CN112083328A - 一种高压断路器故障诊断方法及系统和装置 - Google Patents
一种高压断路器故障诊断方法及系统和装置 Download PDFInfo
- Publication number
- CN112083328A CN112083328A CN202010936192.2A CN202010936192A CN112083328A CN 112083328 A CN112083328 A CN 112083328A CN 202010936192 A CN202010936192 A CN 202010936192A CN 112083328 A CN112083328 A CN 112083328A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- vibration signals
- characteristic quantity
- voltage circuit
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000026676 system process Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种高压断路器故障诊断方法及系统和装置,通过获取电磁斥力机构高压断路器两个不同位置的分闸振动信号,利用小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量,然后根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合,最后根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别,通过基于振动信号的随机森林集成学习模型,将随机森林将Bagging集成学习方式和随机属性选择相结合,成功将弱学习器提升为强学习器,并提高了模型效率,进一步提高了故障诊断模型的效率和准确度,较弱学习器具有显著的泛化性能,使用简单,本发明能够准确、可靠、快速诊断发生于系统过程之中的断路器故障。
Description
技术领域
本发明属于电工技术领域,尤其涉及一种高压断路器故障诊断方法及系统和装置。
背景技术
随着我国社会、经济的不断发展,电力系统也不断向智能化、自动化、数字化发展,高压断路器作为电力系统最重要的设备之一,通过现代化技术实现断路器的在线监测与故障诊断是实现其智能化的重要手段。
目前用于断路器故障诊断的检测信号主要为分合闸线圈电流信号和机械振动信号。电流信号易受周围环境干扰且对机械故障不敏感,无法全面监测各类故障,因此,基于振动信号的故障诊断研究受到了国内外学者的广泛关注。但目前的诊断方法还存在许多问题,需要一种适用于小样本分类问题、参数简单、效率高、泛化性能好的算法。
发明内容
本发明的目的在于提供一种高压断路器故障诊断方法及系统和装置,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种高压断路器故障诊断方法,包括以下步骤:
步骤1)、获取电磁斥力机构高压断路器两个不同位置的分闸振动信号;
步骤2)、利用小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量;
步骤3)、根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合;
步骤4)、根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别。
进一步的,以电磁斥力机构真空断路器为研究对象建立振动信号测试平台,电容充电电压额定值为2kV;通过压电式加速度传感器获取在5种故障下电磁斥力机构高压断路器两个不同位置的分闸振动信号。
进一步的,5种故障分别为:基座固定螺丝松动、缓冲器卡涩、控制回路电阻增大、控制回路电压过高和控制回路电压过低。
进一步的,步骤2)中,将获取的振动信号进行小波包分解,采用db10小波基,结合断路器振动信号特点和采样频率,对振动信号进行7层小波包分解,采样频率为1MHz,7层分解后频带范围为500kHz/27≈3.906kHz。
进一步的,当小波包分解完成后,对分解系数进行逐层重构,并计算各频段信号能量,对各频段能量进行归一化处理。
进一步的,各频段信号能量Q(i)计算公式为:
其中,N为原始信号S(0,0)信号长度,xi j(k)2为j层小波包分解,第i个频带内信号幅值。
进一步的,各频段能量Q(i)归一化处理计算公式为
进一步的,通过Bagging自助采样法在得到的特征量集合D中有放回地随机抽取m个训练样本,重复步骤1)至步骤3n次,即可得到n个含m个训练样本的采样集Mi,从特征量集合K个特征属性中随机无放回地选择一个包含k(k<<K)个属性的子集,然后再从这个子集中选择一个最优属性用于划分,重复n次,完成随机森林的随机属性选择,基于每个训练集Mi训练出一个基学习器Ti,完成模型训练,将未知样本输入到构建好的n个决策树模型进行预测,预测结果通过投票取众数输出作为最终诊断结果。
一种高压断路器故障诊断系统,包括信号采集模块、特征量提取模块和诊断计算模块;
信号采集模块用于获取电磁斥力机构高压断路器两个不同位置的分闸振动信号,并将获取的信号传输至特征量提取模块,特征量提取模块通过小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量,并根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合,将获取的特征量集合传输至诊断计算模块,诊断计算模块根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别。
一种高压断路器故障诊断装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种高压断路器故障诊断方法,通过获取电磁斥力机构高压断路器两个不同位置的分闸振动信号,利用小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量,然后根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合,最后根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别,通过基于振动信号的随机森林集成学习模型,将随机森林将Bagging集成学习方式和随机属性选择相结合,成功将弱学习器提升为强学习器,并提高了模型效率,进一步提高了故障诊断模型的效率和准确度,较弱学习器具有显著的泛化性能,使用简单,本发明能够准确、可靠、快速诊断发生于系统过程之中的断路器故障。
进一步的,采用小波包分解理论和随机森林集成学习模型相结合具有较好地诊断效果,提取的各频段归一化能量值作为特征量简单、有效,采用随机森林集成学习模型在故障识别中展现出很好的泛化性能。
本发明一种高压断路器故障诊断系统,模型参数简单,能够处理高维度的数据,对数据集的适应能力强,使用方便,适用范围广。
附图说明
图1为本发明实施例中诊断流程图。
图2为本发明实施例中以电磁斥力机构真空断路器为研究对象建立振动信号测试平台。
图3为本发明实施例中7层小波包分解树结构图。
图4为本发明实施例中正常状态下小波包分解归一化能量分布。
图5a为本发明实施例中应用随机森林集成学习模型得到的决策树数目与高压断路器故障诊断预测结果准确率的关系曲线。
图5b为本发明实施例中应用随机森林集成学习模型得到的高压断路器故障诊断预测结果。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,对本发明所述的一种高压断路器故障诊断方法的步骤进行具体说明:
步骤一、以电磁斥力机构真空断路器为研究对象建立振动信号测试平台,电容充电电压额定值为2kV;通过压电式加速度传感器获取电磁斥力机构高压断路器两个不同位置的分闸振动信号;
实验过程中,人为模拟5种故障,分别为:故障1-基座固定螺丝松动、故障2-缓冲器卡涩、故障3-控制回路电阻增大(模拟线圈老化)、故障4-控制回路电压过高(105%额定电压)、故障5-控制回路电压过低(85%额定电压)。实验平台使用压电式加速度传感器采集振动信号,在对断路器不同位置振动信号进行大量实验测试后,选择位置1、位置2安装传感器,如图2所示;
模拟5种故障,使用压电式加速度传感器采集振动信号,在对断路器两个位置振动信号进行大量实验测试,获取6种状态下120组数据,其中60组作为训练样本,60组作为预测样本;
步骤二、将获取的振动信号进行小波包分解:小波包分解效果的关键在于小波基函数和分解层数的选取,文中采用db10小波基,结合断路器振动信号特点和采样频率,对振动信号进行7层小波包分解,分解树结构如图3所示。由于采样频率为1MHz,可检测信号范围为500kHz,则7层分解后频带范围为500kHz/27≈3.906kHz,如图3所示。对分解系数进行逐层重构,并计算各频段信号能量其中,N为原始信号S(0,0)信号长度,xi j(k)2为j层小波包分解,第i个频带内信号幅值。各频段能量Q(i)作归一化处理,其中,为振动信号总能量,从而得到电磁斥力机构真空断路器分闸振动信号特征量集合D。
步骤三、通过Bagging自助采样法在给定的特征量集合D中有放回地随机抽取m个训练样本,按照上述步骤,重复该过程n次,即可得到n含m个训练样本的采样集Mi,0<i≤n。
步骤四、从特征量集合的K个特征属性中随机无放回地选择一个包含k(k<<K)个属性的子集,然后再从这个子集中选择一个最优属性用于划分,重复n次,即完成了随机森林的随机属性选择;基于每个训练集Mi训练出一个基学习器Ti,完成模型训练.
步骤五、将未知样本输入到构建好n的个决策树模型进行预测,预测结果通过投票取众数输出作为最终诊断结果。
结合图5a~5b,阐述本发明一种高压断路器故障诊断方法的高压断路器故障诊断效果。图5a为决策树数目与预测准确率关系曲线。本发明对不同决策树数目下随机森林预测准确度进行了测试,对不同决策树数目分别进行50次重复实验,并计算50次预测准确率的平均值。随着决策树的增加,预测准确率呈上升趋势,决策树数目达到100时,预测准确率基本稳定,因此决策树数目选择100。
决策树数目确定后,根据构建的随机森林模型对样本进行训练和预测,预测结果如图5b所示,并将随机森林集成学习模型与常用单一学习器的诊断效果进行对比,如表1所示。
表一
结合图5b和表1可得,决策树总的预测准确率仅为66.67%,而随机森林在效率提升约10倍的同时,预测准确率提高了33.33%,达到了100%,表明了构建的随机森林模型通过Bagging集成学习方式以及随机属性选择过程较大地提高了弱学习器的性能,解决了决策树容易过拟合的问题,提高了诊断模型的泛化能力,此外,随机森林在个体决策树构建时使用“随机型”决策树,只考察一个属性子集,从而提升了诊断模型的效率;对比其他单一学习器诊断结果,随机森林在预测准确率和模型效率都体现出较大优势,对于各类故障均具有很高预测准确度,并且相较于常用的支持向量机算法,随机森林参数简单,参数确定后后续无需更改,而支持向量机每次必须进行复杂的参数寻优工作,影响模型效率。
如图1所示,随机森林将Bagging集成学习方式和随机属性选择相结合,成功将弱学习器提升为强学习器,并提高了模型效率,是一种高效的诊断方法。随机森林集成学习模型参数简单,能够处理高维度的数据,对数据集的适应能力强,使用方便,适用范围广。
如图4所示,小波包分解理论和随机森林集成学习模型相结合具有较好地诊断效果,提取的各频段归一化能量值作为特征量简单、有效,提出的随机森林集成学习模型在故障识别中展现出很好的泛化性能。
Claims (10)
1.一种高压断路器故障诊断方法,其特征在于,包括以下步骤:
步骤1)、获取电磁斥力机构高压断路器两个不同位置的分闸振动信号;
步骤2)、利用小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量;
步骤3)、根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合;
步骤4)、根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别。
2.根据权利要求1所述的一种高压断路器故障诊断方法,其特征在于,以电磁斥力机构真空断路器为研究对象建立振动信号测试平台,电容充电电压额定值为2kV;通过压电式加速度传感器获取在5种故障下电磁斥力机构高压断路器两个不同位置的分闸振动信号。
3.根据权利要求2所述的一种高压断路器故障诊断方法,其特征在于,5种故障分别为:基座固定螺丝松动、缓冲器卡涩、控制回路电阻增大、控制回路电压过高和控制回路电压过低。
4.根据权利要求1所述的一种高压断路器故障诊断方法,其特征在于,步骤2)中,将获取的振动信号进行小波包分解,采用db10小波基,结合断路器振动信号特点和采样频率,对振动信号进行7层小波包分解,采样频率为1MHz,7层分解后频带范围为500kHz/27≈3.906kHz。
5.根据权利要求4所述的一种高压断路器故障诊断方法,其特征在于,当小波包分解完成后,对分解系数进行逐层重构,并计算各频段信号能量,对各频段能量进行归一化处理。
8.根据权利要求1所述的一种高压断路器故障诊断方法,其特征在于,通过Bagging自助采样法在得到的特征量集合D中有放回地随机抽取m个训练样本,重复步骤1)至步骤3n次,即可得到n个含m个训练样本的采样集Mi,从特征量集合K个特征属性中随机无放回地选择一个包含k(k<<K)个属性的子集,然后再从这个子集中选择一个最优属性用于划分,重复n次,完成随机森林的随机属性选择,基于每个训练集Mi训练出一个基学习器Ti,完成模型训练,将未知样本输入到构建好的n个决策树模型进行预测,预测结果通过投票取众数输出作为最终诊断结果。
9.一种高压断路器故障诊断系统,其特征在于,包括信号采集模块、特征量提取模块和诊断计算模块;
信号采集模块用于获取电磁斥力机构高压断路器两个不同位置的分闸振动信号,并将获取的信号传输至特征量提取模块,特征量提取模块通过小波包分解对获取的振动信号进行时、频特性分析,提取振动信号的特征量,并根据提取的特征量计算振动信号的各频段归一化能量向量得到特征量集合,将获取的特征量集合传输至诊断计算模块,诊断计算模块根据得到的特征量集合基于随机森林集成学习模型进行故障诊断与识别。
10.一种高压断路器故障诊断装置,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936192.2A CN112083328A (zh) | 2020-09-08 | 2020-09-08 | 一种高压断路器故障诊断方法及系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936192.2A CN112083328A (zh) | 2020-09-08 | 2020-09-08 | 一种高压断路器故障诊断方法及系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112083328A true CN112083328A (zh) | 2020-12-15 |
Family
ID=73732153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936192.2A Pending CN112083328A (zh) | 2020-09-08 | 2020-09-08 | 一种高压断路器故障诊断方法及系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083328A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341306A (zh) * | 2021-04-19 | 2021-09-03 | 云南电网有限责任公司临沧供电局 | 一种基于振动信号的高压断路器状态评估系统与方法 |
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及系统 |
CN113705637A (zh) * | 2021-08-12 | 2021-11-26 | 西安交通大学 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
CN113901862A (zh) * | 2021-08-12 | 2022-01-07 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN114062919A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 真空灭弧室的破裂监测方法、装置、系统和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
-
2020
- 2020-09-08 CN CN202010936192.2A patent/CN112083328A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
Non-Patent Citations (1)
Title |
---|
樊浩等: ""随机森林集成学习模型在高压真空断路器振动信号分析中的应用"", 《电器与能效管理技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341306A (zh) * | 2021-04-19 | 2021-09-03 | 云南电网有限责任公司临沧供电局 | 一种基于振动信号的高压断路器状态评估系统与方法 |
CN113705637A (zh) * | 2021-08-12 | 2021-11-26 | 西安交通大学 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
CN113901862A (zh) * | 2021-08-12 | 2022-01-07 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN113705637B (zh) * | 2021-08-12 | 2024-04-02 | 西安交通大学 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
CN113901862B (zh) * | 2021-08-12 | 2024-04-05 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及系统 |
CN114062919A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 真空灭弧室的破裂监测方法、装置、系统和可读存储介质 |
CN114062919B (zh) * | 2021-11-18 | 2022-08-02 | 广东电网有限责任公司广州供电局 | 真空灭弧室的破裂监测方法、装置、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
Zhao et al. | Fault diagnosis of circuit breaker energy storage mechanism based on current-vibration entropy weight characteristic and grey wolf optimization–support vector machine | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN112083327A (zh) | 一种高压真空断路器机械故障诊断方法及系统 | |
Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
CN111796180A (zh) | 一种高压开关机械故障的自动识别方法及装置 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN113901862B (zh) | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 | |
Wang et al. | CNN based mechanical fault diagnosis of high voltage circuit breaker using sound and current signal | |
CN113391244A (zh) | 一种基于vmd的变压器合闸振动信号特征频率计算方法 | |
CN110377927B (zh) | 一种基于matlab仿真的泵站机组转子状态监控方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Sun et al. | A Novel Fault Diagnosis of GIS Partial Discharge Based on Improved Whale Optimization 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |