CN113376483B - 一种xlpe电缆绝缘状态评估方法 - Google Patents
一种xlpe电缆绝缘状态评估方法 Download PDFInfo
- Publication number
- CN113376483B CN113376483B CN202110645135.3A CN202110645135A CN113376483B CN 113376483 B CN113376483 B CN 113376483B CN 202110645135 A CN202110645135 A CN 202110645135A CN 113376483 B CN113376483 B CN 113376483B
- Authority
- CN
- China
- Prior art keywords
- cable
- charge quantity
- neural network
- iteration
- parameters
- 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
- 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
- G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种XLPE电缆绝缘状态评估方法,步骤为采用DCIC‑q(t)技术测试出待测电缆的电荷量动态变化参数,根据所述电荷量动态变化参数,提取待测电缆的绝缘介质电导率,建立动态电荷参数分布的神经网络模型,获得待测电缆的绝缘状态,建立BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型,并将所述电荷量动态变化参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中。对电缆进行状态诊断及评估,是保证电力供应安全可靠的一个重要技术手段,也是在智能电网中实现对电缆有效管理的极其重要的部分。本申请可以提取电荷量动态变化参数,然后通过模糊C均值聚类(FCM)方法进行绝缘状态分类和判定,提出的评估模型可提高电缆绝缘老化状态评估的准确率。
Description
技术领域
本发明涉及电性能的测试技术领域,具体涉及一种XLPE电缆绝缘状态评估方法。
背景技术
进入二十一世纪以来,我国经济发展突飞猛进,电力行业作为经济发展的重要支柱之一,随着国民经济快速发展,人们生活水平大有改善,但与此同时,对电力市场的需求也日益增加,突现出电力短缺的供需矛盾。
在城市文明化的建设过程中,人们希望营造优雅的生存环境和宽松的生活空间。于是,地下电力电缆逐渐取代架空线路,同时随着电缆数量的增多及运行时间的延长,电缆的故障也越来越频繁。因此,研究电力电缆在线监测技术,可及时对电缆进行合理的维护、检修及更换,对保证电缆可靠运行具有重要意义。
对电缆进行状态诊断及评估,是合理安排电缆更换,保证电力供应安全可靠的一个重要技术手段,也是在智能电网中实现对电缆有效管理的极其重要的部分。对电缆进行状态诊断及评估,为及时的找出原因进行更换和处理,从而为减少电力事故保驾护航。但是目前现有的整体电缆绝缘的诊断和评估主要包括直流电流法、温度测量法、tan法和局部放电法等。而这些方法往往侧重单一变量的影响,难以准确全面反映电缆绝缘的状态。
发明内容
针对这些问题,本发明要解决的技术问题是:本申请基于DCIC-q(t)测试技术对热老化全尺寸整体电缆进行动态电荷测试和参数分析的实验数据,提出结合BP神经网络和模糊聚类的电缆老化状态评估模型。该模型利用BP神经网络处理复杂非线性映射问题的强大功能,对以电荷量为主的动态电荷、电导、温度、介电常数等参数进行特征提取,然后通过模糊C均值聚类(FCM)方法进行绝缘状态分类和判定,提出的评估模型可提高电缆绝缘老化状态评估的准确率。
为了实现上述目的,本申请通过以下技术方案实现:
一种XLPE电缆绝缘状态评估方法,所述方法包括:
S10,采用DCIC-q(t)技术测试出待测电缆的电荷量动态变化参数;
S20,根据测试的电缆绝缘动态电荷量,提取电缆绝缘的介电常数和电导率参数;
S30,建立动态电荷参数分布的神经网络模型,获得能表述电荷量、介电、电导等多参量与电缆热老化时间映射关系的网络参数;
S40,归一化处理所述电荷量动态变化参数,设置并初始化BP神经网络层数、每层神经元个数、权重和偏差矩阵、学习率和迭代次数T1;
S50,根据所述权重、偏差矩阵和确定的激活函数前向传递计算输出和误差函数,计算所述误差函数对所述各个权重和偏差的梯度,根据所述学习率更新所述权重和偏差;
判断是否到达所述迭代次数T1;
若没到达所述迭代次数T1,则重新进行S50;
S60,建立BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型,并将所述电荷量动态变化参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中;
S70,提取所述BP神经网络最后一层隐藏层的数据作为样本特征值,初始化隶属度矩阵U、迭代次数T2和提前结束迭代条件值E,确定隶属度因子和聚类簇数;
S80,计算新的所述聚类中心和所述隶属度矩阵Ut;
判断Ut-Ut-1的运算结果是否大于所述迭代条件值E;
若所述Ut-Ut-1的运算结果大于所述迭代条件值E,则判断t是否小于所述迭代次数T2;
若t小于所述迭代次数T2,则t=t+1,然后重新计算新的所述聚类中心和所述隶属度矩阵Ut;
S90,若t大于或等于所述迭代次数T2或所述Ut-Ut-1的运算结果小于或等于所述迭代条件值E,则输出最终的聚类中心和隶属度矩阵U,将所述隶属度矩阵U转化为绝缘评估状态标签。
可选的,所述DCIC-q(t)技术测试的方法包括:
通过终端对高压直流源进行电压控制;
通过积分电容检测通过试样的电流,并积分获得电荷信息,经过AD转换传输至zigbee接收器;
zigbee接收器接收所述信号波,并分析处理将处理结果数据传输。
可选的,所述提取待测电缆绝缘介质的相对介电常数的方法包括:
根据所述电荷量动态变化参数,通过拟合初始电荷量Q0与电压之间的直线,得到直线的斜率就是电缆试样的电容Cs,电缆的电容与介电常数之间的关系如下式所示:
其中,a和b分别为电缆的内径与外径;ε0为真空条件下的介电常数;εr为XLPE电缆的相对介电常数;L为电缆的长度。
可选的,所述提取待测电缆绝缘介质的电导率的方法包括:
根据所述电荷量动态变化参数,通过分析不同电压加压瞬间的电荷量Q0,以及不同电压下的电流结果,计算出待测电缆的介电常数εγ,绝缘测试获得的电荷量之比k表征空间电荷的注入与积聚情况,电荷量之比k用以下公式表示:
其中,tm为加压时间,γ为电导率,介质的松弛时间τ与被测样(薄片试样或电缆)的介电常数与直流电导率有关。
可选的,所述建立动态电荷参数分布的神经网络模型的方法包括:
对所述动态电荷量及参数进行对比,分析对比结果的相关性。
可选的,所述建立动态电荷参数分布的神经网络模型的方法包括:
根据所述电荷量动态变化参数的相关性建立神经网络中各层次参数间的映射关系,根据所述神经网络中各层次参数间的映射关系,将所述动态电荷量及参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中。
可选的,根据所述权重、偏差矩阵和确定的激活函数前向传递计算输出和误差函数完成前向传播过程,并通过随机梯度下降法更新网络参数完成反向传播过程。
本申请公开了一种XLPE电缆绝缘状态评估方法,步骤为采用DCIC-q(t)技术测试出待测电缆的电荷量动态变化参数,根据所述电荷量动态变化参数,提取待测电缆的绝缘介质电导率,建立动态电荷参数分布的神经网络模型,获得待测电缆的绝缘状态,建立BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型,并将所述电荷量动态变化参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中。本申请可以提取电荷量动态变化参数,然后通过模糊C均值聚类(FCM)方法进行绝缘状态分类和判定,提出的评估模型可提高电缆绝缘老化状态评估的准确率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请示出的一种XLPE电缆绝缘状态评估方法步骤示意图;
图2为DCIC-Q(t)测试整体电缆接线图;
图3为BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
参考图1,本申请提供一种XLPE电缆绝缘状态评估方法,主要是针对目前现有的整体电缆绝缘的诊断和评估主要包括直流电流法、温度测量法、tan法和局部放电法等,而这些方法往往侧重单一变量的影响,难以准确全面反映电缆绝缘的状态,所述方法包括:
S10,采用DCIC-q(t)技术测试出待测电缆的电荷量动态变化参数;
其中电荷量动态变化参数包括电荷变化量、电导率、温度、介电常数、变化率k、电压;
S20,根据所述电荷量动态变化参数,提取待测电缆的绝缘介质电导率;
根据所述电荷量动态变化参数,通过分析不同电压加压瞬间的电荷量Q0,以及不同电压下的电流结果,计算出待测电缆的介电常数εγ,绝缘测试获得的电荷量之比k表征空间电荷的注入与积聚情况,电荷量之比k用以下公式表示:
其中,tm为加压时间,γ为电导率,介质的松弛时间τ与被测样(薄片试样或电缆)的介电常数与直流电导率有关。
S30,建立动态电荷参数分布的神经网络模型,获得能表述电荷量、介电、电导等多参量与电缆热老化时间映射关系的网络参数;
分析得出电荷变化率k和电导率与温度关系较强;
S40,归一化处理所述电荷量动态变化参数,设置并初始化BP神经网络层数、每层神经元个数、权重和偏差矩阵、学习率和迭代次数T1;
S50,根据所述权重、偏差矩阵和确定的激活函数前向传递计算输出和误差函数,计算所述误差函数对所述各个权重和偏差的梯度,根据所述学习率更新所述权重和偏差;
判断是否到达所述迭代次数T1;
若没到达所述迭代次数T1,则重新进行S50;
S60,建立BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型,并将所述电荷量动态变化参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中;
BP网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程;
S70,提取所述BP神经网络最后一层隐藏层的数据作为样本特征值,初始化隶属度矩阵U、迭代次数T2和提前结束迭代条件值E,确定隶属度因子和聚类簇数;
S80,计算新的所述聚类中心和所述隶属度矩阵Ut;
判断Ut-Ut-1的运算结果是否大于所述迭代条件值E;
若所述Ut-Ut-1的运算结果大于所述迭代条件值E,则判断t是否小于所述迭代次数T2;
若t小于所述迭代次数T2,则t=t+1,然后重新计算新的所述聚类中心和所述隶属度矩阵Ut;
S90,若t大于或等于所述迭代次数T2或所述Ut-Ut-1的运算结果小于或等于所述迭代条件值E,则输出最终的聚类中心和隶属度矩阵U,将所述隶属度矩阵U转化为绝缘评估状态标签。
参考图2为DCIC-Q(t)测试整体电缆接线图。
可选的,所述DCIC-q(t)技术测试的方法包括:
通过终端对高压直流源进行电压控制;
通过电容端计算所述高压直流源的输出电压与待测电缆的电荷量的差值,并形成信号波传输至zigbee接收器;
zigbee接收器接收所述信号波,并分析处理将处理结果数据传输。
ZigBee技术主要用于距离短、功耗低且传输速率不高的各种电子设备之间进行数据传输以及典型的有周期性数据、间歇性数据和低反应时间数据传输的应用。
本申请旨在对电缆的绝缘状态进行评估,因此使用近距离、低复杂度、低功耗、低速率、低成本的双向无线通讯技术。
参考图3为BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型。
可选的,所述建立动态电荷参数分布的神经网络模型的方法包括:
对所述动态电荷量及参数进行对比,分析对比结果的相关性。
可选的,所述建立动态电荷参数分布的神经网络模型的方法包括:
根据所述电荷量动态变化参数的相关性建立神经网络中各层次参数间的映射关系,根据所述神经网络中各层次参数间的映射关系,将所述动态电荷量及参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中。
在众多模糊聚类算法中,模糊C-均值算法(FCM)应用最广泛且较成功,它通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。
可选的,根据所述权重、偏差矩阵和确定的激活函数前向传递计算输出和误差函数包括:前向传播过程和反向传播过程。
前向传播过程,即网络如何根据输入得到输出的,由输入得到输出值,并算出loss;反向传播是从loss出发,优化参数W和b。
以上显示和描述了本申请的基本原理和主要特征以及本申请的优点,对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。
Claims (4)
1.一种XLPE电缆绝缘状态评估方法,其特征在于,所述方法包括:
采用DCIC-q(t)技术测试出待测电缆的电荷量动态变化参数;
根据所述电荷量动态变化参数,提取电缆绝缘的介电常数和电导率参数;
建立动态电荷参数分布的神经网络模型,获得能表述电荷量、介电常数、电导率的多参量与电缆热老化时间映射关系的网络参数;
归一化处理所述电荷量动态变化参数,设置并初始化BP神经网络层数、每层神经元个数、权重和偏差矩阵、学习率和迭代次数T1;
根据所述权重、偏差矩阵和确定的激活函数前向传递计算输出和误差函数,计算所述误差函数对各个权重和偏差的梯度,根据所述学习率更新所述权重和偏差;
判断是否到达所述迭代次数T1;
若没到达所述迭代次数T1,则重新进行;建立BP神经网络联合模糊c-均值聚类的XLPE电缆绝缘老化状态评估模型,并将所述电荷量动态变化参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中;
提取所述BP神经网络最后一层隐藏层的数据作为样本特征值,初始化隶属度矩阵U、迭代次数T2和提前结束迭代条件值E,确定隶属度因子和聚类簇数;
计算新的聚类中心和所述隶属度矩阵Ut;
判断Ut-Ut-1的运算结果是否大于所述迭代条件值E;其中,t为当前迭代次数,Ut-1为所述隶属度矩阵Ut前一次迭代的隶属度矩阵;
若所述Ut-Ut-1的运算结果大于所述迭代条件值E,则判断t是否小于所述迭代次数T2;
若t小于所述迭代次数T2,则t=t+1,然后重新计算新的所述聚类中心和所述隶属度矩阵Ut;
若t大于或等于所述迭代次数T2或所述Ut-Ut-1的运算结果小于或等于所述迭代条件值E,则输出最终的聚类中心和隶属度矩阵U,将所述隶属度矩阵U转化为绝缘评估状态标签;
其中,所述提取电缆绝缘的介电常数和电导率参数方法包括:
根据所述电荷量动态变化参数,通过拟合初始电荷量Q0与电压之间的直线,得到直线的斜率就是电缆试样的电容Cs,电缆的电容与介电常数之间的关系如下式所示:
其中,a和b分别为电缆的内径与外径;ε0为真空条件下的介电常数;εr为XLPE电缆的相对介电常数;L为电缆的长度;
根据所述电荷量动态变化参数,通过分析不同电压加压瞬间的电荷量Q0,以及不同电压下的电流结果,计算出待测电缆的介电常数εγ,绝缘测试获得的电荷量之比k表征空间电荷的注入与积聚情况,电荷量之比k用以下公式表示:
其中,tm为加压时间,γ为电导率,介质的松弛时间τ与被测样的介电常数和直流电导率有关。
2.根据权利要求1所述的一种XLPE电缆绝缘状态评估方法,其特征在于,所述DCIC-q(t)技术测试的方法包括:
通过终端对高压直流源进行电压控制;
通过积分电容检测通过试样的电流,并积分获得电荷信息,经过AD转换传输至zigbee接收器;
zigbee接收器接收信号波,并分析处理将处理结果数据传输。
3.根据权利要求1所述的一种XLPE电缆绝缘状态评估方法,其特征在于,所述建立动态电荷参数分布的神经网络模型的方法包括:
对动态电荷量及参数进行对比,分析对比结果的相关性。
4.根据权利要求1所述的一种XLPE电缆绝缘状态评估方法,其特征在于,所述建立动态电荷参数分布的神经网络模型的方法包括:
根据所述电荷量动态变化参数的相关性建立神经网络中各层次参数间的映射关系,根据所述神经网络中各层次参数间的映射关系,将动态电荷量及参数输入到所述BP神经网络和FCM的XLPE电缆绝缘老化状态评估模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645135.3A CN113376483B (zh) | 2021-06-10 | 2021-06-10 | 一种xlpe电缆绝缘状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645135.3A CN113376483B (zh) | 2021-06-10 | 2021-06-10 | 一种xlpe电缆绝缘状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376483A CN113376483A (zh) | 2021-09-10 |
CN113376483B true CN113376483B (zh) | 2023-03-31 |
Family
ID=77573493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110645135.3A Active CN113376483B (zh) | 2021-06-10 | 2021-06-10 | 一种xlpe电缆绝缘状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376483B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376483B (zh) * | 2021-06-10 | 2023-03-31 | 云南电网有限责任公司电力科学研究院 | 一种xlpe电缆绝缘状态评估方法 |
CN114113790A (zh) * | 2021-11-29 | 2022-03-01 | 云南电网有限责任公司电力科学研究院 | 一种基于电荷量的多参量电缆绝缘状态诊断方法及装置 |
CN114543896B (zh) * | 2022-03-23 | 2024-05-10 | 成都高斯电子技术有限公司 | 基于温漂电参数的容性设备介质含水量与老化评估方法 |
CN116894165B (zh) * | 2023-09-11 | 2023-12-08 | 阳谷新太平洋电缆有限公司 | 一种基于数据分析的电缆老化状态评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596184A (zh) * | 2020-06-12 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种基于电荷量的绝缘介质绝缘性能检测方法及装置 |
CN113376483A (zh) * | 2021-06-10 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | 一种xlpe电缆绝缘状态评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268626B (zh) * | 2014-10-21 | 2017-04-12 | 国家电网公司 | 电力电缆寿命估计的方法及系统 |
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
KR101958903B1 (ko) * | 2018-05-31 | 2019-03-15 | 수원대학교산학협력단 | RBFNNs 모델을 이용한 부분 방전 분류 시스템 |
CN112462215A (zh) * | 2020-11-26 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 一种全尺寸电缆绝缘电荷量测试平台及方法 |
-
2021
- 2021-06-10 CN CN202110645135.3A patent/CN113376483B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596184A (zh) * | 2020-06-12 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种基于电荷量的绝缘介质绝缘性能检测方法及装置 |
CN113376483A (zh) * | 2021-06-10 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | 一种xlpe电缆绝缘状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113376483A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113376483B (zh) | 一种xlpe电缆绝缘状态评估方法 | |
Jia et al. | A sample entropy based prognostics method for lithium-ion batteries using relevance vector machine | |
Duan et al. | Deep neural network battery impedance spectra prediction by only using constant-current curve | |
CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
Jiang et al. | State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism | |
Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN113504482A (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
Xue et al. | Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
Wang et al. | Online state of health estimation for lithium-ion batteries based on a dual self-attention multivariate time series prediction network | |
CN114167180B (zh) | 一种基于图注意力神经网络的充油电气设备故障诊断方法 | |
Khera et al. | Valve regulated lead acid battery diagnostic system based on infrared thermal imaging and fuzzy algorithm | |
Ang et al. | Efficient linear predictive model with short term features for lithium-ion batteries state of health estimation | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
Huang et al. | A novel label-free supervision learning method for lithium-ion battery RUL prediction | |
Vatsa et al. | Insulation aging condition assessment of transformer in the visual domain based on SE-CNN | |
Qiang et al. | Li‐Ion Battery State of Health Estimation Using Hybrid Decision Tree Model Optimized by Bayesian Optimization | |
Liu et al. | Revealing the degradation patterns of lithium-ion batteries from impedance spectroscopy using variational auto-encoders |
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 |