CN112132226A - 一种±1100kV复合绝缘子缺陷诊断方法 - Google Patents
一种±1100kV复合绝缘子缺陷诊断方法 Download PDFInfo
- Publication number
- CN112132226A CN112132226A CN202011057919.6A CN202011057919A CN112132226A CN 112132226 A CN112132226 A CN 112132226A CN 202011057919 A CN202011057919 A CN 202011057919A CN 112132226 A CN112132226 A CN 112132226A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- defects
- diagnosing
- defect
- feature
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 239000012212 insulator Substances 0.000 title claims abstract description 69
- 239000002131 composite material Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005684 electric field Effects 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明涉及一种±1100kV复合绝缘子缺陷诊断方法，包括：1、分别采用多种检测方法对正常状态和不同类型缺陷的±1100kV复合绝缘子进行带电检测，获得原始数据；2、提取这些原始数据的统计学特征，并利用Fisher准则筛选出最能区分绝缘子状态的特征；3、采用核主元分析进行特征融合降维，将降维后的特征量作为输入，将缺陷类别作为输出，利用支持向量机建立缺陷诊断模型；4、利用缺陷诊断模型对运行中的±1100kV复合绝缘子缺陷进行检测和诊断，并进行诊断准确率分析，以指导±1100kV复合绝缘子的状态检修和运维。该方法有利于简单、高效、准确地判断±1100kV复合绝缘子的运行情况，并对其进行缺陷诊断。
Description
技术领域
本发明属于特高压输电技术领域，具体涉及一种基于多源特征融合的±1100kV复合绝缘子缺陷诊断方法。
背景技术
在昌吉-古泉±1100kV特高压直流输电工程中，轻中冰区直线塔和耐张塔跳线串均采用复合绝缘子，重冰区以瓷绝缘子为主，耐张串则以玻璃绝缘子为主。由于该工程重冰区比例不高，复合绝缘子用量很大。据不完全统计，复合绝缘子用量占全线绝缘子总量的比例超过一半。在实际运行中，复合绝缘子会在电气、机械和外界环境的共同作用下逐渐出现劣化的现象。如何实时检测、评估复合绝缘子的整体运行性能是线路运维单位急需解决的问题。
昌吉-古泉±1100kV特高压工程是目前世界上运行电压等级最高的直流输电工程，包括±1100kV特高压直流复合绝缘子在内的绝大部分电气设备均缺乏实际运行经验。一方面，由于运行特性与电压等级的非线性关系，单纯靠±800kV特高压直流复合绝缘子的运行经验外推至±1100kV特高压直流复合绝缘子是不可行的；另一方面，与交流电压作用下不同，直流输电工程中表面电荷对复合绝缘子的电压分布、积污和闪络等运行特性的影响不容忽视。
现有的复合绝缘子劣化检测方法仍存在一定的局限性，特别是对±1100kV特高压直流复合绝缘子缺陷检测方法的研究几乎处于空白。因此，考虑到±1100kV输电线路复合绝缘子的重要性和特殊性，有必要对其缺陷带电检测方法进行深入研究，以提高其运行可靠性。
发明内容
本发明的目的在于提供一种±1100kV复合绝缘子缺陷诊断方法，该方法有利于简单、高效、准确地判断±1100kV复合绝缘子的运行情况，并对其进行缺陷诊断。
为实现上述目的，本发明采用的技术方案是：一种±1100kV复合绝缘子缺陷诊断方法，包括以下步骤：
步骤1：分别采用包括红外热像法、紫外成像法、电场电位分布法、超声波法和电磁波谱法的多种检测方法对正常状态和不同类型缺陷的±1100kV复合绝缘子进行带电检测，获得原始数据，建立样本库；
步骤2：通过计算提取这些原始数据的统计学特征，并利用Fisher准则对不同检测方法提取的特征进行筛选，选出最能区分绝缘子状态的特征；
步骤3：采用核主元分析KPCA进行特征融合降维，将降维后的特征量作为输入，将复合绝缘子缺陷类别作为输出，利用支持向量机SVM建立±1100kV复合绝缘子缺陷诊断模型；
步骤4：利用缺陷诊断模型对运行中的±1100kV复合绝缘子缺陷进行检测和诊断，并进行诊断准确率分析，以指导±1100kV复合绝缘子的状态检修和运维。
进一步地，所述步骤1中，缺陷类型包括：内部悬浮缺陷、内部导通缺陷、内部悬浮半导电性缺陷、内部导通半导电性缺陷、水汽进入和伞裙表面漏电起痕。
进一步地，所述步骤2中，原始数据的统计学特征包括：平均值、几何平均值、中位数、1/4分位数、3/4分位数、调和平均数、极差、方差、总体标准差、样本标准差、偏斜度、峰度、变异系数、能量和熵。
进一步地，所述步骤2中，利用Fisher准则对不同检测方法提取的特征进行筛选的具体方法为：
设一共存在n个样本分别属于C个类：ω1、ω2、ω3……ωC，每个类别i分别有ni个样本，所述类别包括±1100kV复合绝缘子的正常状态和不同缺陷类型；定义Sω (k)和SB (k)分别表示第k维特征的类内方差和类间方差：
其中，x(k)、mi (k)、m(k)分别表示样本x、第i类样本的均值、所有样本的均值在第k维上的取值，n表示所有样本的总数；计算出每一维特征对应的类间方差和类内方差的比值JF (k)：
筛选出JF (k)值大于设定值的特征量，即得到筛选结果。
进一步地，所述步骤3中，采用核主元分析KPCA进行特征融合降维，包括以下步骤：
1)导入数据，并对数据进行标准化处理；
2)计算核矩阵K，设定函数为高斯径向基核函数，公式为：
式中，参数σ为高斯核函数的核宽度；
3)中心化核矩阵K，用于修改核矩阵：
KC＝K-INK-KIN+INKIN (5)
其中，IN为N×N单元矩阵，IN＝(1/N)N×N；
4)计算矩阵KC的特征值及对应的特征向量，将特征值进行降序排列，对应的特征向量也进行相应的重新排序；
5)采用施密特正交法将特征向量进行正交化和单位化，得到n个特征向量a1，a2，…，an；
6)计算特征值的累计贡献率，然后设定一个贡献率最低值，当累加计算到第i个特征值时，贡献率满足要求，则得到主元个数为i；
7)取前i个特征向量a1，a2，…，ai为非线性主元特征向量，并作为后续分类器的输入数据维度。
进一步地，所述步骤3中，所述缺陷诊断模型为基于支持向量机的多值分类器，输入为KPCA降维后的特征向量，输出为±1100kV复合绝缘子的正常运行状态和各类缺陷类型。
进一步地，所述步骤4中，诊断准确率分析包括准确率、绝对误差、相对误差、召回率和F1-score的分析。
与现有技术相比，本发明方案具有以下有益效果：
1)基于多源特征融合的复合绝缘子缺陷识别，避免了单一检测方法对检测结果的误判，提高了检测结果的灵敏度和可靠性；
2)避开了高电压发生的复杂物理过程，仅需要各类缺陷绝缘子的检测结果数据进行训练，操作简单且准确性较高，适用于任意时间段任意区域的输电线路；
3)具有可扩展性，可将其他检测方法的数据或可预测的绝缘子缺陷加入预测模型，进一步提高预测精度，方便工程应用。
4)获得的预测结果可为防止由于复合绝缘子各类故障产生的事故提供有效的防范策略和技术手段，减少非计划停电带来的损失。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中特征量KPCA降维结果示意图。
图3是本发明实施例中对45只样品绝缘子的缺陷诊断结果示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
参见图1，本发明提供了一种±1100kV复合绝缘子缺陷诊断方法，包括以下步骤：
步骤1：分别采用红外热像法、紫外成像法、电场电位分布法、超声波法和电磁波谱法等多种检测方法对正常状态和不同类型缺陷的±1100kV复合绝缘子进行带电检测，获得原始数据，建立样本库。
其中，缺陷类型可以包括内部悬浮缺陷、内部导通缺陷、内部悬浮半导电性缺陷、内部导通半导电性缺陷、水汽进入、伞裙表面漏电起痕等。
步骤2：通过计算提取这些原始数据的统计学特征，并利用Fisher准则对不同检测方法提取的特征进行筛选，选出最能区分绝缘子状态的特征。
其中，原始数据的统计学特征可以包括平均值、几何平均值、中位数、1/4分位数、3/4分位数、调和平均数、极差、方差、总体标准差、样本标准差、偏斜度、峰度、变异系数、能量、熵等特征。
Fisher准则可以直观地进行有效特征提取，提升后续模式识别的性能，某一特征表现的类内方差越小，类间方差越大，鉴别性能越强，因此，可以用一个简单明了的参数，即类间方差与类内方差的比值来量化。利用Fisher准则对不同检测方法提取的特征进行筛选的具体方法为：
设一共存在n个样本分别属于C个类：ω1、ω2、ω3……ωC，每个类别i分别有ni个样本，所述类别包括±1100kV复合绝缘子的正常状态和不同缺陷类型；定义Sω (k)和SB (k)分别表示第k维特征的类内方差和类间方差：
其中，x(k)、mi (k)、m(k)分别表示样本x、第i类样本的均值、所有样本的均值在第k维上的取值，n表示所有样本的总数；计算出每一维特征对应的类间方差和类内方差的比值JF (k)：
筛选出JF (k)值大于设定值的特征量，即得到筛选结果。
本实施例中筛选出JF (k)值大于2的特征量。
步骤3：采用核主元分析KPCA进行特征融合降维，将降维后的特征量作为输入，将复合绝缘子缺陷类别作为输出，利用支持向量机SVM建立±1100kV复合绝缘子缺陷诊断模型。
其中，采用核主元分析KPCA进行特征融合降维，包括以下步骤：
1)导入数据，并对数据进行标准化处理。
2)计算核矩阵K，设定函数为高斯径向基核函数，公式为：
式中，参数σ为高斯核函数的核宽度。
3)中心化核矩阵K，用于修改核矩阵：
KC＝K-INK-KIN+INKIN (5)
其中，IN为N×N单元矩阵，IN＝(1/N)N×N。
4)计算矩阵KC的特征值及对应的特征向量，将特征值进行降序排列，对应的特征向量也进行相应的重新排序。
5)采用施密特正交法将特征向量进行正交化和单位化，得到n个特征向量a1，a2，…，an。
6)计算特征值的累计贡献率，然后设定一个贡献率最低值，当累加计算到第i个特征值时，贡献率满足要求，则得到主元个数为i。累计贡献率指所有公因子引起的变异占总变异比例，在主成分分析法中具有公知的公式。
7)取前i个特征向量a1，a2，…，ai为非线性主元特征向量，并作为后续分类器的输入数据维度。
所述缺陷诊断模型为基于支持向量机的多值分类器。其中，支持向量机采用台湾大学林智仁(LinChih-Jen)教授开发的软件包LIBSVM，该软件包减少了很多SVM涉及的参数设置与调整问题，具有简单、易于使用和快速有效SVM模式识别的优点。
将上述KPCA降维后的特征向量作为基于支持向量机的多值分类器的输入，将±1100kV复合绝缘子的正常运行状态和各类缺陷类型等多种类别作为多值分类器的输出，建立±1100kV复合绝缘子缺陷诊断模型。
步骤4：利用缺陷诊断模型对运行中的±1100kV复合绝缘子缺陷进行检测和诊断，并进行诊断准确率分析，包括准确率、绝对误差、相对误差、召回率和F1-score的分析，以指导±1100kV复合绝缘子的状态检修和运维。缺陷诊断主要包括以下步骤：
1)按照LIBSVM输入数据的格式要求准备数据集；
2)对训练参数进行归一化处理；
3)选用RBF核函数；
4)采用网格搜索法、交叉验证选择最佳惩罚系数c和核参数g；
5)对归一化处理后的训练集进行训练，获得SVM识别模型；
6)将处理后的测试集数据导入SVM识别模型进行测试。
下面以45只样品绝缘子的缺陷诊断结果为例，进一步说明本发明的有益效果。
1)获取正常运行、导通性缺陷和伞裙漏电起痕3类共30只样品绝缘子的红外热像、电场测量及紫外图像的数据。对于红外及电场测量的数据，计算每一样本的平均值、几何平均值、中位数、1/4分位数、3/4分位数、调和平均数、极差、方差、总体标准差、样本标准差、偏斜度、峰度、变异系数等13维特征；对于紫外图像数据，紫外图像检测结果中光斑的面积和直径可以作为特征直接进行特征层的融合，不做处理。
2)采用Fisher准则特征提取特征量，并筛选出JF(k)值大于2的特征量。
3)用核主元分析(KPCA)进行特征融合降维，通过KPCA降维后的数据区分度较高，如图2所示。
4)将降维后的特征量作为支持向量机的输入，将正常运行、导通性缺陷和伞裙漏电起痕3类缺陷作为支持向量机的输出，分别标记为1、2、3，建立缺陷诊断模型，并对模型进行训练。
5)运行该缺陷诊断模型，对45只测试样品进行缺陷诊断，结果如图3所示，准确率为86.7％。
在本实施例中，缺陷类型仅包括正常运行、导通性缺陷和伞裙漏电起痕3种类别，检测数据来源仅包括红外图像、电场测量法及紫外图像法。在实际运用中，可对检测手段及缺陷类型进行拓展，实际检测中随着环境因素的改变，例如温度、湿度等，检测所得的数据也会发生变化，因此在通过各种仪器现场获取样本数据的同时，也应该加入环境参数，以加强检测结果的准确度及灵敏度。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，包括以下步骤：
步骤1：分别采用包括红外热像法、紫外成像法、电场电位分布法、超声波法和电磁波谱法的多种检测方法对正常状态和不同类型缺陷的±1100kV复合绝缘子进行带电检测，获得原始数据，建立样本库；
步骤2：通过计算提取这些原始数据的统计学特征，并利用Fisher准则对不同检测方法提取的特征进行筛选，选出最能区分绝缘子状态的特征；
步骤3：采用核主元分析KPCA进行特征融合降维，将降维后的特征量作为输入，将复合绝缘子缺陷类别作为输出，利用支持向量机SVM建立±1100kV复合绝缘子缺陷诊断模型；
步骤4：利用缺陷诊断模型对运行中的±1100kV复合绝缘子缺陷进行检测和诊断，并进行诊断准确率分析，以指导±1100kV复合绝缘子的状态检修和运维。
2.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤1中，缺陷类型包括：内部悬浮缺陷、内部导通缺陷、内部悬浮半导电性缺陷、内部导通半导电性缺陷、水汽进入和伞裙表面漏电起痕。
3.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤2中，原始数据的统计学特征包括：平均值、几何平均值、中位数、1/4分位数、3/4分位数、调和平均数、极差、方差、总体标准差、样本标准差、偏斜度、峰度、变异系数、能量和熵。
4.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤2中，利用Fisher准则对不同检测方法提取的特征进行筛选的具体方法为：
设一共存在n个样本分别属于C个类：ω1、ω2、ω3……ωC，每个类别i分别有ni个样本，所述类别包括±1100kV复合绝缘子的正常状态和不同缺陷类型；定义Sω (k)和SB (k)分别表示第k维特征的类内方差和类间方差：
其中，x(k)、mi (k)、m(k)分别表示样本x、第i类样本的均值、所有样本的均值在第k维上的取值，n表示所有样本的总数；计算出每一维特征对应的类间方差和类内方差的比值JF (k)：
筛选出JF (k)值大于设定值的特征量，即得到筛选结果。
5.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤3中，采用核主元分析KPCA进行特征融合降维，包括以下步骤：
1)导入数据，并对数据进行标准化处理；
2)计算核矩阵K，设定函数为高斯径向基核函数，公式为：
式中，参数σ为高斯核函数的核宽度；
3)中心化核矩阵K，用于修改核矩阵：
KC＝K-INK-KIN+INKIN (5)
其中，IN为N×N单元矩阵，IN＝(1/N)N×N；
4)计算矩阵KC的特征值及对应的特征向量，将特征值进行降序排列，对应的特征向量也进行相应的重新排序；
5)采用施密特正交法将特征向量进行正交化和单位化，得到n个特征向量a1，a2，…，an；
6)计算特征值的累计贡献率，然后设定一个贡献率最低值，当累加计算到第i个特征值时，贡献率满足要求，则得到主元个数为i；
7)取前i个特征向量a1，a2，…，ai为非线性主元特征向量，并作为后续分类器的输入数据维度。
6.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤3中，所述缺陷诊断模型为基于支持向量机的多值分类器，输入为KPCA降维后的特征向量，输出为±1100kV复合绝缘子的正常运行状态和各类缺陷类型。
7.根据权利要求1所述的一种±1100kV复合绝缘子缺陷诊断方法，其特征在于，所述步骤4中，诊断准确率分析包括准确率、绝对误差、相对误差、召回率和F1-score的分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057919.6A CN112132226A (zh) | 2020-09-29 | 2020-09-29 | 一种±1100kV复合绝缘子缺陷诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057919.6A CN112132226A (zh) | 2020-09-29 | 2020-09-29 | 一种±1100kV复合绝缘子缺陷诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112132226A true CN112132226A (zh) | 2020-12-25 |
Family
ID=73843345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011057919.6A Pending CN112132226A (zh) | 2020-09-29 | 2020-09-29 | 一种±1100kV复合绝缘子缺陷诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132226A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及系统 |
| NL2033452A (en) * | 2022-04-01 | 2023-10-24 | Fushun Power Supply Company Of State Grid Liaoning Electric Power Co Ltd | Insulator state detection method and system based on fusion of multi-spectral and optical electric field data |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201532839U (zh) * | 2009-09-30 | 2010-07-21 | 南京正方电气有限公司 | 一种法兰式变压器套管 |
| CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
-
2020
- 2020-09-29 CN CN202011057919.6A patent/CN112132226A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201532839U (zh) * | 2009-09-30 | 2010-07-21 | 南京正方电气有限公司 | 一种法兰式变压器套管 |
| CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 律方成等: "复合绝缘子故障检测方法的有效性分析", 《高压电器》, vol. 49, no. 05, 16 May 2013 (2013-05-16), pages 1 - 3 * |
| 金立军等: "基于红外与紫外图像信息融合的绝缘子污秽状态识别", 《电工技术学报》, vol. 29, no. 8, 31 August 2014 (2014-08-31), pages 2 - 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及系统 |
| NL2033452A (en) * | 2022-04-01 | 2023-10-24 | Fushun Power Supply Company Of State Grid Liaoning Electric Power Co Ltd | Insulator state detection method and system based on fusion of multi-spectral and optical electric field data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| CN108765373A (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
| CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN111598166B (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
| CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
| CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
| Hui et al. | An intelligent fault diagnosis method for electrical equipment using infrared images | |
| CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
| El-Hag | Application of machine learning in outdoor insulators condition monitoring and diagnostics | |
| CN109039280B (zh) | 基于非主成分数据特征的光伏阵列故障诊断方法 | |
| Fang et al. | Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning | |
| CN113298178A (zh) | 基于热红外图像的变电站高压设备故障识别方法 | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
| 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 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN112884720A (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| Wu et al. | XLPE cable health assessment based on Relief-F feature weighted FSVM |
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 |