频器轻载、重载及满载工况条件的自动鉴别以及相应工况条件下水冷散热器流量的智能预测,且适用于矿用隔爆变频器过热保护。
本发明是通过如下技术方案实现的:
为实现上述目的,本发明提供如下技术方案:一种无流量传感器的矿用隔爆水冷变频器过热保护方法,包括以下步骤:
第一步:以煤矿井下常见的铁材料水冷散热器为例,分别在变频器处于轻载、重载及满载工况时,通以区间为额定流量20%-100%的冷却水,利用热仿真技术或热成像实验观测散热器基板温度分布和瞬态变化,确定本发明所参考的温度监测点;
第二步:采集和处理监测点的温度数据,获得本发明实施所需的特征值,即温度上升时间tr和温升△T。温度上升时间tr为从零时刻到达到温度稳态值的时间,温升△T为温度稳态值高出环境温度的值;
第三步:以温升△T作为流量预测所需的特征值,采用BP神经网络回归方法建立一种“温升—流量”通用预测模型,该模型适用于变频器不同工况条件下水冷散热器的流量预测;
第四步:融合应用多特征值鉴别变频器轻载、重载、满载三类工况条件,以温度上升时间tr和温升△T作为特征值,采用Softmax算法对数据进行训练和分类,可以准确区分三种工况类型;
第五步:定义流量预测系数α,对于轻载工况条件,其流量预测系数为0.35,对于重载工况条件,其流量预测系数为0.65,对于满载工况条件,其流量预测系数为1;
第六步:根据Softmax算法的分类结果,确定变频器的工况条件,进而根据工况条件确定流量预测系数;
第七步:将温升△T乘以本发明第六步所确定的流量预测系数,代入本发明第三步所述的通用预测模型,得到当前工况及温升下水冷散热器的流量;
第八步:实时监测并记录水冷散热器的流量变化,判断变频器系统是否处于安全工作状态,若流量波动和突变剧烈或低于预设阈值,则断开变频器主回路。
与现有方法相比,本发明有以下优点:
1)无流量传感器,符合工程实际对简化系统构成,降低系统成本,增强系统可靠性,更适合在井下恶劣环境工作等需求;
2)采用先分类后回归的预测设计思路,加入了合适的分类和回归预测算法,可以实现变频器工况条件的自动鉴别以及水冷散热器流量的智能预测,具有很强的通用性和智慧性;采用Softmax分类算法,弥补了支持向量机(SVM)及其改进算法在大规模样本训练和多分类应用上的不足,且其不存在对坏点较敏感的问题;
3)以温升△T作为特征参数,避免了环境温度差异对本发明实施效果的影响,提高预测稳定性和准确性;
4)融合应用温度上升时间tr特征值和温升△T特征值鉴别变频器的工况条件,可解决单一特征值在低流量区间内无法分类和整个区间分类准确率较低的问题。而利用温升△T进行流量预测时,特征区分度高,预测效果明显。且本发明所涉及特征值容易获取,无需复杂计算和变换;
5)引入流量预测系数α,以一种通用BP神经网络模型预测变频器在轻载、重载及满载工况条件下水冷散热器的流量,有效减少数据存储,提高运算速率。
附图说明:
图1为本发明的无流量传感器的矿用隔爆水冷变频器过热保护方法的原理框图;
图2为监测点温度响应曲线图;
图3为多特征值融合分类应用的数据;
图4为测试集神经网络流量预测结果对比。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易被本领域人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示的一种无流量传感器的矿用隔爆水冷变频器过热保护方法,包括以下步骤:
第一步:以煤矿井下常见的铁材料水冷散热器为例,分别在变频器处于轻载、重载及满载工况时,通以区间为额定流量20%-100%的冷却水,利用热仿真技术或热成像实验观测散热器基板温度分布和瞬态变化,确定本发明所参考的温度监测点;
第二步:采集和处理监测点的温度数据,获得本发明实施所需的特征值,即温度上升时间tr和温升△T。温度上升时间tr为从零时刻到达到温度稳态值的时间,温升△T为温度稳态值高出环境温度的值;
第三步:以温升△T作为流量预测所需的特征值,采用BP神经网络回归方法建立一种“温升—流量”通用预测模型,该模型适用于变频器不同工况条件下水冷散热器的流量预测;
第四步:融合应用多特征值鉴别变频器轻载、重载、满载三类工况条件,以温度上升时间tr和温升△T作为特征值,采用Softmax算法对数据进行训练和分类,可以准确区分三种工况类型;
第五步:定义流量预测系数α,对于轻载工况条件,其流量预测系数为0.35,对于重载工况条件,其流量预测系数为0.65,对于满载工况条件,其流量预测系数为1;
第六步:根据Softmax算法的分类结果,确定变频器的工况条件,进而根据工况条件确定流量预测系数;
第七步:将温升△T乘以本发明第六步所确定的流量预测系数,代入本发明第三步所述的通用预测模型,得到当前工况及温升下水冷散热器的流量;
第八步:实时监测并记录水冷散热器的流量变化,判断变频器系统是否处于安全工作状态,若流量波动和突变剧烈或低于预设阈值,则断开变频器主回路。
