CN112904157A - 一种基于集成机器学习的故障电弧检测方法 - Google Patents
一种基于集成机器学习的故障电弧检测方法 Download PDFInfo
- Publication number
- CN112904157A CN112904157A CN202110072617.4A CN202110072617A CN112904157A CN 112904157 A CN112904157 A CN 112904157A CN 202110072617 A CN202110072617 A CN 202110072617A CN 112904157 A CN112904157 A CN 112904157A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- fault
- current
- machine learning
- arc
- 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
- G01R31/12—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
- G01R31/1227—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 of components, parts or materials
- G01R31/1254—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 of components, parts or materials of gas-insulated power appliances or vacuum gaps
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
本发明公开了一种基于集成机器学习的低压交流供电系统下的串联故障电弧检测方法,主要针对低压交流供电系统下产生串联故障电弧时由于电弧燃烧程度不同,电流畸变程度不同而导致漏检、错检。本发明方法包括:在低压交流供电系统下,收集不同类型负载单独工作下的正常和故障电流及多个负载并联工作时的正常和故障电流;从回路电流中提取时域特征,将时域特征组成特征矩阵对机器学习算法决策树和集成学习算法随机森林等进行参数寻优;将bagging集成学习算法以及boosting集成学习算法代替机器学习算法作为基学习器通过Stacking模型融合构建低压交流故障检测模型。利用训练好的模型用于电路中的故障电弧检测。
Description
技术领域
本发明属于低压配电系统串联故障电弧识别技术领域,尤其涉及一种基于集成机器学习的故障电弧检测方法。
背景技术
当某些绝缘介质(例如空气)被电压击穿会产生持续放电现象,这种放电现象被称为电弧,电弧通常伴随电极的部分挥发。人们利用电弧产生的火花和高温用于电弧炉、电弧焊接等,这一类电弧被称为“有用电弧”,然而在日常生活中由于输电线长时间带载、过载运行产生热量或者由于外力导致的绝缘层老化、破损,也会产生电弧现象。这种电弧会产生放电火花、引燃周边的可燃物造成火灾,产生严重后果,这类电弧是人们不希望产生的,被称为故障电弧。
尽管低压供电系统配置了断路器、熔断器及剩余电流动作断路器等保护电器,对于维护供电可靠性、减少电气火灾事故起到了很大作用,但是这些保护装置无法对电弧故障进行有效保护。故障电弧电流通常较小,特别是对于串联电弧故障,其电弧电流受线路负载限制,一般小于线路正常工作电流,供电系统的断路器或熔断器无法切除此类电弧故障。同时,串联故障电弧也不会引起线路电流矢量和的变化,因此剩余电流保护装置也不能对其进行保护。此外,串联电弧电流受负载特性影响较大,其故障特征往往被湮没在负载电流内,大大增加了检测难度,因而串联电弧故障是国内外学者研究的重点。
电弧故障的存在及其特性决定其已经构成严重的电气火灾隐患。如何准确识别电弧故障并对其进行有效保护是电气火灾防护工作中亟待解决的问题,得到了国内外学者的广泛关注。因此,寻求有效故障电弧检测方法,规避故障电弧带来的威胁和损失是十分必要的。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于集成机器学习的故障电弧检测方法,本方法主要解决了由于电弧燃烧程度不同,电流畸变程度不同而导致漏检、错检问题,使用经过集成机器学习框架优化的机器学习算法对低压交流系统下的串联故障电弧进行检测,有效提高了故障电弧的检测率及各项检测指标。本发明的技术方案如下:
在低压交流供电系统下,对回路中不同负载独自工作和并联工作时的正常和故障电流进行采集,其中由于故障电弧的燃烧程度不同,同一负载下的故障电弧电流随机性更为明显;
对采集到的电流信号进行时域特征提取,仅提取电流信号的时域特征避免了由于特征计算带来的计算复杂度,有利于及时地从回路中检测出故障电弧,将各个时域特征提取出来以后组成特征矩阵,代替电流信号进行模型参数寻优及训练,提取出来的时域电流信息包括电流平均值、电流方差、电流极差和电流中位数;
利用提取出的时域特征矩阵进行机器学习算法决策树的参数寻优,使用网格搜索法寻找决策树最大深度、最大特征数的最佳参数;
利用寻找到的最佳参数和时域特征矩阵对使用boosting框架和bagging框架的集成算法进行参数寻优,其中基于boost框架的算法包括Adaboost框架和XGboost算法,基于bagging框架的算法包括随机森林和极限树算法。Adaboost和随机森林每棵树最佳参数按照上述参数寻优算法得出的最优参数进行选择,另对最佳基学习器个数进行寻优,XGboost和极限树算法寻优参数包括:最大深度、最大特征数以及最佳基学习器个数;
将上述寻找到最优参数的集成算法Adaboost算法、随机森林、XGboost算法、极限树作为Stack模型融合算法的初级学习器,次级学习器选择Logistic回归算法,将时域特征矩阵作为输入进行Stack模型参数训练;
保存训练好的Stack模型参数,将该模型作为故障检测算法对回路中的电弧故障进行检测。
本发明的优点及有益效果如下:
1、本发明利用只针对回路电流的时域特征,仅提取时域特征能有效减少计算特征向量带来的大量计算量,故障电弧的检测能够更及时的完成。
2、本发明使用集成学习框架对机器学习算法进行优化,在实验中发现集成算法优化后机器学习算法在各项检测指标上均有更好的表现,而在使用Stack框架进行算法优化时,使用了bagging集成算法和boosting集成算法优化后的机器学习算法作为基学习器,相对bagging算法和boosting算法,其故障分类的各项指标又有进一步的提升。
3、本发明针对串联故障电弧的识别方法主要针对电流信号的低频特征,故不需要很高的采样频率,能有效降低算法计算量,且本发明涉及的故障电弧检测方法流程合理、操作简单方便。
附图说明
图1为本发明的一种基于频域分类的故障电弧检测方法的流程图。
图2为本发明串联故障电弧实验平台示意图
图3为各负载电流波形(前0.1s正常后0.1s故障)
图4为具有交叉验证的网格搜索法
图5为各集成算法准确率
图6为各集成算法精确率
图7为各集成算法召回率
图8为各集成算法F1指标
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明提供的技术方案是:一种基于集成机器学习的故障电弧检测方法。
在低压交流供电系统下,对回路中不同负载独自工作和并联工作时的正常和故障电流进行采集,其中由于故障电弧的燃烧程度不同,同一负载下的故障电弧电流随机性更为明显;
对采集到的电流信号进行时域特征提取,将各个时域特征提取出来以后组成特征矩阵,代替电流信号进行模型参数寻优及训练;
利用提取出的时域特征矩阵进行机器学习算法决策树的参数寻优,使用网格搜索法寻找决策树最大深度、最大特征数的最佳参数;
利用寻找到的最佳参数和时域特征矩阵对使用boosting框架和bagging框架的集成算法进行参数寻优,其中基于boost框架的算法包括Adaboost框架和XGboost算法,基于bagging框架的算法包括随机森林和极限树算法。Adaboost和随机森林每棵树最佳参数按照上述参数寻优算法得出的最优参数进行选择,另对最佳基学习器个数进行寻优,XGboost和极限树算法寻优参数包括:最大深度、最大特征数以及最佳基学习器个数;
将寻找到最优参数的集成算法作为Stack模型融合算法的初级学习器,次级学习器选择Logistic回归算法,将时域特征矩阵作为输入进行Stack模型参数训练;
保存训练好的Stack模型参数,将该模型作为故障检测算法对回路中的电弧故障进行检测。
具体地,所述低压交流系统下,对低压回路中的不同负载进行电流信号采集,本发明使用电流传感器和picoscope高性能示波器结合的方法进行交流信号采集,如图2所示搭建故障电流采集平台,将故障电弧装置串联在火线上,将火线穿过电流传感器进行信号的采集。实验过程中闭合开关1开始采集电流信息,采集故障电流信息时,断开开关2,移动故障电弧发生装置可动电极模拟产生故障电弧;采集正常电流信息时,将故障电弧发生装置两个电极拉开,保持安全距离使电路处于短路状态,同时闭合开关2。图3为该实验平台采集到的故障电弧样本。
具体地,图4展现了带有交叉验证的网格寻优法原理图,使用此方法对决策树、Adaboost算法、随机森林、XGboost算法以及极限树的各个参数进行参数寻优,找到使用故障电弧检测准确率最高最为判决准则条件下上述算法的最优参数。
具体地,确定Adaboost算法、随机森林、XGboost以及极限树的最优参数之后,将其作为Stack模型融合算法的初级学习器,利用Stack模型融合算法对上述算法进行进一步优化,Stack模型融合算法的刺激学习器设置为Logistic回归算法。
具体地,按照7:3的比例划分训练集和测试集,使用训练集分别对上述集成机器学习算法进行参数训练,以故障电弧检测准确率作为判决准则,将训练好的模型进行保存,由于故障电弧检测算法是一个典型的二分类算法,将算法的准确率、精确率、召回率以及F1指标作为故障电弧检测算法优劣的判断指标。
具体地,图5展现了各个集成算法的准确率指标,准确率是分类正确的样本个数占总样本个数的比例,是分类问题中最简单最常用的评价指标。本仿真中四种算法的准确率随着样本数量的增大而有所增加,但其识别率基本处于95%以上,在样本集大的情况下,准确率能达到97%以上,相较于非集成算法决策树而言,准确率有所提升。且Stacking模型融合算法准确率在集成学习的基础上又有所提升,在样本量较大的情况下,准确率能达到98%-99%。
具体地,图6展现了各个集成算法的精确率指标,精确率指模型预测为正的样本中实际也为正的样本占被预测为正的样本的比例,体现了模型对负样本的区分能力,精确度越高,模型对负样本的区分能力越强。在本文仿真中,正常电流特征被标记为正例,故障电流特征被标记为反例。本文提出的故障电弧检测算法主要需要检测出电流中的负样本。Stacking集成算法精确度不论在大样本还是小样本情况下都明显高于其他算法。
具体地,图7展示了各个集成算法的召回率指标,召回率指实际为正的样本中被预测为正的样本所占实际为正的样本的比例,体现模型对负样本的识别能力,召回率越高,模型对正样本的识别能力越强。对于本文来说,召回率可以认为是正常样本被错判为故障样本的比例,召回率越高,其误判的可能性越低。在样本量较大的情况下Stacking算法在召回率上也有很好的表现。就此指标来说,Stacking算法在误报率上也有很好的性能。
具体地,图8展示了各个集成算法的F1指标,在实际应用中,为了评价模型的综合性能,引入了F1指标对模型进行进一步评判。F1指标是精确率和召回率的调和平均值,F1指标越高,说明模型更稳健。样本数量较大或较小的情况下,Stacking算法的F1指标均高于其他算法,故Stacking模型融合算法具有更好的稳健性。
Claims (10)
1.一种基于集成机器学习的故障电弧检测方法,该方法包括:
在低压交流供电系统下,对回路中不同负载独自工作和并联工作时的正常和故障电流进行采集,其中由于故障电弧的燃烧程度不同,同一负载下的故障电弧电流随机性更为明显;
对采集到的电流信号进行时域特征提取,将各个时域特征提取出来以后组成特征矩阵,代替电流信号进行模型参数寻优及训练;
利用提取出的时域特征矩阵进行机器学习算法决策树的参数寻优,使用网格搜索法寻找决策树最大深度、最大特征数的最佳参数;
利用寻找到的最佳参数和时域特征矩阵对使用boosting框架和bagging框架的集成算法进行参数寻优,其中基于boost框架的算法包括Adaboost框架和XGboost算法,基于bagging框架的算法包括随机森林和极限树算法。Adaboost和随机森林每棵树最佳参数按照上述参数寻优算法得出的最优参数进行选择,另对最佳基学习器个数进行寻优,XGboost和极限树算法寻优参数包括:最大深度、最大特征数以及最佳基学习器个数;
将寻找到最优参数的集成算法作为Stack模型融合算法的初级学习器,次级学习器选择Logistic回归算法,将时域特征矩阵作为输入进行Stack模型参数训练;
保存训练好的Stack模型参数,将该模型作为故障检测算法对回路中的电弧故障进行检测。
2.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,所属在低压交流供电系统下,对回路中的正常和故障电流进行采集,将电流的每个周期作为一个样本进行特征提取与故障识别。
3.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将每个电流周期作为一个样本,对每个样本进行时域特征提取,提取的特征包括电流平均值、电流方差、电流极差和电流中位数。
4.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将提取出的时域特征组成特征矩阵并为正常和故障样本打上相应标签,利用有监督的机器学习算法对电路中是否存在故障电弧进行进一步检测。
5.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将有标签的样本集划分为10个子集进行带有交叉验证的网格搜索,对决策树的最大深度何最大特征数进行寻优,将故障电弧的正确检测率作为判决准则,最终确定决策树的最优参数。
6.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将具有最优参数的决策树作为Adaboost和随机森林的基学习器,对上述两种算法的最佳基学习器个数和学习率进行参数寻优。
7.根据权利要求1所述的一种基于Stack模型融合的低压交流供电系统下的串联故障电弧检测方法,其特征在于,对于Adaboost算法何随机森林算法,将上述决策树寻优结果中的最大深度和最大特征数作为单个树的最佳参数,再对其最大基学习器个数进行寻优;对XGboost和极限树算法的最大深度、最佳基学习器个数进行参数寻优。
8.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将上述Adaboost、随机森林、XGboost以及极限树作为Stack模型融合的初级学习器,对电路中是否存在故障电弧进行检测,Stack算法的次级学习器选择Logistic回归算法。
9.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将权利要求4所述的样本集以7:3划分训练集和测试集进行Stack模型参数训练,将训练好的Stack模型进行保存。
10.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法,其特征在于,将保存的Stack模型应用于故障电弧检测能有效提高检测检测准确率、精确率、召回率以及F1指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072617.4A CN112904157A (zh) | 2021-01-19 | 2021-01-19 | 一种基于集成机器学习的故障电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072617.4A CN112904157A (zh) | 2021-01-19 | 2021-01-19 | 一种基于集成机器学习的故障电弧检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112904157A true CN112904157A (zh) | 2021-06-04 |
Family
ID=76116277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072617.4A Pending CN112904157A (zh) | 2021-01-19 | 2021-01-19 | 一种基于集成机器学习的故障电弧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904157A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
US20120310558A1 (en) * | 2011-05-31 | 2012-12-06 | Cisco Technology, Inc. | Layered and distributed grid-specific network services |
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
US20150356368A1 (en) * | 2014-06-08 | 2015-12-10 | Microsoft Corporation | Entrance detection from street-level imagery |
CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
CN109241227A (zh) * | 2018-09-03 | 2019-01-18 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测建模方法 |
CN209231457U (zh) * | 2018-12-05 | 2019-08-09 | 国网辽宁省电力有限公司锦州供电公司 | 故障电弧预警装置 |
CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
-
2021
- 2021-01-19 CN CN202110072617.4A patent/CN112904157A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
US20120310558A1 (en) * | 2011-05-31 | 2012-12-06 | Cisco Technology, Inc. | Layered and distributed grid-specific network services |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
US20150356368A1 (en) * | 2014-06-08 | 2015-12-10 | Microsoft Corporation | Entrance detection from street-level imagery |
CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
CN109241227A (zh) * | 2018-09-03 | 2019-01-18 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测建模方法 |
CN209231457U (zh) * | 2018-12-05 | 2019-08-09 | 国网辽宁省电力有限公司锦州供电公司 | 故障电弧预警装置 |
CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
Non-Patent Citations (2)
Title |
---|
VU LE ET.AL: "Series DC Arc Fault Detection Based on Ensemble Machine Learning", 《 IEEE TRANSACTIONS ON POWER ELECTRONICS》 * |
汪颖 等: "基于优化卷积神经网络的电缆早期故障分类识别", 《电力系统保护与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eskandari et al. | Fault detection and classification for photovoltaic systems based on hierarchical classification and machine learning technique | |
Zhao et al. | Fault experiments in a commercial-scale PV laboratory and fault detection using local outlier factor | |
CN110568327B (zh) | 一种基于机器学习的光伏系统直流故障电弧检测方法 | |
Xiong et al. | Incipient fault identification in power distribution systems via human-level concept learning | |
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
CN112904156A (zh) | 一种基于频域分类的故障电弧检测方法 | |
CN106707094B (zh) | 低压供配电线路电弧故障的分类识别方法 | |
Spataru et al. | Detection of increased series losses in PV arrays using Fuzzy Inference Systems | |
CN104316786A (zh) | 一种混合孤岛检测方法 | |
CN111458599A (zh) | 基于一维卷积神经网络的串联电弧故障检测方法 | |
CN113095173B (zh) | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 | |
CN104635128B (zh) | 电弧故障识别能力试验分析装置及其试验分析方法 | |
CN109828181A (zh) | 一种基于modwt的变压器绕组轻微故障检测方法 | |
CN103454549A (zh) | 一种环网配电系统短路故障早期检测、辨识及定线方法 | |
CN111505496B (zh) | 一种基于电弧能量的真空断路器电寿命评估方法 | |
CN112904157A (zh) | 一种基于集成机器学习的故障电弧检测方法 | |
Abdulrachman et al. | Smart detection of AC series arc fault on home voltage line based on fast Fourier transform and artificial neural network | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
Xu et al. | A comprehensive review of DC arc faults and their mechanisms, detection, early warning strategies, and protection in battery systems | |
CN108152733B (zh) | 一种用于高压断路器机械特性的带电检测分合闸时间方法 | |
Liu et al. | Failure mode mechanism and effect analysis of high voltage dc arcs in electric vehicle cable | |
Liu et al. | Recognition of dissolved gas in transformer oil by ant colony optimization support vector machine | |
Vatsa et al. | Transformer faults detection using inrush transients based on multi-class svm | |
CN113410814B (zh) | 一种机械式直流断路器状态评估方法、系统及介质 |
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: 20230224 |