CN112557946A - 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 - Google Patents
一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 Download PDFInfo
- Publication number
- CN112557946A CN112557946A CN202011305482.3A CN202011305482A CN112557946A CN 112557946 A CN112557946 A CN 112557946A CN 202011305482 A CN202011305482 A CN 202011305482A CN 112557946 A CN112557946 A CN 112557946A
- Authority
- CN
- China
- Prior art keywords
- low
- detection
- neural network
- voltage
- data
- 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
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H2017/0072—Theoretical filter design
- H03H2017/0081—Theoretical filter design of FIR filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H2017/0298—DSP implementation
Abstract
一种基于数字信号滤波与人工神经网络的低压电源浪涌保护器(SPD)智能在线检测装置,所述装置系统能对SPD的漏电流进行在线检测,应用数字信号滤波来滤去检测信号中的噪声,用人工神经网络处理检测数据,从而提供检测精度,节省硬件成本。
Description
技术领域
本发明属于低压电源(交流1000V以下)的浪涌保护器(Surge ProtectiveDevice:SPD)的实时在线检测领域,涉及一种少用或不用硬件电路来消除噪声,而用数字信号处理的方法来消除噪声的装置。
背景技术
低压电源浪涌保护器(以下简称低压SPD)俗称避雷器,是电信、移动通信、铁路系统、军用探测、气象探测等重要部门的电源系统必备的浪涌电压保护器,低压SPD以低压压敏电阻为核心功能元件。低压压敏电阻在合格状态时漏电流非常小,一般小于20微安。当低压压敏电阻劣化后后漏电流增大,会积热升温,有产生电弧或燃烧的危险,给被保护电路带来附加的威胁,因此劣化的低压SPD必须从电路中断开(即脱扣)。自低压SPD自上世纪80年代末至90年代初模块化生产以来,国内外产品至今一直是应用基于极限状态状态的物理脱扣技术,也就是利用劣化的低压压敏电阻的温升使低压SPD端子的低温焊锡软化,从而利用弹簧使低压SPD的端子断开(因而叫脱扣)。这种脱扣方式是不精确的,脱扣动作具有较长的操作延时,给雷电保护带来失效的风险时间,雷电流冲击导致的误脱扣也常有发生。要实现对劣化的低压SPD精确和及时的脱扣,就需要实时在线检测低压压敏电阻的漏电流,从而准确地判断低压SPD的性能。由于压敏电阻的漏电流非常小,相对于电源系统的噪声以及检测电路的噪声是微弱信号,常规的方法是难以精确检测的。这也是防雷业界长期应用物理脱扣的方法制造低压SPD的原因。
2012年的发明《一种低压电源的智能脱扣方法:ZL201210131802.7》应用两个电流互感器(CT)和差分放大电路来实现低压SPD漏电流的差分检测,其后不久,又有基于吉尔伯特乘法器的调制解调降噪方法。这在应用时遇到了很大的困难。首先,仪用电流互感器的准确级有0.01级、0.02级,以及0.5级,误差最小的0.01级CT,测量数据换算成一次侧的电流值,误差为±0.01%,若电源负载的额定电流为10A,则测量结果误差为1mA,而低压压敏电阻的劣化漏电流最小值为20微安,即0.02mA,显然,现有技术只能等低压压敏电阻进一步劣化,漏电流增大达到毫安级才能精确检测。进一步,用基尔伯特乘法器电路降噪来提高精度,由于集成电路技术的发展,MC1495,MC1496等乘法器产品逐渐被淘汰而停产,因而需要发明新的方法。
发明内容
本发明提供了一种应用微程序器(MPU)或数字信号处理器(DSP)对差分检测的结果进行数字滤波,进一步用BP神经网络处理数据的低压SPD智能在线检测装置。被测信号是低压SPD的漏电流,其模拟频率fh为50Hz,数字滤波器的取样频率fs不应小于200Hz,被测信号数字频率ωh为2πfh/fs,选用相位FIR数字低通滤波器的理想通带截止频率ωp=0.25π,理想阻带截止频率ωj=0.4π,理想通带最大衰减Ap=1dB,理想阻带最小衰减Aj=50dB。根据测量对象的特点采用窗函数法设计相位FIR数字低通滤波器,设定所述相位FIR数字低通滤波器的通带截止频率,阻带截止频率,通带最大衰减,阻带最小衰减,从而设定窗函数来计算实际滤波器的频率响应,验证指标是否满足。进一步,用BP神经网络处理经过相位FIR数字低通滤波器的滤波的检测信号,从而消除电流互感器的系统误差。
