CN113092899B - 变压器电气故障识别方法、系统、终端以及可读存储介质 - Google Patents
变压器电气故障识别方法、系统、终端以及可读存储介质 Download PDFInfo
- Publication number
- CN113092899B CN113092899B CN202110316613.6A CN202110316613A CN113092899B CN 113092899 B CN113092899 B CN 113092899B CN 202110316613 A CN202110316613 A CN 202110316613A CN 113092899 B CN113092899 B CN 113092899B
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer
- electrical
- working condition
- current
- 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.)
- Active
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
-
- 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
- G01R31/62—Testing of transformers
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于多源信息融合的变压器电气故障识别方法、系统、终端以及可读存储介质,该方法包括:步骤1:采集变压器工况下的电气量,电气量至少包括差动电流、短路电流、零序电流;步骤2:从电气量中提取故障特征量以及对变压器工况进行故障编码;步骤3:训练BP神经网络构建出变压器电气故障识别模型;将样本的模型输入结果输入BP神经网络,并将BP神经网络的输出结果与样本的期望结果进行误差计算以调节网络参数得到变压器电气故障识别模型;步骤4:利用变压器电气故障识别模型对变压器进行实时故障识别。本发明所述方法中电气量获取方便简单,且故障特征组合更加全面的反应变压器故障信息,有效提高识别结果的准确性。
Description
技术领域
本发明属于变压器技术领域,具体涉及一种基于多源信息融合的变压器电气故障识别方法、系统、终端以及可读存储介质。
背景技术
电力变压器在电能传输和分配过程中具有举足轻重的作用,其故障将对电力系统的正常运行及供电可靠性带来严重影响。若能在故障发生后准确判断故障性质乃至定位,则便于迅速排除故障,避免变压器带故障运行导致变压器损坏甚至更严重的后果。因此自主准确识别变压器的各类故障对电力系统的安全经济运行具有重要意义。
变压器内部结构复杂且故障种类繁多,一旦发生内部故障对变压器的危害巨大,因此,一种准确实用的变压器内部故障监测和类型识别方法至关重要。目前现有方法主要是在变压器油中溶解气体分析(dissolved gas analysis,DGA)的基础上,应用多源信息融合技术或人工智能算法进行变压器内部故障诊断。常用的算法有支持向量机(supportvector machine,SVM)、深度学习理论、多证据体理论、和DS证据理论等。
但是,基于DGA的变压器故障识别方法能够诊断变压器内部各种故障类型或位置,且能够对不正常运行状态做出预警,然而DGA数据不易获取,且溶解气体的提取、检测分析过程繁琐,方法实时性差。从而导致基于DGA的变压器故障识别方法难以有效实施。
发明内容
本发明的目的是针对基于变压器油中溶解气体数据的变压器内部故障识别方法具有数据难以获取,实时性差的缺点,提供一种基于多源信息融合的变压器电气故障识别方法、系统、终端以及可读存储介质,所述方法仅以变压器故障后的短路电流、差动电流和零序电流的电气量作为故障信息源,故障信息源采集容易并具有实时性,同时通过各类电气量的组合从而全方面的反应故障特征,提高了故障诊断的结果的可靠性。
一方面,本发明提供的一种基于多源信息融合的变压器电气故障识别方法,包括如下步骤:
步骤1:采集变压器工况下的电气量,其中,至少包含了变压器故障工况下的电气量;所述电气量至少包括:差动电流、短路电流、零序电流;
步骤2:从所述电气量中提取故障特征量,以及对变压器工况进行故障编码,其中,将每个变压器工况下的故障编码、对应电气量的故障特征量作为一个样本的期望结果和模型输入数据;
步骤3:利用样本数据训练BP神经网络构建出变压器电气故障识别模型;
其中,将样本的模型输入数据输入BP神经网络的输入层,并将BP神经网络的输出层结果与样本的期望结果进行误差计算以调节所述BP神经网络的参数得到变压器电气故障识别模型;
步骤4:利用步骤3构建的所述变压器电气故障识别模型对变压器进行实时故障识别;
其中,将变压器的电气量对应的故障特征量输入所述变压器电气故障识别模型得到故障识别结果。
可选地,所述方法用于识别故障类型时,步骤1采集的变压器工况下的电气量为变压器各类故障工况下的电气量;步骤2中对所述变压器工况进行故障编码时,依据变压器故障类型进行编码;
所述方法用于识别是否存在故障时,步骤1采集的变压器工况下的电气量包括变压器无故障工况以及变压器故障工况下的电气量;步骤2中对所述变压器工况进行故障编码时,依据是否存在变压器故障分别进行编码。
可选地,步骤2中从所述电气量中提取故障特征量的过程如下:
采用小波包分析法分别提取差动电流、短路电流中的故障特征量;
选取零序电流的最大值作为故障特征量。
可选地,所述采用小波包分析法分别提取差动电流、短路电流中的故障特征量时,分别执行如下过程:
