CN113075512A - 基于声检测的变压器放电故障诊断方法和系统 - Google Patents
基于声检测的变压器放电故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113075512A CN113075512A CN202110357197.4A CN202110357197A CN113075512A CN 113075512 A CN113075512 A CN 113075512A CN 202110357197 A CN202110357197 A CN 202110357197A CN 113075512 A CN113075512 A CN 113075512A
- Authority
- CN
- China
- Prior art keywords
- fault
- discharge
- power transformer
- discharge fault
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 239000002245 particle Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005591 charge neutralization Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- 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
- G01R31/1209—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 using acoustic measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明的实施例提供了一种基于声检测的变压器放电故障诊断方法和系统，涉及电力设备检测技术领域。该方法和系统包括：采集电力变压器运行过程中的声波信号；提取声波信号中的放电故障特征量；降低放电故障特征量的维度，形成多特征融合向量；采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果；根据故障状态分析结果，实现对电力变压器放电故障的诊断。本发明提供的方法和系统简单易行，能够很好地对电力变压器的放电故障进行实时诊断，便于管理，具有较好的工程应用前景。
Description
技术领域
本发明涉及电力设备检测技术领域，具体而言，涉及一种基于声检测的变压器放电故障诊断方法和系统。
背景技术
电力变压器是变电站安全稳定运行的重要设备之一，其运行状态的可靠性对变电站，乃至于电力系统的安全稳定运行意义重大。一旦电力变压器出现突发性故障而无法正常工作，可能造成大面积停电，对人民的生产、生活等造成不可低估的经济损失。相反，如果可提前发现故障的前兆，并有计划的进行维护、维修，则可很大程度避免可能造成的经济损失及社会影响。
研究表明：电力变压器的绝缘缺陷如果不及时检测并进行维护，最终会导致电力变压器出现故障，造成巨大的损失。局部放电是绝缘劣化的重要特征和表现形式，能够有效准确的反应设备内部绝缘潜伏性缺陷和故障。局部放电属于局部区域的微小击穿，是绝缘劣化的初始现象。对于局部放电的检测与诊断技术一致都是局部放电研究领域的重点。其中，溶解气体分析法或油气分析法通过油气成分来监测变压器局部放电状态，然而该方法反应缓慢，对故障不敏感，数据变化不稳定，无法判断故障位置，无法了解局部放电发生的确切时间及剧烈程度。此外，脉冲电流法虽然是目前唯一有国际标准的局部放电检测方法，但是由于其测量频率低、频带窄、信息少和抗干扰能力弱，现阶段多用于出厂试验。其他的技术方法也都各有优缺点和使用限制条件，在此不一一赘述。
发明内容
本发明的目的包括提供了一种基于声检测的变压器放电故障诊断方法和系统，其简单易行，能够很好地对电力变压器的放电故障进行实时诊断，便于管理，具有较好的工程应用前景。
本发明的实施例可以这样实现：
第一方面，本发明提供一种基于声检测的变压器放电故障诊断方法，方法包括：
采集电力变压器运行过程中的声波信号；
提取声波信号中的放电故障特征量；
降低放电故障特征量的维度，形成多特征融合向量；
采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果；
根据故障状态分析结果，实现对电力变压器放电故障的诊断。
在可选的实施方式中，采集电力变压器运行过程中的声波信号的步骤包括：
采用自适应声波传感器采集声波信号。
在可选的实施方式中，采集电力变压器运行过程中的声波信号的步骤包括：
采集电力变压器运行过程中局部放电对应的声波信号。
在可选的实施方式中，提取声波信号中的放电故障特征量的步骤包括：
利用经验模态分解算法(英文名：empirical mode decomposition，简称：EMD)从声波信号中提取多种用于描述电力变压器放电故障类型的放电故障特征量。
在可选的实施方式中，利用经验模态分解算法从声波信号中提取多种用于描述电力变压器放电故障类型的放电故障特征量的步骤包括：
利用经验模态分解算法对声波信号进行分解，提取本征模函数分量；
确定本征模函数分量的关键特征量为放电故障特征量。
在可选的实施方式中，降低放电故障特征量的维度，形成多特征融合向量的步骤包括：
利用主元分析方法(英文名：Principal Component Analysis，简称：PCA)实现对放电故障特征量的降维以及融合，形成多特征融合向量。
在可选的实施方式中，采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果的步骤之前，方法还包括：
采用粒子群算法(英文名：Particle Swarm Optimization，简称：PSO)优化支持向量机(英文名：Support Vector Machine，简称：SVM)，训练得出故障分类器。
在可选的实施方式中，采用粒子群算法优化支持向量机，训练得出故障分类器的步骤包括：
采用粒子群算法对支持向量机的关键参数进行优化，得到最优的故障分类器。
在可选的实施方式中，采用粒子群算法对支持向量机的关键参数进行优化，得到最优的故障分类器的步骤包括：
假设粒子群算法的核函数为径向基函数，确定基于径向基函数的支持向量机所需要的最优参数；
以故障误判率联系粒子群算法和支持向量机，建立故障误判率最小的目标函数为粒子群算法的适应度函数；
基于适应度函数，利用粒子群算法对支持向量机进行参数寻优，得到具有最优参数的故障分类器。
第二方面，本发明提供一种基于声检测的变压器放电故障诊断系统，系统包括：
采集模块，用于采集电力变压器运行过程中的声波信号；
提取模块，用于提取声波信号中的放电故障特征量；
降维融合模块，用于降低放电故障特征量的维度，形成多特征融合向量；
故障分析模块，用于采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果；
诊断模块，用于根据故障状态分析结果，实现对电力变压器放电故障的诊断。
本发明实施例提供的基于声检测的变压器放电故障诊断方法和系统的有益效果包括：
通过检测电力变压器运行过程中的声波信号，实现放电故障的诊断，可在不影响电力变压器正常工作的情况下，对电力变压器的声波信号进行采集，简单易行，能够很好地对电力变压器的放电故障进行实时诊断，便于管理，具有较好的工程应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的基于声检测的变压器放电故障诊断方法的流程图；
图2为本发明第二实施例提供的基于声检测的变压器放电故障诊断方法的流程图；
图3为本发明第三实施例提供的基于声检测的变压器放电故障诊断系统的组成示意框图。
图标：10-基于声检测的变压器放电故障诊断系统；11-采集模块；12-提取模块；13-降维融合模块；14-故障分析模块；15-诊断模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
电力变压器的内部发生局部放电时，会产生电荷的中和过程，产生的电流脉冲使得局部区域的介质疏密发生瞬间变化形成超声波。通过超声信号采集装置获取基本局部放电超声信息，并进行故障诊断的方法叫超声检测法。超声检测法现场操作简单、应用便捷、非入侵式检测方式及较高的定位精度等特点，可见超声检测法在电力变压器的局部放电中具有较好的应用前景。
本发明实施例针对电力变压器的放电故障的诊断问题，在声波检测得到电力变压器局部放电时产生的宽频带声波信号的基础上，利用经验模态分解算法(EMD)进行多种放电故障特征量的提取，同时利用主元分析方法(PCA)进行特征降维，保留数据的整体信息，又突出了不同类别数据的局部特征，解决单一特征识别电力变压器放电故障的低准确率和低稳定性；利用粒子群算法(PSO)对基于支持向量机(SVM)的核参数进行优化，建立高准确率的故障分类器；实时检测的声波信号的放电故障特征量输入到故障分类器中进行故障的判定，实现电力变压器放电故障的诊断分析。具体实现方案，请见下文。
第一实施例
请参考图1，本实施例提供了一种基于声检测的变压器放电故障诊断方法，该方法包括以下步骤：
S11：采集电力变压器运行过程中的声波信号。
具体的，可以采用自适应声波传感器采集电力变压器运行过程中局部放电对应的宽频带的声波信号。
S12：提取声波信号中的放电故障特征量。
其中，可以利用经验模态分解算法(EMD)从声波信号中提取多种用于描述电力变压器放电故障类型的放电故障特征量。具体的，首先，利用经验模态分解算法对声波信号进行分解，提取本征模函数分量；其次，确定本征模函数分量的关键特征量为放电故障特征量。这里的关键特征量包括能量系数、样本熵、功率谱熵等。
S13：降低放电故障特征量的维度，形成多特征融合向量。
具体的，可以利用主元分析方法实现对S12中得出的放电故障特征量的降维以及融合，形成多特征融合向量。
接下来，可以采用粒子群算法(PSO)优化支持向量机(SVM)，训练得出故障分类器，具体步骤如下：
S14：获取用于分类器训练与优化的样本数据。
具体的，可以通过S11、S12以及S13的过程获取用于分类器训练与优化的样本数据。
S15：基于样本数据，训练得出故障分类器。
具体的，基于S14中所得的样本数据，利用采用粒子群算法优化支持向量机，训练得出高分类识别准确率的故障分类器。
S16：采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果。
具体的，利用S15中训练得出的故障分类器对S13中所得的多特征融合向量进行分析预测，得出电力变压器异常、正常即故障的判定。
S17：根据故障状态分析结果，实现对电力变压器放电故障的诊断。
具体的，通过对S16中所得的故障状态分析结果，实现对电力变压器放电故障的诊断。
本发明实施例提供的基于声检测的变压器放电故障诊断方法的有益效果包括：
1.电力变压器故障诊断的信号获取方面：通过检测电力变压器运行过程中的声波信号，实现放电故障的诊断，可在不影响电力变压器正常工作的情况下，对电力变压器的声波信号进行采集，简单易行，能够很好地对电力变压器的放电故障进行实时诊断，便于管理，具有较好的工程应用前景；
2.电力变压器故障诊断的特征提取方面：实际工程中通常电力变压器放电故障对应的声波信号都是非平稳和非线性的随机信号，提出利用EMD提取放电故障特征量，从根本上摆脱了快速傅里叶变换(FFT)的局限性，具有很高的信噪比，既能反映信号的频率内容，又能反映该频率内容随时间变化的规律，还能准确反映出信号能量随时间和频率的分布；
3.电力变压器故障诊断的状态识别方面：支持向量机(SVM)的故障分类器的选用，解决实际中电力变压器放电故障的信号样本小、非线性问题，在解决故障信号高维度模式识别的问题具有特有优势。
第二实施例
请参考图2，本实施例提供了一种基于声检测的变压器放电故障诊断方法，该方法包括以下步骤：
S21：采集电力变压器运行过程中的声波信号。
具体的，可以采用自适应声波传感器采集电力变压器运行过程中局部放电对应的宽频带的声波信号。
S22：提取声波信号中的放电故障特征量。
其中，可以利用经验模态分解算法(EMD)从声波信号中提取多种用于描述电力变压器放电故障类型的放电故障特征量。具体的，首先，利用经验模态分解算法对声波信号进行分解，提取本征模函数分量；其次，确定本征模函数分量的关键特征量为放电故障特征量。这里的关键特征量包括能量系数、样本熵、功率谱熵等。
S23：利用主元分析方法对放电故障特征量降维，形成多特征融合向量。
具体的，对S22中所提取的放电故障特征量进行主元分析，降低数据噪声，消除特征量之间的多重相关性，降低特征数据维度，形成多特征融合向量。
接下来，可以采用粒子群算法(PSO)优化支持向量机(SVM)，训练得出故障分类器，具体步骤如下：
S24：确定最优参数。
具体的，假设粒子群算法的核函数为径向基函数，确定基于径向基函数的支持向量机所需要的最优参数，最优参数包括惩罚因子c和方差g。
S25：建立粒子群算法的适应度函数。
具体的，以故障误判率联系粒子群算法(PSO)和支持向量机(SVM)，建立故障误判率最小的目标函数为粒子群算法的适应度函数。
其中，目标函数为：
η＝min(1-accuracy/100)
式中，accuracy是支持向量机(SVM)针对测试样本得到的类型预测准确率。
S26：优化故障分类器。
具体的，基于适应度函数，利用粒子群算法对支持向量机进行参数寻优，得到具有最优参数的故障分类器。
S27：将实时样本数据输入故障分类器中进行故障诊断，并输出故障诊断结果。
具体的，这里的实时样本数据为S23中的多特征融合向量，故障分类器为S26中优化后的故障分类器。
本发明实施例提供的基于声检测的变压器放电故障诊断方法的有益效果包括：
1.电力变压器故障诊断的信号获取方面：通过检测电力变压器运行过程中的声波信号，实现放电故障的诊断，可在不影响电力变压器正常工作的情况下，对电力变压器的声波信号进行采集，简单易行，能够很好地对电力变压器的放电故障进行实时诊断，便于管理，具有较好的工程应用前景；
2.电力变压器故障诊断的特征提取方面：实际工程中通常电力变压器放电故障对应的声波信号都是非平稳和非线性的随机信号，提出利用EMD提取放电故障特征量，从根本上摆脱了快速傅里叶变换(FFT)的局限性，具有很高的信噪比，既能反映信号的频率内容，又能反映该频率内容随时间变化的规律，还能准确反映出信号能量随时间和频率的分布；
3.电力变压器故障诊断的状态识别方面：支持向量机(SVM)的故障分类器的选用，解决实际中电力变压器放电故障的信号样本小、非线性问题，在解决故障信号高维度模式识别的问题具有特有优势。
第三实施例
请参阅图3，本实施例提供一种基于声检测的变压器放电故障诊断系统10，该系统包括依次连接的采集模块11、提取模块12、降维融合模块13、故障分析模块14和诊断模块15。
其中，采集模块11可以选用自适应宽频带声波传感器，采集模块11用于采集电力变压器运行过程中的声波信号。提取模块12用于提取声波信号中的放电故障特征量。降维融合模块13用于降低放电故障特征量的维度，形成多特征融合向量。故障分析模块14用于采用故障分类器对多特征融合向量进行分析预测，得出电力变压器的故障状态分析结果。诊断模块15用于根据故障状态分析结果，实现对电力变压器放电故障的诊断。
本实施例中的提取模块12、降维融合模块13、故障分析模块14和诊断模块15可以集成在处理器中，处理器读取存储器中的程序从而实现第一实施例或第二实施例提供的基于声检测的变压器放电故障诊断方法。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于声检测的变压器放电故障诊断方法，其特征在于，所述方法包括：
采集电力变压器运行过程中的声波信号；
提取所述声波信号中的放电故障特征量；
降低所述放电故障特征量的维度，形成多特征融合向量；
采用故障分类器对所述多特征融合向量进行分析预测，得出所述电力变压器的故障状态分析结果；
根据所述故障状态分析结果，实现对所述电力变压器放电故障的诊断。
2.根据权利要求1所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述采集电力变压器运行过程中的声波信号的步骤包括：
采用自适应声波传感器采集所述声波信号。
3.根据权利要求1所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述采集电力变压器运行过程中的声波信号的步骤包括：
采集所述电力变压器运行过程中局部放电对应的所述声波信号。
4.根据权利要求1所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述提取所述声波信号中的放电故障特征量的步骤包括：
利用经验模态分解算法从所述声波信号中提取多种用于描述所述电力变压器放电故障类型的所述放电故障特征量。
5.根据权利要求4所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述利用经验模态分解算法从所述声波信号中提取多种用于描述所述电力变压器放电故障类型的所述放电故障特征量的步骤包括：
利用所述经验模态分解算法对所述声波信号进行分解，提取本征模函数分量；
确定所述本征模函数分量的关键特征量为所述放电故障特征量。
6.根据权利要求1所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述降低所述放电故障特征量的维度，形成多特征融合向量的步骤包括：
利用主元分析方法实现对所述放电故障特征量的降维以及融合，形成多特征融合向量。
7.根据权利要求1所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述采用故障分类器对所述多特征融合向量进行分析预测，得出所述电力变压器的故障状态分析结果的步骤之前，所述方法还包括：
采用粒子群算法优化支持向量机，训练得出所述故障分类器。
8.根据权利要求7所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述采用粒子群算法优化支持向量机，训练得出所述故障分类器的步骤包括：
采用所述粒子群算法对所述支持向量机的关键参数进行优化，得到最优的所述故障分类器。
9.根据权利要求8所述的基于声检测的变压器放电故障诊断方法，其特征在于，所述采用所述粒子群算法对所述支持向量机的关键参数进行优化，得到最优的所述故障分类器的步骤包括：
假设所述粒子群算法的核函数为径向基函数，确定基于所述径向基函数的所述支持向量机所需要的最优参数；
以故障误判率联系所述粒子群算法和所述支持向量机，建立故障误判率最小的目标函数为所述粒子群算法的适应度函数；
基于所述适应度函数，利用所述粒子群算法对所述支持向量机进行参数寻优，得到具有所述最优参数的所述故障分类器。
10.一种基于声检测的变压器放电故障诊断系统，其特征在于，所述系统包括：
采集模块(11)，用于采集电力变压器运行过程中的声波信号；
提取模块(12)，用于提取所述声波信号中的放电故障特征量；
降维融合模块(13)，用于降低所述放电故障特征量的维度，形成多特征融合向量；
故障分析模块(14)，用于采用故障分类器对所述多特征融合向量进行分析预测，得出所述电力变压器的故障状态分析结果；
诊断模块(15)，用于根据所述故障状态分析结果，实现对所述电力变压器放电故障的诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357197.4A CN113075512A (zh) | 2021-04-01 | 2021-04-01 | 基于声检测的变压器放电故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357197.4A CN113075512A (zh) | 2021-04-01 | 2021-04-01 | 基于声检测的变压器放电故障诊断方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113075512A true CN113075512A (zh) | 2021-07-06 |
Family
ID=76614573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110357197.4A Pending CN113075512A (zh) | 2021-04-01 | 2021-04-01 | 基于声检测的变压器放电故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113075512A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837141A (zh) * | 2021-10-12 | 2021-12-24 | 国网山东省电力公司电力科学研究院 | 一种抗驱鼠器干扰的信号提取方法及装置 |
| CN116381374A (zh) * | 2023-03-03 | 2023-07-04 | 国网四川省电力公司营销服务中心 | 基于超声波信号声纹识别的变压器铁心运行状态诊断方法 |
| CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
| CN206114823U (zh) * | 2016-10-12 | 2017-04-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置 |
| CN106599920A (zh) * | 2016-12-14 | 2017-04-26 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 |
| CN107132459A (zh) * | 2017-03-31 | 2017-09-05 | 国网浙江省电力公司电力科学研究院 | 一种变压器局部放电超声定位方法 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| CN109187021A (zh) * | 2018-07-26 | 2019-01-11 | 河海大学 | 基于熵的多源风电机组轴承故障诊断方法 |
| CN109341848A (zh) * | 2018-09-26 | 2019-02-15 | 东莞青柳新材料有限公司 | 一种隧道运营阶段的安全监测系统 |
| CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
| CN111948487A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
-
2021
- 2021-04-01 CN CN202110357197.4A patent/CN113075512A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
| CN206114823U (zh) * | 2016-10-12 | 2017-04-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置 |
| CN106599920A (zh) * | 2016-12-14 | 2017-04-26 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 |
| CN107132459A (zh) * | 2017-03-31 | 2017-09-05 | 国网浙江省电力公司电力科学研究院 | 一种变压器局部放电超声定位方法 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| CN109187021A (zh) * | 2018-07-26 | 2019-01-11 | 河海大学 | 基于熵的多源风电机组轴承故障诊断方法 |
| CN109341848A (zh) * | 2018-09-26 | 2019-02-15 | 东莞青柳新材料有限公司 | 一种隧道运营阶段的安全监测系统 |
| CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
| CN111948487A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837141A (zh) * | 2021-10-12 | 2021-12-24 | 国网山东省电力公司电力科学研究院 | 一种抗驱鼠器干扰的信号提取方法及装置 |
| CN113837141B (zh) * | 2021-10-12 | 2023-10-27 | 国网山东省电力公司电力科学研究院 | 一种抗驱鼠器干扰的信号提取方法及装置 |
| CN116381374A (zh) * | 2023-03-03 | 2023-07-04 | 国网四川省电力公司营销服务中心 | 基于超声波信号声纹识别的变压器铁心运行状态诊断方法 |
| CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
| CN117110587B (zh) * | 2023-10-25 | 2024-01-23 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113075512A (zh) | 基于声检测的变压器放电故障诊断方法和系统 | |
| CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
| CN102590683B (zh) | 一种电力设备载流故障在线诊断预警方法 | |
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
| CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
| CN102542159B (zh) | 一种在轨航天器状态预测方法 | |
| Hayashi et al. | Study of machine fault diagnosis system using neural networks | |
| CN104265616A (zh) | 换流阀内冷水主循环泵运行状态在线监测与评估系统 | |
| CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
| US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
| CN114166943A (zh) | 基于非线性超声波的主动式钢轨伤损监测方法及终端 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN111486043A (zh) | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 | |
| CN103077441A (zh) | 自识别电子产品的预测健康管理方法 | |
| CN117289067B (zh) | 一种变压器运行状态在线监测系统 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN112454008A (zh) | 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质 | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
| CN211123115U (zh) | 一种电机槽绝缘电场冲击评估装置 | |
| CN112379211A (zh) | 输电线路故障区域定位装置的检测方法 | |
| CN112526220A (zh) | 测试装置、方法、计算机设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220801 Address after: 710000 No. 669, Hangtian Middle Road, national civil aerospace industry base, Xi'an, Shaanxi Province Applicant after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Applicant after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Applicant after: SICHUAN ENERGY INTERNET RESEARCH INSTITUTE, TSINGHUA University Address before: No.27 Tangyan Road, high tech Zone, Xi'an, Shaanxi 710000 Applicant before: SHAANXI REGIONAL ELECTRIC POWER GROUP Co.,Ltd. Applicant before: Shaanxi Energy Research Institute Co.,Ltd. Applicant before: SICHUAN ENERGY INTERNET RESEARCH INSTITUTE, TSINGHUA University |
|
| TA01 | Transfer of patent application right |