采用数字滤波的方法节省了降噪电路硬件的成本,同时提高了检测的精度,使得检测的灵敏度不再受限于电流互感器的精度。更进一步,电流互感器产生误差的主要原因是铁芯励磁损耗,包括涡流损耗和漏磁损耗,频率越高,励磁损耗越大,这对于硬件电路检测是系统误差,这是硬件电路检测难以消除的。采用数字信号处理方法检测,设计BP神经网络处理则可以对误差进行补偿。本发明设计了BP神经网络,以与实际负载电路相仿的对比电路模拟负载电流的变化,测试对比电路的实际电流值,对神经网络进行训练,以训练好的神经网络处理检测数据,使检测数据回归真实值。
附图说明:
图1为漏电流感测电路
图2为差分放大电路
图3为检测系统功能框图
图4为轮询检测程序流程图
图5为数字滤波器窗函数设计图
图6为数字滤波器冲激响应图
图7为数字滤波器频率响应波特图
图8为神经网络模型结构图
图9为实施例2的差分放大电路。
具体实施例1:
结合附图来说明具体的实施例,图1是经过改进的漏电流感测电路,以两个电感器CT1,CT2感测电源的负载电流,使低压SPD的漏电流为两者之差,CT1,CT2绕制成完成相同的电流互感器,铁芯选用镍铁合金,增大铁芯的截面积与孔径的比值,从而减少误差,二次侧的取样电阻R1=R2,根据低压SPD漏电流小的特点,R1,R2阻值比标准电流互感器要大,以增大取样电压的分辨率。二次侧的电压通过电容耦合,以相同的两个隔离变压器T1,T2转换成差分放大器合适的输入电压,Rs1,Rs2代表差分放大器的输入电阻,输出端口V1,V2为负载电流对应的电压值,输出端口DGND信号输出电路的数字地,与差分放大电路的地相连。
图2所示是所述的差分放大电路,由两级差分放大器组成,输入级U50为TI公司的INA2143,由两个完全相同的差分放大器集成,U50的输入电压范围为±18V,优选值为±12V。如图2所示,U50的增益设为1/11,约为0.1,如此把V1,V2转换成差分输出级INA333的适合的输入电压,INA的合适输入电压范围为±2.75V,根据计算,要使INA333的输出电压达到毫伏级时,增益要设为60dB,图2中RG=100.1欧姆,即设定INA333的增益为60dB。把图1与图2所示电路连接成差分检测模块。差分检测模块的输出Vad为差分检测数据,输出到带浮点运算单元(FPU)与数字信号处理(DSP)功能的微程序器(MPU)或数字信号处理器(DSP),经过MPU内部集成的模数转换器(ADC)转换成数字信号,然后由MPU进行数字滤波与神经网络处理。
图3为检测系统功能框图,图中微程序器(MPU)选用ST公司的STM32F373XXXX,带有浮点运算单元(FPU)和数字信号处理功能DSP,带有多输入通道的12位ADC和16位ADC,可输入多路检测数据,根据低压SPD的应用需要,可配置为输入1-4路所述的差分检测模块的输出数据。进一步,对MPU输入电源电压以及电源的负载电流数据,作为后续数据处理的输入条件。
如图4所示,差分检测信号数Vad、电源电压值V、电源负载电流值IF等检测数据按设定顺序接入所述MPU的I/O引脚,每个检测数据就有一个存储地址,所述MPU采用轮询读数和比较判断的方式实现智能检测。设定轮询数为N,N初始赋值为0,从最低地址读数,并进行ADC转换与暂存数据,取峰值与设定VH比较,VH为根据电路增益及CT感测电流换算比计算得到的低压SPD劣化时的最小漏劣化电流值所对应的电压值VIL所设定的极限值,为了提前预警,一般取VH为VIL的50%-80%。当检测数据小于VH时,低压SPD是未劣化的,在此状态下显示器缺省显示“SPD正常”,则延时几分钟,读数地址增大到下一个,检测下一个数据,当最大地址的数据读取完时,读数地址复位,再次从最低地址开始轮询读数。当检测数据Vad>VH时,则轮询当前数据5次,每次轮询间隔为10秒-20秒,当连续5次检测到某一路Vad>VH时,则判定为所检测的低压SPD漏电流偏大,则连续2-3次读取电源电压数据V,判断电源电压是否是持续过压,若是(Y),则发出电源过压告警信号,并显示电源电压数据。若非电源电压持续过压,则启动相位FIR数字低通滤波器程序(D-LPF)和BP神经网络程序(ANN)对差分检测信号数据Vad进行精确化处理,若Vad≥VIL,则所检测的SPD已劣化,发出劣化告警信号,并使劣化的低压SPD脱扣,若否,则显示检测到的数据,然后进行下一路数据的轮询检测。如此就可以避免由于瞬间浪涌电压导致低压SPD漏电流增大所引起的误判。
所述相位FIR低通数字滤波器只对漏电流检测数据Vad进行处理,对于电源电压V和负载电流值IF不必进行数字滤波。图5所示为数字滤波器窗函数设计图,根据窗函数和检测对象的特性设计数字低通滤波器算法如下所述:
步骤1,首先根据技术指标确定理想低通滤波器的通带截止频率实际过渡带宽Δω=ωs-ωp=0.15π,并根据阻带最小衰减选择滤波窗的形状,设计阻带最小衰减为50dB。滤波窗形状的选择根据常用窗函数的性能来设计的滤波器性能,如表1所示,海明窗(hamming)的参数符合要求,因此可以选择海明窗进行设计。
表1常用穿函数的性能指标表
步骤2:查表1可知采用海明窗设计的滤波器实际过渡带宽为Δω1=6.6π/N,步骤1已计算实际过度带宽Δω,则根据Δω1=Δω可计算得到滤波窗的长度N:
步骤3:由步骤1所得的参数ωC和步骤2所得的长度N可以确定理想低通滤波器的频率响应如式1:
对Hd(ejω)进行IDTFT可以得到理想低通滤波器的单位冲激响应如式2:
步骤4:由步骤1所确定的滤波窗形状和步骤2所确定的滤波窗长度N得到海明窗函数如式3:
步骤5:根据步骤1所得的hd(n)和w(n)得到所设计的数字低通滤波器单位冲激响应:
h(n)=hd(n)·w(n) (公式3)
所述相位FIR数字低通滤波器的冲激相应如图6所示,频率响应如图7所示。
低压SPD的漏电流检测信号Vad经过低通数字滤波器处理,滤除了噪声,提高了精度。进一步,为了消除电流互感器的系统误差,对漏电流检测数据进行BP神经网络处理。设低压SPD的漏电流检测信号Vad经过低通数字滤波器处理后得到输出信号为Vd,图8所示为BP神经网络算法模型图,BP神经网络的输入信号为电源电压V,数字滤波后的漏电流检测值Vd,电源负载电流IF,IF可以取图1所示漏电流感测电路中CT1的输出。预处理层根据电路原理和电路增益对BP神经网络的输入信号{V,Vd,IF}进行换算,换算成隐含层的输入数据{V11,V22,V33,V12}。换算处理算法如式4—式8:
H1=V/Vm-1 (公式4)
式4中Vm为低压SPD的压敏电压V1mA,
V11=AeH (公式5)
V22=VdG(其中G是根据差分检测电路计算的转换系数) (公式6)
V33=H2=IFη (公式7)
式7中的η通过神经网络的训练获得。
式8中B为根据低压压敏电阻的伏安曲线设定的常系数,通过神经网络的训练获得,当当V<Vm时,隐含层的输入值V12为正,当V>Vm时,隐含层的输入值V12为负。这样就V11,V12作为隐含层的调整值输入量,以自然指数函数来逼近和拟合低压敏电阻的非线性伏安曲线与电流互感器的非线性误差。
所述预处理的数据传输给隐含层,以矩阵运算式表示隐含层的f11(),f12(),f13()算法如式9:
式9中{η11,η21,η31}为隐含层权值,通过BP神经网络的训练获得。
以矩阵运算式表示输出层的算法如式10:
式10中{μ11,μ21,μ31}为输出层权值,通过BP神经网络的训练获得。
本发明是嵌入式系统进行检测,适宜于采用实验检测对比与人工训练的方法对BP神经网络进行离线训练,训练好后再在线嵌入应用。因而神经网络的训练采用线下训练和有教师的学习方式,BP神经网络的学习算法如下:
设定训练数据样本集{IT,IR,V,IF},数据样本集包括用本发明所述用差分检测与数字滤波方法所得的漏电流检测值IT、以及用精密仪表获得的漏电流实测值IR、负载电流值IF,电源当前的电压值V四类数据。设检测误差ε=IT-IR.用可调电阻电路模拟压敏电阻漏电流IR的变化以及负载电流IF的变化,从而测得所述训练数据样本。首先确定隐含层的输入V22为经过低通数字滤波处理所测得的漏电流检测值,即带误差的检测结果,用微安表测得其实际值IR,测量大量对比数据,用OringnalPro绘制数值对比的函数曲线,求出绝对误差ε,分析误差ε的分布倾向,对神经网络各层的权值进行估算。隐含层设两类调整数据,即随电源电压变化得到的输入数据V11、V12以及随负载变化的V33。V11,V12是非线性的,在预处理层已用自然指数函数模拟,当电源电压V低于压敏电阻的压敏电压Vm时,压敏电阻漏电流减少,反之,若V>Vm,则压敏电阻漏电流增大。漏电流小时误差大,隐含层电压输入对结果的调整量为△1=V11η11+V12η21,分析误差函数曲线,大致估算V11,V22的变化范围,在V11,V22变化范围内用MATLAB程序产生随机数,对检测数据曲线进行拟合,获得△1的运算公式。对于负载电流IF对误差的影响△2=V33η31,在同一信号频率下,电流越大,相对误差越小,这是定性的规律,定量的规律则通过实验测量得到,可为η31设隐含层的一个算子如式11:
其中I0为一个设定的中值,根据误差曲线的拐点估算。
所述△1,△2的大小或权值可大致估算范围,通过估算和随机数训练,使运算结果基本接近准确值。在输出层再进一步调整μ11,μ21,μ31,从而运算结果更加接近准确值。输出层训练的算法是,先假定μ21=1,然后根据误差的大小调整μ11,μ31,通过样本数据调试取得μ11,μ31的数据,对其求均值,再进行样本训练,再进行一次精细的调整。神经网络训练好,为MPU设计程序实现神经网络算法,从而实现数据的精确检测。
具体实施例2:
本发明的差分放大电路与MPU电路有多种相似的实施方式,实施例2提供差分放大电路的另一种方案。与实施例1不同的是,将图1中隔离输出变压器输出范围直接设计为差分放大器的输入范围,如图9所示,用一级差分放大电路来实现差分运算,其余部分与实施例1相同。
Claims (4)
1.一种基于数字滤波与人工神经网络数据处理的低压电源SPD漏电流的智能在线检测装置,其技术特征在于应用微程序器(MPU)或数字信号处理器(DSP)设计低通数字滤波器对低压电源SPD进行漏电流在线检测并对检测数据进行数字滤波,以低通数字滤波器取代硬件降噪电路,并用BP神经网络进一步处理检测数据,消除电流互感器所产生的误差。
4.根据权利要求3,所述BP神经网络学习根据实验检测误差进行人工训练的,设定设定训练数据样本集{IT,IR,V,IF},数据样本集分别为用本发明所述用差分检测与数字滤波方法所得的漏电流检测值IT、以及用精密仪表获得的漏电流实测值IR、负载电流值IF,电源当前的电压值V四类数据。设检测误差ε=IT-IR.用可调电阻电路模拟压敏电阻漏电流IR的变化以及负载电流IF的变化,从而测得所述训练数据样本;设检测误差ε=IT-IR.根据检测误差ε的分布倾向对神经网络各层的权值进行估算;隐含层设两类调整数据输入,即预处理层的输出数据V11、V12以及V33,在隐含层产生两类调整量为△1=V11η11+V12η21与△2=V33η31,大致估算V11,V22的变化范围,在V11,V22变化范围内用MATLAB程序产生随机数,对检测数据曲线进行拟合,获得△1的运算公式;对于△2=V33η31,设:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305482.3A CN112557946A (zh) | 2020-11-20 | 2020-11-20 | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305482.3A CN112557946A (zh) | 2020-11-20 | 2020-11-20 | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557946A true CN112557946A (zh) | 2021-03-26 |
Family
ID=75043987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011305482.3A Pending CN112557946A (zh) | 2020-11-20 | 2020-11-20 | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557946A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002175514A (ja) * | 2000-12-08 | 2002-06-21 | Mitsubishi Heavy Ind Ltd | 浮体の制御系設計モデルの作成方法 |
CN102664384A (zh) * | 2012-05-02 | 2012-09-12 | 胡勇坚 | 一种电源避雷器的智能脱扣方法 |
CN105242128A (zh) * | 2015-08-26 | 2016-01-13 | 芜湖市凯鑫避雷器有限责任公司 | 基于模糊神经网络的避雷器在线监测系统 |
CN107144745A (zh) * | 2017-05-08 | 2017-09-08 | 台州学院 | 一种低压电源浪涌保护器性能的智能在线检测方法 |
CN110210606A (zh) * | 2019-06-04 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
CN111047015A (zh) * | 2019-12-11 | 2020-04-21 | 国网甘肃省电力公司电力科学研究院 | 基于神经网络的输变电数据突变分析方法 |
CN111542759A (zh) * | 2018-01-11 | 2020-08-14 | 株式会社半导体能源研究所 | 二次电池的异常检测装置、异常检测方法以及程序 |
CN111707971A (zh) * | 2020-06-30 | 2020-09-25 | 国网冀北电力有限公司唐山供电公司 | 一种避雷器绝缘状态检测方法 |
-
2020
- 2020-11-20 CN CN202011305482.3A patent/CN112557946A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002175514A (ja) * | 2000-12-08 | 2002-06-21 | Mitsubishi Heavy Ind Ltd | 浮体の制御系設計モデルの作成方法 |
CN102664384A (zh) * | 2012-05-02 | 2012-09-12 | 胡勇坚 | 一种电源避雷器的智能脱扣方法 |
CN105242128A (zh) * | 2015-08-26 | 2016-01-13 | 芜湖市凯鑫避雷器有限责任公司 | 基于模糊神经网络的避雷器在线监测系统 |
CN107144745A (zh) * | 2017-05-08 | 2017-09-08 | 台州学院 | 一种低压电源浪涌保护器性能的智能在线检测方法 |
CN111542759A (zh) * | 2018-01-11 | 2020-08-14 | 株式会社半导体能源研究所 | 二次电池的异常检测装置、异常检测方法以及程序 |
CN110210606A (zh) * | 2019-06-04 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
CN111047015A (zh) * | 2019-12-11 | 2020-04-21 | 国网甘肃省电力公司电力科学研究院 | 基于神经网络的输变电数据突变分析方法 |
CN111707971A (zh) * | 2020-06-30 | 2020-09-25 | 国网冀北电力有限公司唐山供电公司 | 一种避雷器绝缘状态检测方法 |
Non-Patent Citations (1)
Title |
---|
刘建宝等: "有源电力滤波器新型神经网络控制方法", 《现代电子技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102435894B (zh) | 一种数字漏电保护器测试仪及测试方法 | |
US20170030958A1 (en) | Transformer parameter estimation using terminal measurements | |
WO2007000062A1 (en) | Apparatus for the detection of a current and method for operating such an apparatus | |
US6853939B2 (en) | Systems and methods for multiple winding impulse frequency response analysis test | |
CN111937264A (zh) | 用于在多终端电力传输系统中进行保护的方法和装置 | |
Khavari et al. | Circuit-based method for extracting the resistive leakage current of metal oxide surge arrester | |
CN109085427B (zh) | 一种模拟等效毫欧至微欧量级直流电阻的桥式电阻 | |
CN110988444A (zh) | 氧化锌避雷器分压装置、过电压检测避雷装置及检测方法 | |
CN112557946A (zh) | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 | |
Gajare et al. | Model verification of fixed series compensation devices using synchronized data | |
Xu et al. | Improved method for extracting resistive leakage current of surge protectors | |
Bezerra et al. | Evaluation of surge arrester models for overvoltage studies | |
US6483318B1 (en) | Electric circuit providing selectable short circuit for instrumentation applications | |
CN113702714B (zh) | 一种用于测量直流电压互感器高压臂电容值的方法 | |
CN109406926A (zh) | 环境因素对避雷器泄漏电流影响的计算方法 | |
CN111736091B (zh) | 基于rtds平台的非稳定性高阻接地故障仿真电路及其应用方法 | |
US20100228531A1 (en) | Zinc oxide (zno) varistors degradation analysis system using parameters from the modified longevin model | |
Black et al. | High-frequency characterization and modeling of distribution transformers | |
De Souza et al. | A virtual bridge to compute the resistive leakage current waveform in ZnO surge arresters | |
So et al. | A computer-controlled current-comparator-based four-terminal resistance bridge for power frequencies | |
JP2022552847A (ja) | 交流回路網内で漏れ電流インピーダンスの抵抗成分を決定するための方法およびデバイス | |
Silva et al. | Power transformer modeling based on wide band impedance and admittance measurements | |
Wontroba et al. | Modeling and Real-Time Simulation of High Impedance Faults for Protection Relay Testing and Methods Validation | |
EP0285320B1 (en) | Apparatus and method for determining the values of circuit elements in a three terminal equivalent circuit | |
US11733270B2 (en) | Signal-processing circuit |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221206 |