CN112630562A - 一种基于深度神经网络的开关柜故障识别方法及其装置 - Google Patents
一种基于深度神经网络的开关柜故障识别方法及其装置 Download PDFInfo
- Publication number
- CN112630562A CN112630562A CN202011400259.7A CN202011400259A CN112630562A CN 112630562 A CN112630562 A CN 112630562A CN 202011400259 A CN202011400259 A CN 202011400259A CN 112630562 A CN112630562 A CN 112630562A
- Authority
- CN
- China
- Prior art keywords
- temperature
- fault
- chamber
- characteristic parameters
- switch cabinet
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 239000013307 optical fiber Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于深度神经网络的开关柜故障识别方法及其装置,方法包括步骤:S1、在开关柜的母线室、断路器室、电缆室和仪表室分别设置监测装置获得状态特征参量;S2、提取开关柜各预设故障识别项对应的状态特征参量并对其进行预处理;S3、将预处理后的特征参量输入到搭建的深度神经网络诊断模型中进行测试;S4、输出各预设故障识别项的故障模式,将故障模式上报同时存储至后台数据库的历史数据中。本发明方法中表征开关柜的状态征参量包含了各个柜室内相应的电气参量和非电气参量,输出结果具体地反映出某一个预设故障识别项的具体故障模式,方便运维人员根据故障模式和预设故障识别项直接判断出故障室,快速准确地进行维修。
Description
技术领域
本发明涉及电网安全技术领域,具体涉及一种基于深度神经网络的开关柜故障识别方法及其装置。
背景技术
随着科学技术的发展,变电站自动化系统经历了集中式RTU、分布式系统、基于网络的监控系统、数字化变电站到现在的智能变电站的发展历程,变电站自动化水平越来越高。
开关柜作为重要的输配电设备,对电力系统的安全和高效运行起着非常重要的作用,开关柜柜内各触头、接头会因长时间的磨合、氧化或连接方式不对导致接触面的接触电阻增大,当负载电流流经这些接触电阻异常的触头、接头时,触头、接头会产生发热现象,开关柜柜内通常采用封闭式结构,散热条件差,触头、接头产生的热量很容易被积累引起开关柜内部温度升高,柜内温度过高将导致开关柜发生故障,轻者影响柜内电器材料的机械性能,重者可能引发停电、火灾等严重事故,因此对开关柜开展精确的故障诊断识别的研究具有非常高的实用价值。
发明内容
本发明所要解决的技术问题是:针对开关柜柜内系统日趋复杂,开关柜柜内的不同位置可能出现多种类型的不同故障,这些故障的类型及位置难以准确快速识别的问题。
为解决上述技术问题,本发明通过下述技术方案实现:
本方案提供一种基于深度神经网络的开关柜故障识别方法,包括以下步骤:
S1、在开关柜的母线室、断路器室、电缆室和仪表室分别设置监测装置并获得所有状态特征参量;
S2、提取状态特征参量后与各预设故障识别项进行匹配,并对匹配后的状态特征参量进行预处理;
S3、将预处理后的特征参量输入到搭建的深度神经网络诊断模型中进行测试;
S4、输出各预设故障识别项的故障模式,将故障模式报告运维人员处理、同时存储至后台数据库的历史样本集中。
根据权利要求1所述的一种基于深度神经网络的开关柜故障识别方法,每个预设故障识别项对应匹配单个或多个状态特征参量。
进一步优化方案为,所述状态特征参量包括:
母线室中:电压互感器采集的母线电压,光纤温度传感器采集的母线与断路器连接处温度,无线温湿度传感器采集的母线室温度和湿度;
断路器室中:光纤温度传感器采集的断路器触头温度,无线温湿度传感器采集的断路器室温度和湿度,电流互感器采集的断路器分合闸线圈电流和断路器开断电流;
电缆室中:电流互感器采集的电缆出线电流,电缆出线电流与母线电压共同得到有功、无功功率以及功率因数;光纤温度传感器采集的电缆接头温度;无线温湿度传感器采集的电缆室温度和湿度;
仪表室中:无线温湿度传感器采集的仪表室温度和湿度。
进一步优化方案为,开关柜各预设故障识别项对应匹配的状态特征参量分别为:
反映母线工作环境对应:母线室温度和湿度;
反映能引起连接处温度升高的问题对应:母线与断路器连接处温度
反映内外部系统故障对应:电压有效值、电流有效值、三相总有功功率、三相总无功功率、功率因数;
反映电弧故障对应:闪光信号;
反映断路器工作环境和触头故障带来的温湿度变化对应:断路器室温度和湿度;
反映断路器开断能力和相对电磨损程度对应:断路器开断电流;
反映局部放电等引起的温度变化对应:断路器触头温度;
反映断路器的机械特性对应:断路器分合闸线圈电流;
反映电缆工作环境和电缆绝缘故障带来的温湿度变化对应:电缆室温度和湿度;
反映绝缘损坏等引起的电缆接头温度变化对应:电缆接头温度;
反映仪表工作环境对应:仪表室温度和湿度。
进一步优化方案为,输出各预设故障识别项的故障模式为以下故障模式的一种或多种:正常模式、母线电压过高、电缆电流过大、母线室温湿度异常、母线与断路器连接处温度过高、合闸线圈电流过大、断路器室温湿度异常、仪表室温湿度异常、电缆接头温度过高、电弧故障、系统故障、断路器机械故障。
进一步优化方案为,对获取的状态特征参量进行的预处理为归一化处理,归一化处理后使状态特征参量处于同一数量级。
进一步优化方案为,将获取的状态特征参量转化到[0,1]之间进行归一化处理,表达式如下:
其中xi、xmin、xmax分别表示同一特征参量的第i个数据、最小值和最大值,x是归一化结果。
根据上述基于深度神经网络的开关柜的故障识别方法,本方案还提供一种基于深度神经网络的开关柜故障识别装置,包括:
分别设置在母线室、断路器室、电缆室和仪表室的监测装置;
数据采集装置采集各监测装置监测的数据后将预设故障识别项对应的状态特征参量进行匹配,并对匹配后的状态特征参量进行预处理后输入数据处理装置;
数据处理装置调取深度神经网络诊断模型对预处理后的状态特征参量进行诊断得到故障模式,最后数据处理装置按照预设故障识别项输出对应的故障模式。
进一步优化方案为,所述监测装置包括:电压互感器、电流互感器、光纤温度传感器、无线温湿度传感器。
本技术方案工作原理:开关柜根据使用环境可分为室内开关柜和室外开关柜,本方案研究的对象是室内开关柜。相对于室外开关柜室,室内开关柜的工作环境不那么恶劣,对于传感器的工作环境的要求也没有室外开关柜严格。
本技术方案通过监测开关柜的状态特征参量,从不同角度反映开关柜当前的运行状态。从开关柜的进线端出发,依次在母线室、断路器室和电缆室选取监测对象并在开关柜的母线室、断路器室、电缆室和仪表室分别设置监测装置。表征开关柜的状态特征参量包含了电气参量(电压,电流,无功功率,有功功率等)和非电气参量(温度,湿度,闪光信号),这些开关柜的状态特征参量与预设故障识别项具有相互对应的关系,每种预设故障识别项对应多个或单个状态特征参数,每一种预设故障识别项又对应一种或多种故障模式。
在开关柜的母线室、断路器室、电缆室中每个室内都设置三类传感器进行数据监测而不是只将某一类传感器设置在开关柜的一个室内,这样在开关柜的每个室内相应的都采集了电气参量或是非电气参量,综合采集的电气参量或是非电气参量来作为预设故障识别项的故障评判指标;通常现有技术中用温度传感器监测系统中重要位置的温度,电压互感器和电流互感器直接监测系统的电压和电流,用这些数据进行故障诊断时,并不能让工作人员直观地识别故障类型和故障室;同时开关柜有多个预设故障识别项,在进行故障识别时,可以具体地只反映出某一个预设故障识别项的具体故障模式,运维人员就可以根据故障模式和预设故障识别项直接判断出故障室,快速进行维修。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明提供一种基于深度神经网络的开关柜故障识别方法及其装置,表征开关柜状态的征参量包含了各个柜室内相应的电气参量和非电气参量,可以具体地反映出某一个预设故障识别项的具体故障模式,运维人员就可以根据故障模式和预设故障识别项直接判断出故障室,快速准确地进行维修。
2、本发明提供一种基于深度神经网络的开关柜故障识别方法及其装置,先将状态特征参量与各预设故障识别项进行匹配后,将匹配好的状态特征参量预处理后输入训练好的模型中进行识别,在进行模型的训练和调参过程中更具体化,开关柜故障识别更精准。
3、本发明提供一种基于深度神经网络的开关柜故障识别方法及其装置,针对开关柜的监测目标定位由系统下探到单独的开关柜柜室,提开关柜运行维护的经济性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。
在附图中:
图1为开关柜故障识别流程图;
图2为传感器布置示意图;
图3为(n-1)个隐藏层的DNN拓扑结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
神经网络是基于感知机的扩展,而深度神经网络(Deep Neural Networks,以下简称DNN) 可以理解为有很多隐藏层的神经网络。DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,如下图示例,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层,其结构图如图3所示。
DNN具有很好的特征提取和数据拟合能力,广泛应用于自然语言处理,图像识别等领域。DNN由输入层、隐藏层(≥1层)和输出层构成,本质上是一种非线性分类器,图3给出了一个包括n-1个隐藏层的DNN结构图。
输入层:开关柜状态特征集合x={x1,x2,...,xp},P为特征集合的样本总数,xi包含19个参数{No.1,No.2,...,No.19}。
隐含层:包含参数矩阵[w,b]和激活函数。神经网络中激活函数采用Sigmoid居多,但Sigmoid函数容易出现梯度弥散(Gradient Vanishing)现象,当网络的层数增加后,较前层的参数由于梯度值非常微小,参数长时间得不到(有效)更新,无法训练深层神经网络。SeLU(scaled exponential linear units)函数在2017年被提出,相关论文发表在NIPS,2017;具有以下优点:不存在死区、存在饱和区、输入大于零时激活输出对出入进行了放大,能很好的避免梯度弥散现象。因此隐含层激活函数采用SeLU函数:
式中:α=1.67,λ=1.05
在DNN的前向传播过程中,同层的神经元之间相互独立,相邻层之间的连接方式为全连接,即第i层任意一个神经元与第i+1层的所有神经元相连接,第l(≥2)层任意一个神经元的值如下:
前向传播的最后一步就是完成误差的计算:
Loss=g(fθ(x),y)
式中:fθ(x)代表了利用θ参数化的网络模型,g(·)为误差函数,用来描述当前网络的预测值fθ(x)与真实标签y之间的差距度量,比如常用的均方差误差函数(Mean SquareError, MSE),Loss网络误差(Error,或损失)。通过在训练集Dtrain上面学习到一组参数θ使得误差Loss达到预期范围:
上述的argmin问题一般采用误差反向传播算法求解网络参数θ的梯度信息,目前参数更新算法中使用效果最好的是Adam(Adaptive Moment Estimation),通过设置模型的训练次数 (Epoch),使得模型的参数在Dtrain上达到最优,从而用于Dtest的类别判定。此外,为防止过拟合现象导致的神经网络对测试数据预测效果较差,本文在模型中加入Drop-out机制,通过随机丢弃部分神经元改变神经网络结构,减少神经元间的依耐性。此外为了改善传统梯度下降法迭代过程中学习率为常数的缺点,还引入了学习率衰减算法。
实施例2
一、开关柜故障诊断状态特征参量的设计
特征信号的设计
开关柜根据使用环境可分为室内开关柜和室外开关柜。本文的研究对象是室内开关柜。相对于室外开关柜室,室内开关柜的工作环境不那么恶劣,对于传感器的工作环境的要求也没有室外开关柜严格。开关柜主体结构包括柜体、母线室、断路器室、电缆室和仪表室,结构如图2所示。
开关柜状态监测的状态特征参量应该从不同角度反映开关柜当前的运行状态,因此监测信号中状态特征参量的提取对开关柜故障诊断至关重要。从开关柜的进线端出发,依次在母线室、断路器室和电缆室选取监测对象,此外在仪表室也设置了监测对象。表征开关柜状态的特征在属性上分为电气参量(电压,电流,无功功率,有功功率等)和非电气参量(温度,湿度,闪光信号),传感器的位置分布如图2所示,具体说明如下:
母线室:3类传感器,传感器1:采集母线电压的电压互感器;传感器2:采集母线与断路器连接处温度的光纤温度传感器;传感器3:采集母线室温湿度的无线温湿度传感器。
断路器室:3类传感器,传感器1为采集断路器触头温度的光纤温度传感器;传感器2 为采集断路器室温湿度的无线温湿度传感器;传感器3为分别采集断路器分合闸线圈电流、断路器开断电流的电流互感器。
电缆室:3类传感器,传感器1为采集电缆出线电流的电流互感器,与母线电压共同得到有功、无功功率以及功率因数;传感器2为采集电缆接头温度的光纤温度传感器;传感器 3为采集电缆室温湿度的无线温湿度传感器。
仪表室:采集仪表室温湿度的无线温湿度传感器。
开关柜状态诊断特征参量如表1所示。
表1开关柜故障诊断监测状态特征参量
一、诊断流程如图1
针对开关柜状态识别的非线性分类问题,本文提出了基于SeLU_DNN网络的状态判定模型,如图4所示。通过提取监测信号中的状态特征参量并输入到DNN进行信息处理,可实现开关柜工作状态的自动判定,状态特征参量与预设故障识别项之间对应关系如表2所示,具体实现步骤如下:
1)选取开关柜状态传感器监测信号中的状态特征参量作为模型的输入,将计算获取的状态特征参量输入到搭建的诊断网络模型前,应该对状态特征参量进行归一化处理。不同的状态特征参量往往具有不同的量纲,这样的情况会影响到DNN输出的结果,为了消除状态特征参量之间量纲的影响,需要进行数据标准化处理,以解决数据指标之间的可比性。研究表明原始数据经过归一化处理后,各状态特征参量处于同一数量级,能加快梯度下降求最优解的速度。本文将计算获取的状态特征参量转化到[0,1]之间进行归一化处理,表达式如下:
其中xi、xmin、xmax分别表示同一状态特征参量的第i个数据、最小值和最大值,x是归一化结果。
2)按照一定比例将样本数据划分为训练样本和测试样本。
表2开关柜监测状态特征参量与预设故障识别项、故障模式之间的对应关系
3)对SeLU_DNN网络进行有监督预训练,通过前向传播、反向传播和梯度更新,在预设的训练次数下,得到模型在Dtrain上的最优参数。
4)利用训练样本最优参数对测试样本进行测试。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度神经网络的开关柜故障识别方法,其特征在于,包括以下步骤:
S1、在开关柜的母线室、断路器室、电缆室和仪表室分别设置监测装置并获得所有状态特征参量;
S2、提取状态特征参量后与各预设故障识别项进行匹配,并对匹配后的状态特征参量进行预处理;
S2、将预处理后的特征参量输入到搭建好的深度神经网络诊断模型中进行测试;
S3、输出各预设故障识别项对应的故障模式,将故障模式报告运维人员处理、同时存储至后台数据库的历史样本集中。
2.根据权利要求1所述的一种基于深度神经网络的开关柜故障识别方法,其特征在于,每个预设故障识别项对应匹配单个或多个状态特征参量。
3.根据权利要求2所述的一种基于深度神经网络的开关柜故障识别方法,其特征在于,所述状态特征参量包括:
母线室中:电压互感器采集的母线电压,光纤温度传感器采集的母线与断路器连接处温度,无线温湿度传感器采集的母线室温度和湿度;
断路器室中:光纤温度传感器采集的断路器触头温度,无线温湿度传感器采集的断路器室温度和湿度,电流互感器采集的断路器分合闸线圈电流和断路器开断电流;
电缆室中:电流互感器采集的电缆出线电流,电缆出线电流与母线电压共同得到有功、无功功率以及功率因数;光纤温度传感器采集的电缆接头温度;无线温湿度传感器采集的电缆室温度和湿度;
仪表室中:无线温湿度传感器采集的仪表室温度和湿度。
4.根据权利要求3所述的一种基于深度神经网络的开关柜故障识别方法,其特征在于,各预设故障识别项对应匹配的状态特征参量分别为:
反映母线工作环境对应:母线室温度和湿度;
反映能引起连接处温度升高的问题对应:母线与断路器连接处温度
反映内外部系统故障对应:电压有效值、电流有效值、三相总有功功率、三相总无功功率、功率因数;
反映电弧故障对应:闪光信号;
反映断路器工作环境和触头故障带来的温湿度变化对应:断路器室温度和湿度;
反映断路器开断能力和相对电磨损程度对应:断路器开断电流;
反映局部放电等引起的温度变化对应:断路器触头温度;
反映断路器的机械特性对应:断路器分合闸线圈电流;
反映电缆工作环境和电缆绝缘故障带来的温湿度变化对应:电缆室温度和湿度;
反映绝缘损坏等引起的电缆接头温度变化对应:电缆接头温度;
反映仪表工作环境对应:仪表室温度和湿度。
5.根据权利要求1所述的一种基于深度神经网络的开关柜故障识别方法,其特征在于,输出各预设故障识别项的故障模式为以下故障模式的一种或多种:正常模式、母线电压过高、电缆电流过大、母线室温湿度异常、母线与断路器连接处温度过高、合闸线圈电流过大、断路器室温湿度异常、仪表室温湿度异常、电缆接头温度过高、电弧故障、系统故障、断路器机械故障。
6.根据权利要求1所述的一种基于深度神经网络的开关柜故障识别方法,其特征在于,对获取的状态特征参量进行的预处理为归一化处理,归一化处理后使状态特征参量处于同一数量级。
8.一种基于深度神经网络的开关柜故障识别装置,其特征在于,包括:
分别设置在母线室、断路器室、电缆室和仪表室的监测装置;
数据采集装置采集各监测装置监测的数据后将预设故障识别项对应的状态特征参量进行匹配,并对匹配后的状态特征参量进行预处理后输入数据处理装置;
数据处理装置调取深度神经网络诊断模型对预处理后的状态特征参量进行诊断得到故障模式,最后数据处理装置按照预设故障识别项输出对应的故障模式。
9.根据权利要求8所述的一种基于深度神经网络的开关柜故障识别装置,其特征在于,所述监测装置包括:电压互感器、电流互感器、光纤温度传感器、无线温湿度传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400259.7A CN112630562A (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400259.7A CN112630562A (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112630562A true CN112630562A (zh) | 2021-04-09 |
Family
ID=75307863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400259.7A Pending CN112630562A (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630562A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
CN115808643A (zh) * | 2023-02-06 | 2023-03-17 | 北京瑞阳伟业科技有限公司 | 一种具有实时数据获取的电气柜功能测试台 |
CN116707144A (zh) * | 2023-08-07 | 2023-09-05 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
CN117148024A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787095A (zh) * | 2019-03-06 | 2019-05-21 | 四川赛康智能科技股份有限公司 | 一种基于多维度特征参量电力开关柜状态在线监测装置 |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
-
2020
- 2020-12-04 CN CN202011400259.7A patent/CN112630562A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787095A (zh) * | 2019-03-06 | 2019-05-21 | 四川赛康智能科技股份有限公司 | 一种基于多维度特征参量电力开关柜状态在线监测装置 |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
Non-Patent Citations (3)
Title |
---|
曾伟华;史非;姚晖;: "基于开关柜故障的继电保护动作分析及故障诊断", 电工技术, no. 07, pages 367 - 71 * |
母卓元: "《基于深度信念网络的开关柜故障诊断》", 《电力安全技术》, vol. 21, no. 11, pages 35 - 41 * |
陈模盛 等: "《基于LPWAN多源信息融合的高压开关柜智能监测与故障诊断系统》", 《智慧电力》, vol. 48, no. 8, pages 98 - 103 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
CN115808643A (zh) * | 2023-02-06 | 2023-03-17 | 北京瑞阳伟业科技有限公司 | 一种具有实时数据获取的电气柜功能测试台 |
CN116707144A (zh) * | 2023-08-07 | 2023-09-05 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
CN116707144B (zh) * | 2023-08-07 | 2024-03-19 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
CN117148024A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
CN117148024B (zh) * | 2023-10-31 | 2023-12-26 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112630562A (zh) | 一种基于深度神经网络的开关柜故障识别方法及其装置 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN111650451B (zh) | 一种换流变故障原因辨识方法及系统 | |
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
CN106856322B (zh) | 一种基于神经网络的柔性直流配电网智能保护系统 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN108073551A (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
CN108418304B (zh) | 变电站二次回路状态监测方法、装置及系统 | |
CN113205127A (zh) | 一种基于边缘计算的变压器自我诊断评估装置及方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN117609841A (zh) | 一种基于神经网络算法的电缆故障预判分析方法 | |
CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
CN115355942B (zh) | 适用于kyn开关柜的健康管理方法 | |
CN112085043A (zh) | 一种变电站网络安全智能监控方法及系统 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN113255203B (zh) | 基于anfis的电气线路老化程度在线辨识系统及方法 | |
CN112763780B (zh) | 一种智能互感器 | |
CN112231624B (zh) | 基于物联网的多变压器绕组抗短路能力的实时评估系统 | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
CN109507468B (zh) | 一种基于关联特征的汇流箱支路电流检测方法及系统 | |
CN111199254A (zh) | 基于rbf神经网络和贝叶斯网络的高压电气设备实时检测方法 | |
KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
CN113722659B (zh) | 一种基于缺陷模式的变电主设备诊断方法和系统 | |
CN117094705B (zh) | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
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 |