采用小波包分析法处理目标信号得到小波系数,所述目标信号为差动电流或短路电流;
基于目标信号对应的小波系数计算各小波包子频带的能量,并构成故障特征向量,再归一化处理得到故障特征量;
式中,Ei,j为小波包分解后第i层第j个子频带的小波包能量。W(i,j)为小波系数,N为分解后子频带个数。
二方面,本发明提供的一种基于所述变压器电气故障识别方法的系统,包括:
数据采集模块,用于采集变压器工况下的电气量,其中,至少包含了变压器故障工况下的电气量;所述电气量至少包括:差动电流、短路电流、零序电流;
故障特征量提取模块,用于从所述电气量中提取故障特征量;
故障编码模块,用于对变压器工况进行故障编码;
模型构建模块,利用样本数据训练BP神经网络构建出变压器电气故障识别模型;
实时识别模块,利用构建的所述变压器电气故障识别模型对变压器进行实时故障识别。
可选地,所述故障特征量提取模块包括差动电流故障特征提取单元、短路电流故障特征提取单元以及零序电流故障特征提取单元;
所述差动电流故障特征提取单元,用于采用小波包分析法提取差动电流的故障特征量;
所述短路电流故障特征提取单元,用于采用小波包分析法提取短路电流的故障特征量;
所述零序电流故障特征提取单元,用于选取零序电流的最大值作为故障特征量。
三方面,本发明提供的一种终端,包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述存储器中的计算机程序以执行:所述基于多源信息融合的变压器电气故障识别方法的步骤。
可选地,该终端还包括数据采集器,所述数据采集器设置于变压器上,并与所述处理器连接,用于采集变压器工况下的电气量。
第四方面,本发明提供的一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行:所述基于多源信息融合的变压器电气故障识别方法的步骤。
有益效果
本发明提供的一种基于多源信息融合的变压器电气故障识别方法,其将差动电流、短路电流、零序电流作为故障信息源,用于反应变压器不同内部电气故障的特征。按照变压器继电保护原则,变压器内部绕组相间短路故障应由纵差动保护动作,这表明差动电流与变压器故障存在联系的;此外,在中性点直接接地系统中,发生不对称接地短路时变压器中性点出现零序电流,即与相间短路和匝间短路故障相比,变压器发生匝地短路时具有明显的零序电流,因此选取零序电流的最大值作为故障特征量。综上,本发明从差动电流、短路电流、零序电流三个方面提取故障特征,得到的故障特征组合更全方面反应故障问题,再利用BP神经网络融合故障特征组合之间的特征构建出变压器电气故障识别模型,一方面提高了识别结果的可靠性;二方面,本发明所选用的故障信息源易于采集,可以有效克服基于DGA的变压器故障识别方法的弊端。
附图说明
图1是本发明提出的一种基于多源信息融合的变压器电气故障识别方法流程图;
图2是BP神经网络结构示意图;
图3是本发明提供的一种基于变压器电气故障识别方法的系统的功能模块划分示意图。
具体实施方式
本发明提供的一种基于多源信息融合的变压器电气故障识别方法,用于实现对变压器内部电气故障的诊断与识别。其中,其可以应用于是否存在故障的识别,也可以应用于故障类型的识别。下面将结合实施例对本发明做进一步的说明。
实施例1:
本实施例1提供的一种基于多源信息融合的变压器电气故障识别方法,用于故障类型的识别,其包括如下步骤:
步骤1:采集变压器工况下的电气量,此时,变压器工况为变压器故障工况,其根据故障类型进行划分,本实施例中,变压器内部故障类型包括:相间短路、匝间短路以及匝地短路,因此,本实施例中至少包含了该三类故障下的电气量。其他可行的实施例中,根据实际需求,可以对故障类型的划分进行适应性调整。
其中,电气量包括差动电流、短路电流、零序电流。其均为采集的一段周期内的电流,周期的长度是依据实际需求进行调整。
(1)差动电流。按照变压器继电保护原则,变压器内部绕组相间短路故障应由纵差动保护动作。这表明差动电流与变压器故障存在联系的,可能含有所需的故障信息。
(2)短路电流。变压器匝间短路通常是由于绕组间的绝缘被破坏引起的,是变压器内部最常见的电气故障。
(3)零序电流。对于接于中性点直接接地系统的变压器,一般要求在变压器上装设接地保护,作为变压器主保护和相邻元件接地保护的后备保护。发生接地故障时,变压器中性点将出现零序电流,因此变压器内部绕组接地短路通常由零序电流保护反应动作。
本实施例中,从上述理由选择差动电流、短路电流、零序电流作为故障信息源头,其他可行的实施例中,再次基础上,可以对故障信息源头进行适应性调整,譬如,增加另一个故障信息源以提高预测结果的可靠性,但应当理解,其选择标准为:(1)易于获得。为保证变压器的安全运行,变压器装设有电流监测装置如电流互感器和录波装置等,故障信息可方便地从已有设备获取。(2)具有实时性。通过上述方式获取的信息可迅速进行处理分析,从而快速识别出故障类型。
步骤2:从所述电气量中提取故障特征量,以及依据变压器工况类型进行故障编码。
其中,针对差动电流和短路电流,均采用小波包分析法分别提取差动电流、短路电流中的故障特征量。
本实施例中采用正交小波基,得到小波包分解可表达为:
其中,j为尺度系数;n为频率指标;D(j+1,n)为上一级分解结果,D(j,2n)和D(j,2n+1)为下一级分解结果。h、g分别为小波分析共轭低通、高通滤波器系数;l为位置系数,k为小波包分解的平移系数。
根据Parseval能量积分等式,原始信号x(t)(差动电流或短路电流)在时域上能量定义为:
假设对原始信号进行分层分解,则得到频率从低到高的小波包子频带,各频带所含的能量为:
式中,Ei,j为小波包分解后第i层第j个子频带的小波包能量。W(i,j)为小波系数。需要说明的是,本实施例中采用的成熟的小波分解算法,并未对其进行改动,因此,针对小波系数的获取过程不进行具体的阐述。
以3层分解为例,根据各小波包子频带的能量,可构造故障特征向量:
T=[E3,0,E3,1,…,E3,7]T
为提高在数据分析上的效率,通常将小波包能量进行归一化处理,令:
则得到归一化后的特征向量Tn:
按照上述原理,采用小波包分析法处理差动电流、短路电流得到对应的特征向量。
此外,依据变压器故障类型进行编码时,本实施例中将“-1”代表相间短路,“0”代表匝间短路,“1”代表匝地短路故障。
基于上述处理,本实施例中将一个故障工况下的故障特征量组合作为样本的模型输入数据,对应故障编码作为模型输出数据,代入下述步骤3中的BP神经网络进行模型构建。
步骤3:利用样本数据训练BP神经网络构建出变压器电气故障识别模型。
如图2所示为BP神经网络结构示意图,神经网络是一种模拟生物过程的计算模型,由大量模拟人脑神经元的节点相互联接构成。较之其他人工智能融合方法,神经网络具有高度的自适应性,很强的自学习能力和容错性,以及具有并行结构和并行处理方式,特别适合快速处理大量的并行信息。BP(backpropagation)神经网络是一种典型的前馈型神经网络,其结构包括输入层,隐含层和输出层。图中X=(x1,x2,x3,…,xn)T为输入向量,Y=(y1,y2,y3,…,ym)T为隐含层向量。列向量Vj(1<j<m)表示隐含层第j个神经元对应的权值向量,列向量Uk(1<k<s)表示输出层第k个神经元对应的权值向量。O=(o1,o2,o3,…,os)T为输出向量。D=(d1,d2,d3,…,ds)T为期望输出向量。Δ=(Δl,Δ2,…,Δs)T是误差向量,表示实际输出与期望输出之差,它从输出层开始向隐含层逐层反传,隐含层再根据误差信号调整权值。
本实施例中由于依据变压器故障类型进行编码时,本实施例中将“-1”代表相间短路,“0”代表匝间短路,“1”代表匝地短路故障,因此,输出层只需要设置一个神经元,其输出数据为1维的数,表示变压器故障类型。
本实施例中,应用BP神经网络进行特征融合构建故障识别模型,其将样本的模型输入数据输入BP神经网络的输入层,得到的输出向量作为故障识别结果,并与样本的期望结果进行比对得到误差向量,进而逐层反传调整模型参数。
步骤4:利用步骤3构建的所述变压器电气故障识别模型对变压器进行实时故障识别。
实施例2:
在实施例1的原理性基础上,本实施例中故障识别的目的在于识别是否存在内部故障,即针对是否存在内部故障进行编码。同时,采集的数据应当是包含无故障下的电气量以及故障工况下的电气量,进而采用与上述实施例1相同的原理进行模型训练得到故障识别模型。
实施例3:
在实施例1和实施例2的基础上,如图3所示,本实施例提供一种基于所述变压器电气故障识别方法的系统,包括:
数据采集模块,用于采集变压器工况下的电气量,其中,至少包含了变压器故障工况下的电气量;所述电气量至少包括:差动电流、短路电流、零序电流;
故障特征量提取模块,用于从所述电气量中提取故障特征量;
故障编码模块,用于对变压器工况进行故障编码;
模型构建模块,利用样本数据训练BP神经网络构建出变压器电气故障识别模型;
实时识别模块,利用构建的所述变压器电气故障识别模型对变压器进行实时故障识别。
其中,所述故障特征量提取模块包括差动电流故障特征提取单元、短路电流故障特征提取单元以及零序电流故障特征提取单元;
所述差动电流故障特征提取单元,用于采用小波包分析法提取差动电流的故障特征量;
所述短路电流故障特征提取单元,用于采用小波包分析法提取短路电流的故障特征量;
所述零序电流故障特征提取单元,用于选取零序电流的最大值作为故障特征量。
其中,各个功能模块的具体实现过程请参照前述方法内容的阐述。应当理解,上述单元模块的具体实现过程参照方法内容,本发明在此不进行具体的赘述,且上述功能模块单元的划分仅仅是一种逻辑功能的划分,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。同时,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。
实施例4:
在实施例1和实施例2的基础上,本发明还提供一种终端,其包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述存储器中的计算机程序以执行:所述基于多源信息融合的变压器电气故障识别方法的步骤。
进一步地,该终端还包括数据采集器,所述数据采集器设置于变压器上,并与所述处理器连接,用于采集变压器工况下的电气量。
各个步骤的具体实现过程请参照前述方法的阐述。
实施例5:
在实施例1和实施例2的基础上,本发明还提供一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行:所述基于多源信息融合的变压器电气故障识别方法的步骤。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质,其可以是前述任一实施例所述的控制器的内部存储单元,例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备,例如所述控制器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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(可以是个人计算机,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。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (7)
1.一种基于多源信息融合的变压器电气故障识别方法,包括如下步骤:
步骤1:采集变压器工况下的电气量,其中,至少包含了变压器故障工况下的电气量;所述电气量至少包括:差动电流、短路电流、零序电流;
步骤2:从所述电气量中提取故障特征量,以及对变压器工况进行故障编码,其中,将每个变压器工况下的故障编码、对应电气量的故障特征量作为一个样本的期望结果和模型输入数据;
步骤2中从所述电气量中提取故障特征量的过程如下:采用小波包分析法分别提取差动电流、短路电流中的故障特征量;选取零序电流的最大值作为故障特征量;
步骤3:利用样本数据训练BP神经网络构建出变压器电气故障识别模型;
其中,将样本的模型输入数据输入BP神经网络的输入层,并将BP神经网络的输出层结果与样本的期望结果进行误差计算以调节所述BP神经网络的参数得到变压器电气故障识别模型;
步骤4:利用步骤3构建的所述变压器电气故障识别模型对变压器进行故障识别;
其中,将变压器的电气量对应的故障特征量输入所述变压器电气故障识别模型得到故障识别结果。
2.根据权利要求1所述的方法,其特征在于:用于识别故障类型时,步骤1采集的变压器工况下的电气量为变压器各类故障工况下的电气量;步骤2中对所述变压器工况进行故障编码时,依据变压器故障类型进行编码;
用于识别是否存在故障时,步骤1采集的变压器工况下的电气量包括变压器无故障工况以及变压器故障工况下的电气量;步骤2中对所述变压器工况进行故障编码时,依据是否存在变压器故障分别进行编码。
4.一种基于权利要求1-3任一项所述方法的系统,其特征在于:包括:
数据采集模块,用于采集变压器工况下的电气量,其中,至少包含了变压器故障工况下的电气量;所述电气量至少包括:差动电流、短路电流、零序电流;
故障特征量提取模块,用于从所述电气量中提取故障特征量;所述故障特征量提取模块包括差动电流故障特征提取单元、短路电流故障特征提取单元以及零序电流故障特征提取单元;所述差动电流故障特征提取单元,用于采用小波包分析法提取差动电流的故障特征量;所述短路电流故障特征提取单元,用于采用小波包分析法提取短路电流的故障特征量;所述零序电流故障特征提取单元,用于选取零序电流的最大值作为故障特征量;
故障编码模块,用于对变压器工况进行故障编码;
模型构建模块,利用样本数据训练BP神经网络构建出变压器电气故障识别模型;
实时识别模块,利用构建的所述变压器电气故障识别模型对变压器进行实时故障识别。
5.一种终端,其特征在于:包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述存储器中的计算机程序以执行:权利要求1-3任一项所述的基于多源信息融合的变压器电气故障识别方法的步骤。
6.根据权利要求5所述的终端,其特征在于:还包括数据采集器,所述数据采集器设置于变压器上并与所述处理器连接,用于采集变压器工况下的电气量。
7.一种可读存储介质,其特征在于:存储了计算机程序,所述计算机程序被处理器调用以执行:权利要求1-3任一项所述的基于多源信息融合的变压器电气故障识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316613.6A CN113092899B (zh) | 2021-03-25 | 2021-03-25 | 变压器电气故障识别方法、系统、终端以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316613.6A CN113092899B (zh) | 2021-03-25 | 2021-03-25 | 变压器电气故障识别方法、系统、终端以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092899A CN113092899A (zh) | 2021-07-09 |
CN113092899B true CN113092899B (zh) | 2022-06-10 |
Family
ID=76669475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316613.6A Active CN113092899B (zh) | 2021-03-25 | 2021-03-25 | 变压器电气故障识别方法、系统、终端以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092899B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884805B (zh) * | 2021-09-17 | 2023-10-20 | 国网山东省电力公司德州供电公司 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统 |
CN113960417A (zh) * | 2021-11-19 | 2022-01-21 | 国网湖南省电力有限公司 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572767A2 (en) * | 1992-06-02 | 1993-12-08 | The Tokyo Electric Power Co., Inc. | Monitoring diagnostic apparatus using neural network |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
JP2017192277A (ja) * | 2016-04-17 | 2017-10-19 | 新電元工業株式会社 | 電力変換装置の診断方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
-
2021
- 2021-03-25 CN CN202110316613.6A patent/CN113092899B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572767A2 (en) * | 1992-06-02 | 1993-12-08 | The Tokyo Electric Power Co., Inc. | Monitoring diagnostic apparatus using neural network |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
JP2017192277A (ja) * | 2016-04-17 | 2017-10-19 | 新電元工業株式会社 | 電力変換装置の診断方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
"变压器套管运行状态自动检测技术现状分析";周可慧等;《湖南电力》;20201231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113092899A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111751763B (zh) | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 | |
Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN113092899B (zh) | 变压器电气故障识别方法、系统、终端以及可读存储介质 | |
Bhowmik et al. | A novel wavelet transform aided neural network based transmission line fault analysis method | |
Antonini et al. | Wavelet packet-based EMI signal processing and source identification | |
CN112630590B (zh) | 柔性直流输电线路雷击干扰识别方法、装置、系统及介质 | |
Moravej et al. | A new approach based on S-transform for discrimination and classification of inrush current from internal fault currents using probabilistic neural network | |
CN111426905A (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
CN113960417A (zh) | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 | |
Moravej et al. | Power transformer protection scheme based on time‐frequency analysis | |
Dey et al. | Rough-granular approach for impulse fault classification of transformers using cross-wavelet transform | |
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN117214777A (zh) | 一种变压器绕组的故障定位方法、系统、设备及存储介质 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
Raval et al. | A hybrid Wavelet-ANN protection scheme for series compensated EHV transmission line | |
Frimpong et al. | Inter-turn fault detection using wavelet analysis and adaptive neuro-fuzzy inference system | |
Bhowmik et al. | A novel wavelet assisted neural network for transmission line fault analysis | |
Bon | Deep Learning Method for Fault Diagnosis in High Voltage Transmission Lines: A Case of the Vietnam 220kV Transmission Line | |
CN117725393B (zh) | 一种低压电弧故障识别方法、装置、设备及存储介质 | |
Yang et al. | Detection of high impedance faults in distribution system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |