CN112561030A - 一种基于神经网络来确定互感器绝缘状态的方法及装置 - Google Patents

一种基于神经网络来确定互感器绝缘状态的方法及装置 Download PDF

Info

Publication number
CN112561030A
CN112561030A CN202010544706.XA CN202010544706A CN112561030A CN 112561030 A CN112561030 A CN 112561030A CN 202010544706 A CN202010544706 A CN 202010544706A CN 112561030 A CN112561030 A CN 112561030A
Authority
CN
China
Prior art keywords
neural network
determining
trained
network model
transformer
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
CN202010544706.XA
Other languages
English (en)
Inventor
陈习文
张军
王斯琪
卢冰
郭子娟
陈卓
郭鹏
王旭
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.)
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Sichuan 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 China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202010544706.XA priority Critical patent/CN112561030A/zh
Publication of CN112561030A publication Critical patent/CN112561030A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本申请公开了一种基于神经网络的互感器绝缘状态的评估方法及装置。其中，包括：将环氧树脂的性能评估指标作为训练基于神经网络的互感器绝缘状态评估的原始样本；利用bagging算法将所述原始样本生成多个BP神经网络的多个子训练样本集，将所述多个子训练样本集构建成多个BP神经网络个体，其中所述多个BP神经网络个体与所述多个子训练样本集一一对应；将所述多个BP神经网络个体的输出结果进行加权计算，确定基于神经网络的互感器绝缘状态评估模型；以及利用所述基于神经网络的互感器绝缘状态评估模型评估待评估环氧树脂。

Description

一种基于神经网络来确定互感器绝缘状态的方法及装置
技术领域
本发明涉及互感器领域，并且更具体地，涉及一种基于神经网络来确定互 感器绝缘状态的方法及装置。
背景技术
互感器作为电力系统中重要的电气设备，主要用来对电网进行测量、监视、 保护与控制，能够及时地反映电网的运行状态。10～35kV配电网中一般采用环 氧树脂浇注式互感器。在实际工况中，互感器所处的环境常常会遭遇如高温、 极寒、温度剧变、潮湿雨天等情况，各种环境因素会对配网互感器的外部绝缘 材料(即环氧树脂)的特性产生影响，导致环氧树脂的电气、机械、理化性能 均会发生变化，如介质损耗因数增大、电阻率减小等，最终导致互感器失效。 分析互感器的外部绝缘材料(即环氧树脂)的各项电气、机械、理化性能指标 可掌握环氧树脂的绝缘状态，了解配网互感器的绝缘状况，提早发现配网互感 器绝缘内部存在的潜伏性故障，对保障互感器的正常运行具有极大意义。
目前针对互感器绝缘状态评估的方法，主要围绕互感器的某一个性能进行 单次测量，测试结果比较单一而且误差较大，不能完全反应出互感器绝缘的真 实状态。
针对上述的现有技术中存在的围绕互感器的某一个性能对互感器绝缘状态 进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互感 器绝缘的真实状态的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于神经网络来确定互感器绝缘状态的方法及 装置，以至少解决现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
根据本公开实施例的一个方面，提供了一种基于神经网络的互感器绝缘状 态的评估方法，包括：将预先采集的与互感器绝缘状态相关的样本集作为对用 于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；将原始 样本集划分为与多个BP神经网络模型相关联的多个训练样本集，其中BP神经 网络模型的数量与训练样本集的数量相同并且每个BP神经网络模型与相应的 一个训练样本集相对应；利用每个训练样本集对相应的BP神经网络模型进行 训练，得到经过训练的多个BP神经网络模型；利用每个经过训练的BP神经网 络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，其中测量值的数量与BP神经网络模型的数量相同并且每个测量值与相应的一个BP 神经网络模型相对应；以及将多个测量值进行加权计算得到多个测量值的加权 值，并且根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括 存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面，还提供了一种基于神经网络的互感器绝 缘状态的评估装置，包括：作为模块，用于将预先采集的与互感器绝缘状态相 关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的 原始样本集；划分模块，用于将原始样本集划分为与多个BP神经网络模型相 关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量相 同并且每个BP神经网络模型与相应的一个训练样本集相对应；训练模块，用 于利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的 多个BP神经网络模型；检测模块，用于利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，其中测量值 的数量与BP神经网络模型的数量相同并且每个测量值与相应的一个BP神经网 络模型相对应；以及确定模块，用于将多个测量值进行加权计算得到多个测量 值的加权值，并且根据多个测量值的加权值所归属的区间范围确定互感器的绝 缘性能。
在本公开实施例中，将与互感器绝缘状态相关的原始样本集划分为与多个 BP神经网络模型相关联的多个训练样本集，利用每个训练样本集对相应的BP 神经网络模型进行训练，得到经过训练的多个BP神经网络模型。利用每个经 过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对 应的测量值，将多个测量值进行加权计算得到多个测量值的加权值，并且根据 多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。
通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。从而，测 量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测量 误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低的 风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分， 本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限 定。在附图中：
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框 图；
图2是根据本公开实施例1的第一个方面所述的基于神经网络来确定互感 器绝缘状态的方法的流程示意图；
图3是根据本公开实施例1的第一个方面所述的基于BP神经网络模型对 互感器绝缘状态进行检测的流程示意图；
图4是根据本公开实施例2所述的基于神经网络来确定互感器绝缘状态的 装置的示意图；以及
图5是根据本公开实施例3的所述的基于神经网络来确定互感器绝缘状态 的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公 开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显 然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基 于本公开中的实施例，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，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、 “第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。 应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实 施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括” 和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了 一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那 些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或 设备固有的其它步骤或单元。
首先，在对本公开实施例进行描述的过程中出现的部分名词或术语适用于 如下解释：
BP神经网络：从结构上讲，BP网络具有输入层、隐藏层和输出层；从本 质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标 函数的最小值。
实施例1
根据本实施例，提供了一种基于神经网络来确定互感器绝缘状态的方法实 施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执 行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在 某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。 图1示出了一种用于实现基于神经网络来确定互感器绝缘状态的方法的计算设 备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理 器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、 用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包 括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以 作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领 域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置 的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件， 或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中 通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为 软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理 模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公 开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连 接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的基 于神经网络的互感器绝缘状态的评估方法对应的程序指令/数据存储装置，处理 器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及 数据处理，即实现上述的应用程序的基于神经网络来确定互感器绝缘状态的方 法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多 个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储 器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网 络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域 网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包 括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个 网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设 备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用 户能够与计算设备的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以 包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算 机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定 具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下，根据本实施例的第一个方面，提供了一种基于神经网 络来确定互感器绝缘状态的方法。图2示出了该方法的流程示意图，参考图2 所示，该方法包括：
S202：将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感 器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；
S204：将原始样本集划分为与多个BP神经网络模型相关联的多个训练样 本集，其中BP神经网络模型的数量与训练样本集的数量相同并且每个BP神经 网络模型与相应的一个训练样本集相对应；
S206：利用每个训练样本集对相应的BP神经网络模型进行训练，得到经 过训练的多个BP神经网络模型；
S208：利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获 得与经过训练的BP神经网络模型对应的测量值，其中测量值的数量与BP神经 网络模型的数量相同并且每个测量值与相应的一个BP神经网络模型相对应； 以及；
S210：将多个测量值进行加权计算得到多个测量值的加权值，并且根据多 个测量值的加权值所归属的区间范围确定互感器的绝缘性能。
具体地，本实施例将互感器的绝缘状态的老化程度分为健康、良好、一般、 劣化和严重劣化五个程度，采集5个不同老化程度的与互感器绝缘状态相关的 样本集各若干，保证处于不同老化程度的与互感器绝缘状态相关的样本集不少 于10份。
将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘 状态的互感器绝缘状态模型进行训练的原始样本集。其中与互感器绝缘状态相 关的样本集可以为介质损耗因数样本集、相对介电常数样本集、电导率样本集、 弯曲强度样本集、弯曲模量样本集以及表面憎水性样本集，当然，也可以是其 他与互感器绝缘状态相关的样本集。
优选地，介质损耗因数、相对介电常数的测量方法可以按照国标GB/T 1409-1978来进行，采用介电频谱测试仪进行测量，从而保证每次测量的电压 大小和频率相同，可以取两次测量的平均值作为最终数据。电导率的测量方法 可以按照国标GB/T 1410-1989来进行，采用绝缘电阻测试仪进行测量，同时， 环氧树脂的电导率与电化时间紧密相关，从而确保得到更为统一和标准的电导 率，并且电导率是在电化时间为1min的条件下进行测量。弯曲强度和弯曲模 量测量方法可以按照国标GB/T 2567-2008来进行，采用材料万能试验机或单独 的弯曲试验机测量，调节跨距为50mm，保证试样的中心处于跨距的中点。加 载压头可以与底座垂直，加载速度可以为2mm/min，直至试样断裂。表面憎水 性测量方法可以按照GB/T 1462-2005来进行，采用喷水装置对测量样品进行喷 水试验，在喷水结束后30s以内完成对样品憎水性分级的HC值的读取(对应 于步骤S202)。
进一步地，参考图3所示，将原始样本集划分为与多个BP神经网络模型 相关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量 相同并且每个BP神经网络模型与相应的一个训练样本集相对应。例如，利用 bagging算法将原始样本集划分为与T个BP神经网络模型相关联的T个训练样 本集(对应于图3中的子训练样本集S1～ST)(对应于步骤S204)。
进一步参考图3所示，利用每个训练样本集对相应的BP神经网络模型进 行训练，得到经过训练的多个BP神经网络模型。例如，利用训练样本集S1对 相应的BP神经网络模型进行训练，得到经过训练的BP神经网络模型f1，以 此类推，利用T个训练样本集对相应的BP神经网络模型进行训练，得到经过 训练的T个BP神经网络模型(对应于图3中的神经网络个体f1～ft)(对应于 步骤S206)。
进一步地，利用每个经过训练的BP神经网络模型检测互感器的绝缘状态， 获得与BP神经网络模型对应的测量值，其中测量值的数量与BP神经网络模型 的数量相同并且每个测量值与相应的一个BP神经网络模型相对应。例如，参 考图3所示，利用经过训练的BP神经网络模型f1对互感器的绝缘状态(对应 于图3中待测环氧树脂样品指标)进行测量，得到对应的测量值(对应于图3 中的结果1)。以此类推，利用T个经过训练的BP神经网络模型检测互感器 的绝缘状态，获得T个与BP神经网络模型对应的测量值(对应于结果1～结果 T)(对应于步骤S208)。
最后，将多个测量值进行加权计算得到多个测量值的加权值，并且根据多 个测量值的加权值所归属的区间范围确定互感器的绝缘性能。例如，参考图3 所示，将T个测量值(对应于结果1～结果T)进行加权计算得到加权值，并且 根据该加权值所归属的区间范围确定互感器的绝缘性能。例如，改加权值属于 良好的区间范围，就确定互感器的绝缘性能为良好(对应于步骤S210)。
从而，通过将与互感器绝缘状态相关的原始样本集划分为与多个BP神经 网络模型相关联的多个训练样本集，利用每个训练样本集对相应的BP神经网 络模型进行训练，得到经过训练的多个BP神经网络模型。利用每个经过训练 的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测 量值，将多个测量值进行加权计算得到多个测量值的加权值，并且根据多个测 量值的加权值所归属的区间范围确定互感器的绝缘性能。
通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。从而，测 量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测量 误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低的 风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
可选地，将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互 感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集的操作，包括：根 据预先采集的与互感器绝缘状态相关的样本集，确定原始样本集的种类数量。
具体地，根据预先采集的与互感器绝缘状态相关的样本集，确定原始样本 集的种类数量。例如，与互感器绝缘状态相关的样本集可以为介质损耗因数样 本集、相对介电常数样本集、电导率样本集、弯曲强度样本集、弯曲模量样本 集以及表面憎水性样本集，因此确定原始样本集的种类数量为6。从而，以便 确定经过训练的BP神经网络模型中的输入层节点数。
可选地，利用每个训练样本集对相应的BP神经网络模型进行训练，得到 经过训练的多个BP神经网络模型的操作，包括：确定经过训练的BP神经网络 模型为输入层、隐藏层以及输出层。
具体地，确定经过训练的BP神经网络模型为输入层、隐藏层以及输出层 三层。由于单个隐含层的网络可以通过适当的增加神经元节点的个数实现任意 非线性映射，本实施例所建立的网络模型并不复杂，因此只需要一层隐藏层即 可实现，即经过训练的BP神经网络模型层数为3层。
可选地，确定经过训练的BP神经网络模型为输入层、隐藏层以及输出层 的操作，还包括：根据原始样本集的种类数量，确定经过训练的BP神经网络 模型的输入层节点数；确定经过训练的BP神经网络模型的输出层节点数以及 经过训练的BP神经网络模型的输出层的传递函数；以及确定经过训练的BP 神经网络模型的隐藏层节点数以及经过训练的BP神经网络模型的隐藏层的传 递函数。
具体地，根据原始样本集的种类数量，确定经过训练的BP神经网络模型 的输入层节点数。例如，原始样本集为介质损耗因数样本集、相对介电常数样 本集、电导率样本集、弯曲强度样本集、弯曲模量样本集以及表面憎水性样本 集，一共有6种，那么经过训练的BP神经网络模型的输入层节点数为6。然后 确定经过训练的BP神经网络模型的输出层节点数以及经过训练的BP神经网络 模型的输出层的传递函数。最后确定经过训练的BP神经网络模型的隐藏层节 点数以及经过训练的BP神经网络模型的隐藏层的传递函数。从而对经过训练 的BP神经网络模型的数据进行输入输出处理以及更好的拟合数据。
可选地，确定经过训练的BP神经网络模型的输出层节点数以及经过训练 的BP神经网络模型的输出层的传递函数的操作，包括：确定经过训练的BP 神经网络模型的输出层节点数为1；以及确定经过训练的BP神经网络模型的输 出层的传递函数为sigmod函数。
具体地，确定经过训练的BP神经网络模型的输出层节点数为1，由于输出 结果只有一个，即互感器的绝缘性能，因此输出层节点数的个数为1，输出层 的传递函数选择sigmoid函数f(x)＝1/(1+e-x)。从而确定经过训练的BP神经网络 模型的输出结果以及对数据进行拟合。
可选地，确定经过训练的BP神经网络模型的隐藏层节点数以及经过训练 的BP神经网络模型的隐藏层的传递函数的操作，包括：确定经过训练的BP 神经网络模型的隐藏层节点数的计算公式为：
Figure BDA0002540188860000091
其中l为隐藏层节 点数，n为输入层节点数，m为输出层节点数，k为1～10之间的整数；以及确 定经过训练的BP神经网络模型的隐藏层的传递函数为sigmod函数。
具体地，确定经过训练的BP神经网络模型的隐藏层节点数的计算公式为 经验公式
Figure BDA0002540188860000092
来确定，其中l为隐藏层节点数；n为输入层节点数目；m 为输出层节点数目，m＝1；k为1～10之间的整数。隐藏层的传递函数选择sigmoid 函数f(x)＝1/(1+e-x)。从而通过隐藏层对经过训练的BP神经网络模型的输入数据 进行拟合。
可选地，将测量值进行加权计算得到加权值的操作，包括:测量值的加权值 的计算公式为：
Figure RE-GDA0002933967940000101
其中
Figure RE-GDA0002933967940000102
为测量值，T为测量值的数量，Ot(X) 为第t个经过训练的BP神经网络模型对应的测量值，wt为第t个神经网络的权 重系数，其中wt>0并且
Figure RE-GDA0002933967940000103
可选地，通过对测量值进行加权计算得到加权值。例如测量值1为0.1；测 量值2为0.5；……测量值T为0.7，并且测量值1权重0.1，测量值2权重0.1…… 测量值T权重：0.1，这些权重加起来总和为1，那么最终的加权值为0.1×0.1+0.1 ×0.5+……+0.1×0.7，根据结果大小判断加权值处于哪个范围。由于多个测量 值是通过多个经过训练的BP神经网络模型检测得到的结果，从而避免了单一 神经网络评估模型可能出现的稳定性较差、准确性较低的风险。
可选地，根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性 能的操作，包括:在测量值的加权值∈(0.8，1]的情况下，确定互感器的绝缘性 能为健康；在测量值的加权值∈(0.6，0.8]的情况下，确定互感器的绝缘性能为 良好；在测量值的加权值∈(0.4，0.6]的情况下，确定互感器的绝缘性能为一 般；在测量值的加权值∈(0.2，0.4]的情况下，确定互感器的绝缘性能为劣化； 以及在测量值的加权值∈(0，0.2]的情况下，确定互感器的绝缘性能为严重劣化。
具体地，根据测量值的加权值的区间范围，确定互感器的绝缘性能。例如， 测量值的加权值可以为0.9，∈(0.8,1]，确定互感器的绝缘性能为健康；又例 如测量值的加权值为0.7，∈(0.6,0.8]，确定互感器的绝缘性能为良好。以此类 推，根据测量值的加权值的区间范围，确定互感器的绝缘性能。从而更加准确 的确定互感器的绝缘性能，以便提早发现互感器存在的潜在故障，保障互感器 的正常运行。
此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。 所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任 意一项所述的方法。
从而根据本实施例，通过将与互感器绝缘状态相关的原始样本集划分为与 多个BP神经网络模型相关联的多个训练样本集，利用每个训练样本集对相应 的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型。利用每 个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模 型对应的测量值，将多个测量值进行加权计算得到所述多个测量值的加权值， 并且根据所述多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性 能。
通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性能。从而， 测量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测 量误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低 的风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘 状态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出 互感器绝缘的真实状态的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述 为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的 动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。 其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施 例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上 述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以 通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现 出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘) 中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或 者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图4示出了根据本实施例所述的基于神经网络来确定互感器绝缘状态的评 估装置400，该装置400与根据实施例1的第一个方面所述的方法相对应。参 考图4所示，该装置400包括：作为模块410，用于将预先采集的与互感器绝 缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进 行训练的原始样本集；划分模块420，用于将原始样本集划分为与多个BP神经 网络模型相关联的多个训练样本集，其中BP神经网络模型的数量与训练样本 集的数量相同并且每个BP神经网络模型与相应的一个训练样本集相对应；训 练模块430，用于利用每个训练样本集对相应的BP神经网络模型进行训练，得 到经过训练的多个BP神经网络模型；检测模块440，用于利用每个经过训练的 BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测量 值，其中测量值的数量与BP神经网络模型的数量相同并且每个测量值与相应 的一个BP神经网络模型相对应；以及确定模块450，用于将多个测量值进行加 权计算得到多个测量值的加权值，并且根据多个测量值的加权值所归属的区间 范围确定互感器的绝缘性能。
可选地，作为模块410，包括：确定种类数量子模块，用于根据预先采集 的与互感器绝缘状态相关的样本集，确定原始样本集的种类数量。
可选地，训练模块430，包括：确定层子模块，用于确定经过训练的BP 神经网络模型为输入层、隐藏层以及输出层。
可选地，确定层子模块，包括：确定输入层节点数单元，用于根据原始样 本集的种类数量，确定经过训练的BP神经网络模型的输入层节点数；
确定输出层单元，用于确定经过训练的BP神经网络模型的输出层节点数以及 经过训练的BP神经网络模型的输出层的传递函数；以及确定隐藏层单元，用 于确定经过训练的BP神经网络模型的隐藏层节点数以及经过训练的BP神经网 络模型的隐藏层的传递函数。
可选地，确定输出层单元，包括：确定输出层节点数子单元，用于确定经 过训练的BP神经网络模型的输出层节点数为1，并且确定输出层传递函数子单 元，用于确定经过训练的BP神经网络模型的输出层的传递函数为sigmod函数。
可选地，确定隐藏层单元，包括：确定隐藏层计算公式子单元，用于确定 经过训练的BP神经网络模型的隐藏层节点数的计算公式为：
Figure BDA0002540188860000131
其 中l为隐藏层节点数，n为输入层节点数，m为输出层节点数，k为1～10之间 的整数；以及确定隐藏层传递函数子单元，用于确定经过训练的BP神经网络 模型的隐藏层的传递函数为sigmod函数。
可选地，确定模块450，包括:确定加权值子模块，用于确定多个测量值的 加权值的计算公式为：
Figure RE-GDA0002933967940000132
其中
Figure RE-GDA0002933967940000133
为测量值，T为测量值的数 量，Ot(X)为第t个经过训练的BP神经网络模型对应的测量值，wt为第t个神 经网络的权重系数，其中wt>0并且
Figure RE-GDA0002933967940000134
可选地，确定模块450，包括:确定健康子模块，用于在测量值的加权值∈ (0.8，1]的情况下，确定互感器的绝缘性能为健康；确定良好子模块，用于在测 量值的加权值∈(0.6，0.8]的情况下，确定互感器的绝缘性能为良好；确定一般 子模块，用于在测量值的加权值∈(0.4，0.6]的情况下，确定互感器的绝缘性 能为一般；确定劣化子模块，用于在测量值的加权值∈(0.2，0.4]的情况下， 确定互感器的绝缘性能为劣化；以及确定严重劣化子模块，用于在测量值的加 权值∈(0，0.2]的情况下，确定互感器的绝缘性能为严重劣化。
从而根据本实施例，通过基于神经网络来确定互感器绝缘状态的装置400， 将与互感器绝缘状态相关的原始样本集划分为与多个BP神经网络模型相关联 的多个训练样本集，利用每个训练样本集对相应的BP神经网络模型进行训练， 得到经过训练的多个BP神经网络模型。利用每个经过训练的BP神经网络模型 检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，将多个测量 值进行加权计算得到多个测量值的加权值，并且根据多个测量值的加权值所归 属的区间范围确定互感器的绝缘性能。
通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。从而，测 量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测量 误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低的 风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
实施例3
图5示出了根据本实施例所述的基于神经网络来确定互感器绝缘状态的装 置500，该装置500与根据实施例1的第一个方面所述的方法相对应。参考图5 所示，该装置500包括：处理器510；以及存储器520，与处理器510连接，用 于为处理器510提供处理以下处理步骤的指令：将预先采集的与互感器绝缘状 态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训 练的原始样本集；将原始样本集划分为与多个BP神经网络模型相关联的多个 训练样本集，其中BP神经网络模型的数量与训练样本集的数量相同并且每个 BP神经网络模型与相应的一个训练样本集相对应；利用每个训练样本集对相应 的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型；
利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经 网络模型对应的测量值，其中测量值的数量与BP神经网络模型的数量相同并 且每个测量值与相应的一个BP神经网络模型相对应；以及将多个测量值进行 加权计算得到多个测量值的加权值，并且根据多个测量值的加权值所归属的区 间范围确定互感器的绝缘性能。
可选地，将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互 感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集的操作，包括：根 据预先采集的与互感器绝缘状态相关的样本集，确定原始样本集的种类数量。
可选地，利用每个训练样本集对相应的BP神经网络模型进行训练，得到 经过训练的多个BP神经网络模型的操作，包括：确定经过训练的BP神经网络 模型为输入层、隐藏层以及输出层。
可选地，确定经过训练的BP神经网络模型为输入层、隐藏层以及输出层 的操作，包括：根据原始样本集的种类数量，确定经过训练的BP神经网络模 型的输入层节点数；确定经过训练的BP神经网络模型的输出层节点数以及经 过训练的BP神经网络模型的输出层的传递函数；以及确定经过训练的BP神经 网络模型的隐藏层节点数以及经过训练的BP神经网络模型的隐藏层的传递函 数。
可选地，确定经过训练的BP神经网络模型的输出层节点数以及经过训练 的BP神经网络模型的输出层的传递函数的操作，包括：确定经过训练的BP 神经网络模型的输出层节点数为1；以及确定经过训练的BP神经网络模型的输 出层的传递函数为sigmod函数。
可选地，确定经过训练的BP神经网络模型的隐藏层节点数以及经过训练 的BP神经网络模型的隐藏层的传递函数的操作，包括：确定经过训练的BP 神经网络模型的隐藏层节点数的计算公式为：
Figure BDA0002540188860000151
其中l为隐藏层节 点数，n为输入层节点数，m为输出层节点数，k为1～10之间的整数；以及确 定经过训练的BP神经网络模型的隐藏层的传递函数为sigmod函数。
可选地，将多个测量值进行加权计算得到加权值的操作，包括:确定多个测 量值的加权值的计算公式为：
Figure RE-GDA0002933967940000152
其中
Figure RE-GDA0002933967940000153
为测量值，T为测量 值的数量，Ot(X)为第t个经过训练的BP神经网络模型对应的测量值，wt为第 t个神经网络的权重系数，其中wt>0并且
Figure RE-GDA0002933967940000154
可选地，根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性 能的操作，包括:在测量值的加权值∈(0.8，1]的情况下，确定互感器的绝缘性 能为健康；在测量值的加权值∈(0.6，0.8]的情况下，确定互感器的绝缘性能为 良好；在测量值的加权值∈(0.4，0.6]的情况下，确定互感器的绝缘性能为一 般；在测量值的加权值∈(0.2，0.4]的情况下，确定互感器的绝缘性能为劣化； 以及在测量值的加权值∈(0，0.2]的情况下，确定互感器的绝缘性能为严重劣化。
从而根据本实施例，通过基于神经网络来确定互感器绝缘状态的装置500， 将与互感器绝缘状态相关的原始样本集划分为与多个BP神经网络模型相关联 的多个训练样本集，利用每个训练样本集对相应的BP神经网络模型进行训练， 得到经过训练的多个BP神经网络模型。利用每个经过训练的BP神经网络模型 检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，将多个测量 值进行加权计算得到多个测量值的加权值，并且根据多个测量值的加权值所归 属的区间范围确定互感器的绝缘性能。
通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。从而，测 量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测量 误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低的 风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例 中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通 过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所 述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式， 例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽 略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连 接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其 它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明 的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质 中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网 络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储 介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储 程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于神经网络来确定互感器绝缘状态的方法，其特征在于，包括：
将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；
将所述原始样本集划分为与多个BP神经网络模型相关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量相同并且每个BP神经网络模型与相应的一个训练样本集相对应；
利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型；
利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与经过训练的BP神经网络模型对应的测量值，其中所述测量值的数量与所述BP神经网络模型的数量相同并且每个测量值与相应的一个BP神经网络模型相对应；以及
将多个测量值进行加权计算得到所述多个测量值的加权值，并且根据所述多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性能。
2.根据权利要求1所述的方法，其特征在于，将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集的操作，包括：
根据预先采集的与互感器绝缘状态相关的样本集，确定所述原始样本集的种类数量。
3.根据权利要求1所述的方法，其特征在于，利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型的操作，包括：
确定所述经过训练的BP神经网络模型为输入层、隐藏层以及输出层。
4.根据权利要求3所述的方法，其特征在于，确定所述经过训练的BP神经网络模型为输入层、隐藏层以及输出层的操作，包括：
根据所述原始样本集的种类数量，确定所述经过训练的BP神经网络模型的输入层节点数；
确定所述经过训练的BP神经网络模型的输出层节点数以及所述经过训练的BP神经网络模型的输出层的传递函数；以及
确定所述经过训练的BP神经网络模型的隐藏层节点数以及所述经过训练的BP神经网络模型的隐藏层的传递函数。
5.根据权利要求4所述的方法，确定所述经过训练的BP神经网络模型的输出层节点数以及所述经过训练的BP神经网络模型的输出层的传递函数的操作，包括：
确定所述经过训练的BP神经网络模型的输出层节点数为1；
以及确定所述经过训练的BP神经网络模型的输出层的传递函数为sigmod函数。
6.根据权利要求4所述的方法，确定所述经过训练的BP神经网络模型的隐藏层节点数以及所述经过训练的BP神经网络模型的隐藏层的传递函数的操作，包括：
确定所述经过训练的BP神经网络模型的隐藏层节点数的计算公式为：
Figure FDA0002540188850000021
其中l为所述隐藏层节点数，n为所述输入层节点数，m为所述输出层节点数，k为1～10之间的整数；以及
确定所述经过训练的BP神经网络模型的隐藏层的传递函数为sigmod函数。
7.根据权利要求1所述的方法，将所述多个测量值进行加权计算得到加权值的操作，包括:
确定所述多个测量值的加权值的计算公式为：
Figure RE-FDA0002933967930000031
其中
Figure RE-FDA0002933967930000032
为所述测量值，T为所述测量值的数量，Ot(X)为第t个经过训练的BP神经网络模型对应的测量值，wt为第t个神经网络的权重系数，其中wt>0并且
Figure RE-FDA0002933967930000033
8.根据权利要求1所述的方法，根据所述多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性能的操作，包括:
在所述测量值的加权值∈(0.8，1]的情况下，确定互感器的绝缘性能为健康；
在所述测量值的加权值∈(0.6，0.8]的情况下，确定互感器的绝缘性能为良好；
在所述测量值的加权值∈(0.4，0.6]的情况下，确定互感器的绝缘性能为一般；
在所述测量值的加权值∈(0.2，0.4]的情况下，确定互感器的绝缘性能为劣化；以及
在所述测量值的加权值∈(0，0.2]的情况下，确定互感器的绝缘性能为严重劣化。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至8中任意一项所述的方法。
10.一种基于神经网络来确定互感器绝缘状态的装置，其特征在于，包括：
作为模块，用于将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；
划分模块，用于将所述原始样本集划分为与多个BP神经网络模型相关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量相同并且每个BP神经网络模型与相应的一个训练样本集相对应；
训练模块，用于利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型；
检测模块，用于利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，其中所述测量值的数量与所述BP神经网络模型的数量相同并且每个测量值与相应的一个BP神经网络模型相对应；以及
确定模块，用于将多个测量值进行加权计算得到所述多个测量值的加权值，并且根据所述多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性能。
CN202010544706.XA 2020-06-15 2020-06-15 一种基于神经网络来确定互感器绝缘状态的方法及装置 Pending CN112561030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010544706.XA CN112561030A (zh) 2020-06-15 2020-06-15 一种基于神经网络来确定互感器绝缘状态的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010544706.XA CN112561030A (zh) 2020-06-15 2020-06-15 一种基于神经网络来确定互感器绝缘状态的方法及装置

Publications (1)

Publication Number Publication Date
CN112561030A true CN112561030A (zh) 2021-03-26

Family

ID=75040900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010544706.XA Pending CN112561030A (zh) 2020-06-15 2020-06-15 一种基于神经网络来确定互感器绝缘状态的方法及装置

Country Status (1)

Country Link
CN (1) CN112561030A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备
CN113899968A (zh) * 2021-09-23 2022-01-07 成都高斯电子技术有限公司 一种电压互感器监测方法
WO2023284321A1 (zh) * 2021-07-15 2023-01-19 华为云计算技术有限公司 预测生存风险率的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284321A1 (zh) * 2021-07-15 2023-01-19 华为云计算技术有限公司 预测生存风险率的方法及装置
CN113406460A (zh) * 2021-07-30 2021-09-17 江苏新亚高电压测试设备有限公司 一种电压互感器局部放电故障诊断方法、装置及电子设备
CN113899968A (zh) * 2021-09-23 2022-01-07 成都高斯电子技术有限公司 一种电压互感器监测方法
CN113899968B (zh) * 2021-09-23 2024-05-10 成都高斯电子技术有限公司 一种电压互感器监测方法

Similar Documents

Publication Publication Date Title
CN112561030A (zh) 一种基于神经网络来确定互感器绝缘状态的方法及装置
CN106338705B (zh) 一种用于三相电能计量装置的校验误差的方法和装置
CN103607309B (zh) 一种业务kqi与qoe的映射方法
CN113033722B (zh) 传感器数据融合方法、装置、存储介质及计算设备
CN109282837B (zh) 基于lstm网络的布拉格光纤光栅交错光谱的解调方法
CN107966638A (zh) 校正误差的方法和装置、存储介质及处理器
CN112305485B (zh) 电容式电压互感器的谐波电压测量误差修正方法及装置
CN106019098A (zh) 局部放电定位方法、装置及系统
CN115549084A (zh) 配电网故障确定方法、装置、计算机设备和存储介质
CN105911497A (zh) 局部放电定位误差的校正方法和装置
CN106771650A (zh) 一种差分多端口器件测试建模方法
CN114528721A (zh) 一种电缆中间接头绝缘状态评估方法及系统
CN108107392B (zh) 多线trl校准方法及终端设备
CN108595381A (zh) 健康状态评价方法、装置及可读存储介质
CN108875262A (zh) 变压器油老化状态的检测方法及装置、存储介质、处理器
CN116777264A (zh) 考虑储能的新型配电网韧性指标的确定方法及评估系统
CN107679017A (zh) 一种自愈合电缆状态评价方法和装置
CN111896849A (zh) 一种考虑非均匀介质的油纸绝缘性能分析方法及装置
CN116973764A (zh) 一种锂电池一致性评估方法、装置、电子设备及存储介质
CN208598395U (zh) 一种生物阻抗模拟仪
CN115878963A (zh) 电容式电压互感器计量误差预测方法、系统、终端及介质
CN113053197A (zh) 一种分布式区域通信电源仿真培训系统
CN112577605A (zh) 户外人体红外测温方法、装置及存储介质
CN106844833A (zh) 电池建模方法及装置
CN108693164B (zh) 基于光纤拉曼散射信号的温度解调方法、装置及系统

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