CN113253069A - 一种基于多光谱强度的局部放电危险度评估方法 - Google Patents

一种基于多光谱强度的局部放电危险度评估方法 Download PDF

Info

Publication number
CN113253069A
CN113253069A CN202110548256.6A CN202110548256A CN113253069A CN 113253069 A CN113253069 A CN 113253069A CN 202110548256 A CN202110548256 A CN 202110548256A CN 113253069 A CN113253069 A CN 113253069A
Authority
CN
China
Prior art keywords
partial discharge
spectral
characteristic parameters
intensity information
spectral intensity
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.)
Granted
Application number
CN202110548256.6A
Other languages
English (en)
Other versions
CN113253069B (zh
Inventor
彭兆裕
陈云浩
程志万
孙董军
颜冰
马御棠
潘浩
何顺
邱鹏锋
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202110548256.6A priority Critical patent/CN113253069B/zh
Publication of CN113253069A publication Critical patent/CN113253069A/zh
Application granted granted Critical
Publication of CN113253069B publication Critical patent/CN113253069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/1218—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 optical methods; using charged particle, e.g. electron, beams or X-rays

Abstract

本申请公开了一种基于多光谱强度的局部放电危险度评估方法，包括以下步骤：利用弱光检测方法来采集故障位置的局部放电信号；滤除所述局部放电信号中的噪声和电磁干扰；在实验室或现场中采集所述局部放电信号中的光谱信息；提取所述局部放电信号的光谱强度信息特征参数；将所述光谱强度信息特征参数作为训练集，输入Xgboost‑LSTM算法进行训练得到指纹信息库；通过所述指纹信息库得出局部放电种类和局部放电发展阶段；将所述局部放电种类、局部放电的故障位置以及所述局部放电发展阶段输入到根据实际需求预先设置好参数的Xgboost算法中，评估得出所述局部放电的危险度。

Description

一种基于多光谱强度的局部放电危险度评估方法
技术领域
本申请涉及电力设备风险评估技术领域，尤其涉及一种基于多光谱强度的局部放电危险度评估方法。
背景技术
气体绝缘全封闭开关电器GIS一般由铝合金外壳封闭而成，无外露导电部位，不会受大气条件和污秽杂质的影响，运行的可靠性非常高，并且维护量非常少。GIS发生局部放电的原因很多，如绝缘材料内部存在气泡或裂纹、绝缘设计裕度不足、导体表面存在划痕等尖端、安装或解体引入异物、绝缘老化等，这些都会导致设备内部电场发生严重畸变，从而引发局部放电。初期的局部放电危害性较小，一般可以在设备运行过程中存在几个月乃至几年，不过随着局部放电的加剧，电、热化学效应等会加速材料的进一步老化和劣化，并将最终导致绝缘击穿故障。电力设备由于绝缘自然老化、外力破坏和设计制作工艺和材料质量影响会导致各种绝缘故障，在绝缘击穿前往往会发生明显的局部放电现象。局部放电时造成绝缘劣化的主要原因，能够反映绝缘的潜伏性缺陷及故障，通过检测局部放电信号可以实现对电力设备缺陷、劣化程度及剩余寿命的诊断和评估。
光学检测法是一种进行非接触式检测局部放电的新兴检测方法。电力设备局部放电时常伴随有光辐射，利用光电探测器能够有效的监测局部放电产生的光辐射信号，光电探测器检测到的光信号经光电转换元件转化为电信号，再经过信号放大器的调理放大处理，通过光纤将信号送到监测系统，利用监测系统分析电信号光学检测法采用非接触式测量，不影响设备的运行，有着较强的抗电磁干扰能力，测量的灵敏度也很高。目前，光学检测法在分析局部放电特征和电力设备绝缘劣化原理等方面的研究取得了较大的进展。特别是在光测法实施中，光传感器深入到GIS箱体内，直接测量GIS内部局部放电产生的光信号，检测系统不易受外界干扰，测量的灵敏度较高，而且可以对电力设备的局部放电进行实时检测，因此光测法不仅可以用于电力设备内部局部放电在线监测还可以用于局放的危险度评估。光测法一旦成熟后优于现有局放检测手段,目前还没有针对光测法完善的危险度评估。
随着人工智能的飞速发展，机器学习算法在电力系统绝缘故障诊断中的应用也越来越广泛，正在成为一种越来越流行的绝缘故障诊断方法。机器学习方法有快速，准确的优点，与诊断迅速的光测法相结合，可以真正意义上的实现电力设备局部放电实时状态检测以及风险度评估。因此,本发明针对光测法提出了一种基于多光谱强度与机器学习的局部放电危险度评估的方法,这对于光学检测法的进一步应用，减小电力设备发生故障概率有显著的实际意义。
发明内容
本申请提供了一种基于多光谱强度的局部放电危险度评估方法，以解决现有技术中还没有针对光测法比较完善的局部放电危险度评估方法的问题。
本申请采用的技术方案如下：
一种基于多光谱强度的局部放电危险度评估方法，包括以下步骤：
利用弱光检测方法来采集故障位置的局部放电信号；
滤除所述局部放电信号中的噪声和电磁干扰；
在实验室或现场中采集所述局部放电信号中的光谱信息；
提取所述局部放电信号的光谱强度信息特征参数；
将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库；
通过所述指纹信息库得出局部放电种类和局部放电发展阶段；
将所述局部放电种类、局部放电的故障位置以及所述局部放电发展阶段输入到根据实际需求预先设置好参数的Xgboost算法中，评估得出所述局部放电的危险度。
优选地，所述利用弱光检测方法来采集故障位置的局部放电信号，包括：
利用弱光传感器来采集发生局部放电的故障位置和故障位置的局部放电信号。
优选地，所述滤除所述局部放电信号中的噪声和电磁干扰，包括：
采用混合随机搜索的波段选择方法提取特征波段，来滤除噪声和电磁干扰。
优选地，所述采用混合随机搜索的波段选择方法提取特征波段，包括:
先进行全局粗略搜索阶段，即随机选择若干个互不相同的光谱波段，构成光谱集合，利用选择、交叉算子迭代更新所述光谱集合，计算所述光谱集合中每个元素波段组合的性能评估函数，得到不同波段选择方案；
然后进行局部搜索阶段，即变换所述不同波段选择方案中的元素，计算变换后的可分性判据，通过迭代后所述可分性判据最大的则是待提取出来的特征波段。
优选地，所述在实验室或现场中采集所述局部放电信号中的光谱信息，包括：
在实验室设置特定种类的缺陷或是在现场已有的缺陷，用弱光传感器通过升压法采集不同电压下所述局部放电信号中的光谱信息。
优选地，所述提取所述局部放电信号的光谱强度信息特征参数，包括：
提取在不同电压下所述局部放电信号的光谱强度信息特征参数。
优选地，所述将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库，包括：
将所述光谱强度信息特征参数作为训练集，输入Xgboost算法提取所述局部放电光谱强度信息特征参数的空间特征参数；
输入LSTM算法提取所述局部放电光谱强度信息特征参数的时间特征参数；
将所述局部放电光谱强度信息特征参数的空间特征和时间特征参数在Xgboost-LSTM算法中重复进行训练后得到指纹信息库。
优选地，所述通过所述指纹信息库得出局部放电种类和局部放电发展阶段，包括：
最后利用所述指纹信息库的softmax分类器判断得出局部放电种类和局部放电发展阶段。
采用本申请的技术方案的有益效果如下：
本申请通过对局部放电产生弱光信号的物理机理的分析，提出一种基于多光谱强度的局部放电危险度评估方法，通过结合机器学习算法的快速性和光学检测方法的抗干扰性和实时性，对气体绝缘全封闭组合电器内部进行检测，能够实现对气体绝缘全封闭组合电器的实时在线局部放电故障诊断和风险度评估，使GIS设备可以安全稳定地运行。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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的附图。
图1为本申请一种基于多光谱强度的局部放电危险度评估方法流程图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，为本申请一种基于多光谱强度的局部放电危险度评估方法流程图。
本申请提供的一种基于多光谱强度的局部放电危险度评估方法，包括以下步骤：
利用弱光检测方法来采集故障位置的局部放电信号；
滤除所述局部放电信号中的噪声和电磁干扰；
在实验室或现场中采集所述局部放电信号中的光谱信息；
提取所述局部放电信号的光谱强度信息特征参数；
将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库；
通过所述指纹信息库得出局部放电种类和局部放电发展阶段；
将所述局部放电种类、局部放电的故障位置以及所述局部放电发展阶段输入到根据实际需求预先设置好参数的Xgboost算法中，评估得出所述局部放电的危险度。
所述利用弱光检测方法来采集故障位置的局部放电信号，包括：
利用弱光传感器来采集发生局部放电的故障位置和故障位置的局部放电信号。
所述滤除所述局部放电信号中的噪声和电磁干扰，包括：
采用混合随机搜索的波段选择方法提取特征波段，来滤除噪声和电磁干扰。
所述采用混合随机搜索的波段选择方法提取特征波段，包括：
先进行全局粗略搜索阶段，即随机选择若干个互不相同的光谱波段，构成光谱集合，利用选择、交叉算子迭代更新所述光谱集合，计算所述光谱集合中每个元素波段组合的性能评估函数，得到不同波段选择方案；
然后进行局部搜索阶段，即变换所述不同波段选择方案中的元素，计算变换后的可分性判据，通过迭代后所述可分性判据最大的则是待提取出来的特征波段。
所述在实验室或现场中采集所述局部放电信号中的光谱信息，包括：
在实验室设置特定种类的缺陷或是在现场已有的缺陷，用弱光传感器通过升压法采集不同电压下所述局部放电信号中的光谱信息。
所述提取所述局部放电信号的光谱强度信息特征参数，包括：
提取在不同电压下所述局部放电信号的光谱强度信息特征参数。
所述将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库，包括：
将所述光谱强度信息特征参数作为训练集，输入Xgboost算法提取所述局部放电光谱强度信息特征参数的空间特征参数；
输入LSTM算法提取所述局部放电光谱强度信息特征参数的时间特征参数；
局部放电的光谱信息可以被视为空间中的二维信息，对其进行特征波段筛选后的强度信息可以用作判断局部放电种类的标准，将所述局部放电光谱强度信息特征参数的空间特征和时间特征参数在Xgboost-LSTM算法中重复进行训练后得到指纹信息库。
所述通过所述指纹信息库得出局部放电种类和局部放电发展阶段，包括：
最后利用所述指纹信息库的softmax分类器判断得出局部放电种类和局部放电发展阶段。
由于光谱强度信息与实际情况有关，通常需要进行归一化，采用Xgboost算法可以免去归一化的操作，在现场实际检测中，实现实时检测危险度的目标。输入参量为局部放电种类、故障位置以及局部放电发展阶段；
Xgboost算法的具体实施如下：
利用最小化训练数据的损失函数加CART树作为最优模型的目标函数为：
Figure BDA0003074425960000041
其中xi为不同频段下的局部放电光谱信息以及故障位置和局部放电发展阶段，yi为最后的危险度预测值，右边
Figure BDA0003074425960000042
为正则化项，目的是使该目标函数Object达到最小值，L(yi，f(xi))为损失函数，N为损失函数个数；
Figure BDA0003074425960000043
其中，Ω(fk)为正则化项，为了防止算法过拟合，fk为第k轮的残差树，T是CART树的叶子节点个数，ω是fk对xi第k轮残差的预测值，γ和λ分别为叶子节点数以及预测值的权重，γ根据实际情况选取0.4，λ选取0.5；
LSTM用于提取局放光谱强度信息的时间特征，可以增加光谱强度信息的维度，运用下列公式迭代即可输出结果：
ft＝σ(Wf·[ht-1，xt]+bf) (3)
it＝σ(Wi·[ht-1，xt]+bi) (4)
Figure BDA0003074425960000051
Figure BDA0003074425960000052
ot＝σ(Wo·[ht-1，xt]+bo) (7)
ht＝ot*tanh(Ct) (8
其中，ft，it，Ot分别为遗忘门、输入门和输出门的特征函数，Wf、Wi、WC分别为遗忘门、输入门和输出门的权重矩阵，bf，bi，bC分别为遗忘门、输入门和输出门的常数项，xt代表当前时刻输入的光强信息，ht-1代表上一时刻输出的值，ht代表当前时刻输出的值，Ct-1代表上一时刻输入的光强信息的状态，Ct代表当前时刻输入的光强信息的状态，
Figure BDA0003074425960000053
为输入单元的状态，σ表示函数sigmoid(·)；tanh表示函数tanh(·)。
按照图1的流程，最后危险度评估的输出结果为0、1、2，其中0代表轻微放电，1代表中度放电，2代表重度放电，即完成局部放电危险度评估，可以根据结果实施相对应的整改措施。
本申请通过对局部放电产生弱光信号的物理机理的分析，利用弱光传感器检测几个筛选出来的特定波段下的光谱强度信息，通过光谱强度信息和机器学习判断出局部放电种类，最后在结合放电种类，放点位置以及放电发展程度判断出局部放电的危险度，解决了现有技术中还没有针对光测法比较完善的局部放电危险度评估方法的问题，通过结合机器学习算法的快速性和光学检测方法的抗干扰性和实时性，对气体绝缘全封闭组合电器内部进行检测，能够实现对气体绝缘全封闭组合电器的实时在线局部放电故障诊断和风险度评估，使GIS设备可以安全稳定地运行。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (8)

1.一种基于多光谱强度的局部放电危险度评估方法，其特征在于，包括以下步骤：
利用弱光检测方法来采集故障位置的局部放电信号；
滤除所述局部放电信号中的噪声和电磁干扰；
在实验室或现场中采集所述局部放电信号中的光谱信息；
提取所述局部放电信号的光谱强度信息特征参数；
将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库；
通过所述指纹信息库得出局部放电种类和局部放电发展阶段；
将所述局部放电种类、局部放电的故障位置以及所述局部放电发展阶段输入到根据实际需求预先设置好参数的Xgboost算法中，评估得出所述局部放电的危险度。
2.根据权利要求1所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述利用弱光检测方法来采集故障位置的局部放电信号，包括：
利用弱光传感器来采集发生局部放电的故障位置和故障位置的局部放电信号。
3.根据权利要求1所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述滤除所述局部放电信号中的噪声和电磁干扰，包括：
采用混合随机搜索的波段选择方法提取特征波段，来滤除噪声和电磁干扰。
4.根据权利要求3所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述采用混合随机搜索的波段选择方法提取特征波段，包括:
先进行全局粗略搜索阶段，即随机选择若干个互不相同的光谱波段，构成光谱集合，利用选择、交叉算子迭代更新所述光谱集合，计算所述光谱集合中每个元素波段组合的性能评估函数，得到不同波段选择方案；
然后进行局部搜索阶段，即变换所述不同波段选择方案中的元素，计算变换后的可分性判据，通过迭代后所述可分性判据最大的则是待提取出来的特征波段。
5.根据权利要求4所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述在实验室或现场中采集所述局部放电信号中的光谱信息，包括：
在实验室设置特定种类的缺陷或是在现场已有的缺陷，用弱光传感器通过升压法采集不同电压下所述局部放电信号中的光谱信息。
6.根据权利要求5所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述提取所述局部放电信号的光谱强度信息特征参数，包括：
提取在不同电压下所述局部放电信号的光谱强度信息特征参数。
7.根据权利要求6所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述将所述光谱强度信息特征参数作为训练集，输入Xgboost-LSTM算法进行训练得到指纹信息库，包括：
将所述光谱强度信息特征参数作为训练集，输入Xgboost算法提取所述局部放电光谱强度信息特征参数的空间特征参数；
输入LSTM算法提取所述局部放电光谱强度信息特征参数的时间特征参数；
将所述局部放电光谱强度信息特征参数的空间特征和时间特征参数在Xgboost-LSTM算法中重复进行训练后得到指纹信息库。
8.根据权利要求7所述的一种基于多光谱强度的局部放电危险度评估方法，其特征在于，所述通过所述指纹信息库得出局部放电种类和局部放电发展阶段，包括：
最后利用所述指纹信息库的softmax分类器判断得出局部放电种类和局部放电发展阶段。
CN202110548256.6A 2021-05-19 2021-05-19 一种基于多光谱强度的局部放电危险度评估方法 Active CN113253069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110548256.6A CN113253069B (zh) 2021-05-19 2021-05-19 一种基于多光谱强度的局部放电危险度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110548256.6A CN113253069B (zh) 2021-05-19 2021-05-19 一种基于多光谱强度的局部放电危险度评估方法

Publications (2)

Publication Number Publication Date
CN113253069A true CN113253069A (zh) 2021-08-13
CN113253069B CN113253069B (zh) 2022-09-13

Family

ID=77183030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110548256.6A Active CN113253069B (zh) 2021-05-19 2021-05-19 一种基于多光谱强度的局部放电危险度评估方法

Country Status (1)

Country Link
CN (1) CN113253069B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115598470A (zh) * 2022-09-05 2023-01-13 国网江苏省电力有限公司无锡供电分公司（Cn） 一种基于多光谱频带的电弧主动预警方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060132144A1 (en) * 2004-12-16 2006-06-22 Tatsuro Kato Method and system for monitoring partial discharge in gas-insulated apparatus
CN104198898A (zh) * 2014-08-04 2014-12-10 西安交通大学 基于脉冲序列分析的局部放电发展过程诊断方法
CN105911438A (zh) * 2016-04-13 2016-08-31 国网湖南省电力公司 一种基于局部放电带电检测的gis风险评估方法及系统
CN107422232A (zh) * 2017-06-20 2017-12-01 国网山东省电力公司诸城市供电公司 一种配电网终端设备的数字式带电检测工具
CN109001602A (zh) * 2018-08-20 2018-12-14 广东工业大学 基于极限学习机算法的局部放电严重程度评估方法
CN109596955A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 局部放电状态确定方法及装置
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统
CN110441647A (zh) * 2019-09-06 2019-11-12 云南电网有限责任公司电力科学研究院 基于光谱强度信息的弧光危险评估方法及装置
CN110531228A (zh) * 2019-09-03 2019-12-03 国网湖南省电力有限公司 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质
CN110618368A (zh) * 2019-11-07 2019-12-27 云南电网有限责任公司电力科学研究院 基于SiPM的GIS设备局部放电弱光检测系统和方法
CN111308289A (zh) * 2020-03-06 2020-06-19 西安交通大学 一种局部放电多光谱弱光检测装置及方法
CN111624449A (zh) * 2020-05-28 2020-09-04 中国科学院电工研究所 一种基于发射光谱法的电力设备局部放电多通道光学检测系统
CN111999620A (zh) * 2020-09-22 2020-11-27 珠海华网科技有限责任公司 一种电力设备局部放电多通道联合定位方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060132144A1 (en) * 2004-12-16 2006-06-22 Tatsuro Kato Method and system for monitoring partial discharge in gas-insulated apparatus
CN104198898A (zh) * 2014-08-04 2014-12-10 西安交通大学 基于脉冲序列分析的局部放电发展过程诊断方法
CN105911438A (zh) * 2016-04-13 2016-08-31 国网湖南省电力公司 一种基于局部放电带电检测的gis风险评估方法及系统
CN107422232A (zh) * 2017-06-20 2017-12-01 国网山东省电力公司诸城市供电公司 一种配电网终端设备的数字式带电检测工具
CN109001602A (zh) * 2018-08-20 2018-12-14 广东工业大学 基于极限学习机算法的局部放电严重程度评估方法
CN109596955A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 局部放电状态确定方法及装置
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统
CN110531228A (zh) * 2019-09-03 2019-12-03 国网湖南省电力有限公司 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质
CN110441647A (zh) * 2019-09-06 2019-11-12 云南电网有限责任公司电力科学研究院 基于光谱强度信息的弧光危险评估方法及装置
CN110618368A (zh) * 2019-11-07 2019-12-27 云南电网有限责任公司电力科学研究院 基于SiPM的GIS设备局部放电弱光检测系统和方法
CN111308289A (zh) * 2020-03-06 2020-06-19 西安交通大学 一种局部放电多光谱弱光检测装置及方法
CN111624449A (zh) * 2020-05-28 2020-09-04 中国科学院电工研究所 一种基于发射光谱法的电力设备局部放电多通道光学检测系统
CN111999620A (zh) * 2020-09-22 2020-11-27 珠海华网科技有限责任公司 一种电力设备局部放电多通道联合定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
宋辉 等: "运行条件下GIS局部放电严重程度评估方法", 《中国电机工程学报》 *
杨丽君等: "油纸绝缘的局部放电特征量分析及危险等级评估方法研究", 《中国电机工程学报》 *
袁哲 等: "基于可见光图像的暗环境沿面放电智能诊断方法", 《高电压技术》 *
陶加贵: "合电器局部放电多信息融合辨识与危害性评估研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115598470A (zh) * 2022-09-05 2023-01-13 国网江苏省电力有限公司无锡供电分公司（Cn） 一种基于多光谱频带的电弧主动预警方法及系统

Also Published As

Publication number Publication date
CN113253069B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
CN113344475B (zh) 基于序列模态分解的变压器套管缺陷识别方法及系统
CN114912533B (zh) 一种应用于变压器的状态监测系统及监测方法
CN113253069B (zh) 一种基于多光谱强度的局部放电危险度评估方法
Shamlou et al. Winding deformation classification in a power transformer based on the time-frequency image of frequency response analysis using Hilbert-Huang transform and evidence theory
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
CN105785236A (zh) 一种gis局放检测外部干扰信号排除方法
Maraaba et al. A neural network-based estimation of the level of contamination on high-voltage porcelain and glass insulators
Wang et al. Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder
Yuan et al. State recognition of surface discharges by visible images and machine learning
Zhu et al. Defect identification of wind turbine blade based on multi‐feature fusion residual network and transfer learning
Wang et al. The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network
CN116910470A (zh) 一种gis组合电器局部放电故障模式识别方法
CN113238131B (zh) 基于深度学习的绝缘子电晕放电状态评估方法
CN111160383A (zh) 一种自适应的油浸式变压器火灾模型预警检测方法
CN115659252A (zh) 一种基于prpd多特征信息融合的gis局部放电模式识别方法
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN117668471B (zh) 一种基于故障行波电流特征的树线放电故障识别方法
CN113743355B (zh) 开关装置状态校核方法、装置、系统和计算机设备
CN114913156B (zh) 变压器故障诊断系统及其诊断方法
CN117169788B (zh) 一种交联聚乙烯绝缘电力电缆中间接头受潮状态分析方法
Das et al. Time-frequency representation aided deep transfer learning approach for localization and identification of single and multiple partial discharge events
CN117273323A (zh) 一种基于数字孪生的电力设备管理方法及系统
Hu et al. Partial discharge fault identification method for GIS equipment based on improved deep learning

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