以矿用1140V/630kW两象限水冷隔爆变频器为例,其逆变单元由6个大功率IGBT模块组成,对于轻载工况条件,单个IGBT模块的功率为800kW,对于重载工况条件,单个IGBT模块的功率为1500kW,对于满载工况条件,单个IGBT模块的功率为2300kW。该型变频器采用铁材料水冷散热器,冷却水额定流量为0.0005m3/s。利用热仿真技术,分别在环境温度为15℃、20℃、25℃、30℃、35℃时,通以区间为额定流量20%-100%的冷却水,获得监测点的温度上升时间tr和温升△T数据。
如图2所示,变频器满载工况条件下,环境温度为25℃,冷却水流量为0.0002m3/s时,监测点的温度平滑上升而后趋于稳态值,上升时间tr为630s,温升△T为53℃。
变频器轻载、重载和满载工况条件下,不同环境温度及冷却水流量时,监测点的温度上升时间tr和温升△T数据如图3所示。可见,三种工况条件的分类边界清晰,说明融合应用温度上升时间tr和温升△T作为特征值可以实现轻载、重载和满载工况条件的准确区分。利用softmax算法对特征值数据进行训练,得到本应用所需的softmax分类器。利用该分类器对任意未知工况条件下的温度上升时间tr和温升△T数据进行分类预测,即可确定变频器的工况类型。
变频器满载工况条件下,分别测得不同环境温度及冷却水流量时,监测点的温升△T数据,利用部分数据组进行训练获得本应用所需的“温升—流量”BP神经网络回归预测模型,该模型的决定系数高达0.99,模型拟合优度高。利用剩余数据组进行流量预测(通过温升预测冷却水流量)。图4为测试集神经网络流量预测结果对比,可见,预测样本的流量预测结果与真实结果相吻合,预测结果准确。上述模型为通用预测模型,对于其他工况条件,将温升△T乘以相应的流量预测系数代入通用预测模型,即得该工况及温升下水冷散热器的流量。其中流量预测系数是根据Softmax算法的分类结果,确定变频器的工况条件之后确定的。例如,重载工况下,流量预测系数为0.65,当温升△T为33℃时,实际流量为0.0002m3/s,预测流量为0.00021m3/s。
最后应说明的是:以上实施例,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以权利要求的保护范围为准。
Claims (3)
1.一种无流量传感器的矿用隔爆水冷变频器过热保护方法,其特征在于,包括如下步骤:
第一步:利用热仿真技术或热成像实验观测散热器基板温度分布和瞬态变化,确定所参考的最佳温度监测点;
第二步:采集和处理监测点的温度数据,获得所需的特征值,即温度上升时间tr和温升△T;
第三步:以温升△T作为流量预测所需的特征值,采用BP神经网络回归方法建立通用预测模型;
第四步:融合应用多特征值鉴别变频器轻载、重载、满载三类工况条件,以温度上升时间tr和温升△T作为特征值,采用Softmax算法对数据进行训练和分类,准确区分三种工况类型;
第五步:定义流量预测系数α,对于轻载工况条件,其流量预测系数为0.35,对于重载工况条件,其流量预测系数为0.65,对于满载工况条件,其流量预测系数为1;
第六步:根据Softmax算法的分类结果,确定变频器的工况条件,进而根据工况条件确定流量预测系数;
第七步:将温升△T乘以第六步所确定的流量预测系数,代入第三步所述的通用预测模型,得到当前工况及温升下水冷散热器的流量;
第八步:实时监测并记录水冷散热器的流量变化,判断变频器系统是否处于安全工作状态。
2.根据权利要求1所述的无流量传感器的矿用隔爆水冷变频器过热保护方法,其特征在于:第一步中,分别在水冷变频器处于轻载、重载及满载工况时,通以区间为额定流量20%-100%的冷却水。
3.根据权利要求1所述的无流量传感器的矿用隔爆水冷变频器过热保护方法,其特征在于:第八步中,若流量波动和突变剧烈或低于预设阈值,则断开变频器主回路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010816768.1A CN112036077B (zh) | 2020-08-14 | 2020-08-14 | 无流量传感器的矿用隔爆水冷变频器过热保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010816768.1A CN112036077B (zh) | 2020-08-14 | 2020-08-14 | 无流量传感器的矿用隔爆水冷变频器过热保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036077A CN112036077A (zh) | 2020-12-04 |
CN112036077B true CN112036077B (zh) | 2023-10-24 |
Family
ID=73578347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010816768.1A Active CN112036077B (zh) | 2020-08-14 | 2020-08-14 | 无流量传感器的矿用隔爆水冷变频器过热保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036077B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848078B (zh) * | 2021-08-25 | 2023-12-08 | 祥博传热科技股份有限公司 | 一种热管散热器中热管失效判断的检测方法 |
CN116662763B (zh) * | 2023-07-25 | 2023-10-20 | 华夏天信智能物联股份有限公司 | 一种用于变频器温升测试的数据处理方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135311A (zh) * | 2011-04-06 | 2011-07-27 | 华南理工大学 | 一种中央空调系统整体优化控制装置 |
CN102384088A (zh) * | 2011-12-12 | 2012-03-21 | 山东大学 | 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 |
CN103452829A (zh) * | 2013-09-10 | 2013-12-18 | 台州神能电器有限公司 | 一种变频供水系统运行效率在线检测方法 |
CN104901557A (zh) * | 2015-05-08 | 2015-09-09 | 株洲南车时代电气股份有限公司 | 一种智能变流器冷却系统及智能冷却控制方法 |
CN104990134A (zh) * | 2015-07-23 | 2015-10-21 | 广东艾科技术股份有限公司 | 变流量与分户计量的集中供热系统及水力平衡调节方法 |
CN105737903A (zh) * | 2016-04-27 | 2016-07-06 | 於斌 | 港口机械设备故障智能预诊断及维保智能预警方法 |
CN106407608A (zh) * | 2016-10-27 | 2017-02-15 | 华北电力大学 | 一种考虑热耦合的压接igbt模块稳态结温预测模型 |
JP2018042414A (ja) * | 2016-09-09 | 2018-03-15 | 日産自動車株式会社 | 冷却異常検出装置 |
CN109405935A (zh) * | 2018-12-18 | 2019-03-01 | 东北林业大学 | 一种空气流量传感器检测装置及检测方法 |
CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
CN110956339A (zh) * | 2019-12-17 | 2020-04-03 | 上海威派格智慧水务股份有限公司 | 一种流量预测方法 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN111460617A (zh) * | 2020-03-03 | 2020-07-28 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7243538B1 (en) * | 2005-12-22 | 2007-07-17 | Honeywell International Inc. | Gas flow sensor system and method of self-calibration |
-
2020
- 2020-08-14 CN CN202010816768.1A patent/CN112036077B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135311A (zh) * | 2011-04-06 | 2011-07-27 | 华南理工大学 | 一种中央空调系统整体优化控制装置 |
CN102384088A (zh) * | 2011-12-12 | 2012-03-21 | 山东大学 | 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 |
CN103452829A (zh) * | 2013-09-10 | 2013-12-18 | 台州神能电器有限公司 | 一种变频供水系统运行效率在线检测方法 |
CN104901557A (zh) * | 2015-05-08 | 2015-09-09 | 株洲南车时代电气股份有限公司 | 一种智能变流器冷却系统及智能冷却控制方法 |
CN104990134A (zh) * | 2015-07-23 | 2015-10-21 | 广东艾科技术股份有限公司 | 变流量与分户计量的集中供热系统及水力平衡调节方法 |
CN105737903A (zh) * | 2016-04-27 | 2016-07-06 | 於斌 | 港口机械设备故障智能预诊断及维保智能预警方法 |
JP2018042414A (ja) * | 2016-09-09 | 2018-03-15 | 日産自動車株式会社 | 冷却異常検出装置 |
CN106407608A (zh) * | 2016-10-27 | 2017-02-15 | 华北电力大学 | 一种考虑热耦合的压接igbt模块稳态结温预测模型 |
CN109405935A (zh) * | 2018-12-18 | 2019-03-01 | 东北林业大学 | 一种空气流量传感器检测装置及检测方法 |
CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN110956339A (zh) * | 2019-12-17 | 2020-04-03 | 上海威派格智慧水务股份有限公司 | 一种流量预测方法 |
CN111460617A (zh) * | 2020-03-03 | 2020-07-28 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
Non-Patent Citations (1)
Title |
---|
一种基于广义回归神经网络的超声波流量传感器系数求解方法;陈子静;《传感技术学报》;第28卷(第1期);56-61 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036077A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036077B (zh) | 无流量传感器的矿用隔爆水冷变频器过热保护方法 | |
dit Leksir et al. | Localization of thermal anomalies in electrical equipment using Infrared Thermography and support vector machine | |
WO2019063000A1 (zh) | 半导体功率器件动态结温的实时在线预测方法 | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
CN113123990B (zh) | 基于油指数辨识的油浸式变压器风扇风量异常监测方法 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
Mohan et al. | IoT based fault identification in solar photovoltaic systems using an extreme learning machine technique | |
CN111239515A (zh) | 电力设备载流故障预测方法及系统 | |
CN111307480B (zh) | 一种基于嵌入式热管传热管理系统、方法及存储介质 | |
Liu et al. | Data-driven condition monitoring of data acquisition for consumers’ transformers in actual distribution systems using t-statistics | |
CN117075483B (zh) | 液冷储能系统的状态监控方法、装置及存储介质 | |
CN105651489A (zh) | 激光器寿命测试系统 | |
Chu et al. | Detecting load redistribution attacks via support vector models | |
CN116503633B (zh) | 基于图像识别的开关柜状态智能检测控制方法 | |
CN117498262A (zh) | 一种高压直流电子负载开关保护电路 | |
CN115219842A (zh) | 一种机电设备故障定位及报警保护装置 | |
CN112504509B (zh) | 一种电力设备温度监测系统及方法 | |
CN112164209B (zh) | 一种换流站换流阀元件温度预测方法及系统 | |
CN113784085A (zh) | 一种输电线路防外破的监测装置及方法 | |
CN112729607A (zh) | 变电站一次设备载流元件发热温度预测监控方法和系统 | |
CN112461390A (zh) | 一种适用于油浸式变压器的分布式比较型测温模块及方法 | |
CN117458399B (zh) | 基于多源数据监测的矿用防爆电机保护方法和系统 | |
Kim et al. | Fault detection method using inverse distance weight-based local outlier factor | |
Gómez et al. | A Self-Commissioning Edge Computing Method for Data-Driven Anomaly Detection in Power Electronic Systems | |
CN112507577B (zh) | 基于模式识别的gis断路器触头稳态温度计算方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |