CN113702780A - 基于bp神经网络的高压电容在线监测方法和装置 - Google Patents

基于bp神经网络的高压电容在线监测方法和装置 Download PDF

Info

Publication number
CN113702780A
CN113702780A CN202110962710.2A CN202110962710A CN113702780A CN 113702780 A CN113702780 A CN 113702780A CN 202110962710 A CN202110962710 A CN 202110962710A CN 113702780 A CN113702780 A CN 113702780A
Authority
CN
China
Prior art keywords
voltage
capacitor
phase
current
neural network
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
CN202110962710.2A
Other languages
English (en)
Other versions
CN113702780B (zh
Inventor
张世洪
雷鸣东
尤鸿芃
余荣兴
李强
张义
郭纯海
杜爱平
陈超泉
邱毅楠
李子由
周威振
邓集瀚
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.)
Dali Bureau of Extra High Voltage Transmission Co
Original Assignee
Dali Bureau of Extra High Voltage Transmission Co
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 Dali Bureau of Extra High Voltage Transmission Co filed Critical Dali Bureau of Extra High Voltage Transmission Co
Priority to CN202110962710.2A priority Critical patent/CN113702780B/zh
Publication of CN113702780A publication Critical patent/CN113702780A/zh
Application granted granted Critical
Publication of CN113702780B publication Critical patent/CN113702780B/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
    • G01R31/1227—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Locating Faults (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种基于BP神经网络的高压电容器在线监测方法、装置、计算机设备和存储介质。所述方法包括：通过根据H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位确定的对称故障数据；以及H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位确定的不对称故障数据对构建的BP神经网络进行训练，得到用于定位电容器发生故障的位置信息的BP神经网络。采用本方法能够减小电容器测量工作量，提高检修效率。

Description

基于BP神经网络的高压电容在线监测方法和装置
技术领域
本申请涉及电力系统技术领域，特别是涉及一种基于BP神经网络的高压电容在线监测方法和装置。
背景技术
交流滤波器是换流站的一个重要组成部分，可以补偿换流器消耗的无功功率，同时滤除换流过程中产生的谐波以减小对交流系统的影响。交流滤波器根据调谐滤波特性可分为多种类型，但高压电容器是重要的组成单元，其稳定可靠运行直接影响直流输电系统的安全。高压电容器不平衡保护是交流滤波器的重要保护之一，该保护可以在交流滤波器的电容器单元发生损坏后，快速切除故障，避免因滤波器的电容器单元损坏导致电容器雪崩故障。
在高压直流输电系统中，高压滤波电容器通常使用H桥保护。正常情况下，电桥平衡，电桥的不平衡电流会很小。当任意一个桥臂发生元件击穿时，由于电容量减小，不平衡电流出现相应的变化，以此作为不平衡保护的采样信号。电网中每年都会发生多起交流滤波器不平衡保护跳闸的现象，一旦发生跳闸，不平衡保护只能判别出故障电容器的具体位置，需要对H桥中每一台电容器单元逐台测量电容量，再与历史数据对比确定故障电容器。由于整组电容器单元数量一般在一百只以上，检查和维护效率不高，从故障发生到恢复正常需要10小时以上。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高高压电容器的检修效率的基于BP神经网络的高压电容在线监测方法、装置、计算机设备和存储介质。
一种基于BP神经网络的高压电容器在线监测方法，所述方法包括：
确定高压直流输电系统的母线电压的电压波动范围；
基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
在其中一个实施例中，所述基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据，包括：
基于所述电压波动范围，对所述H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。
在其中一个实施例中，所述基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的不对称故障数据，包括：
基于所述电压波动范围，对所述H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据。
在其中一个实施例中，所述目标桥臂为所述H桥高压电容器任意低压桥臂。
在其中一个实施例中，所述根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络，包括：
根据所述对称故障数据和不对称故障数据的维度确定所述BP神经网络输入层神经元的第一数量；以及
根据电容器发生故障的位置信息的维度确定所述BP神经网络输出层神经元的第二数量，以及所述位置信息的准确性确定所述BP神经网络隐藏层神经元的第三数量；
根据所述第一数量、第二数量和第三数量，确定构建好的BP神经网络；
将所述训练数据集对构建的BP神经网络中进行训练，当所述构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
在其中一个实施例中，所述方法还包括：
实时采集高压直流输电系统的母线电压，得到所述母线电压的第一电压工频幅值和第一相位；
通过检测传感器采集所述H桥高压电容器的不平衡电流和低压电流，根据所述第一相位分别得到所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位；
将所述母线电压的第一电压工频幅值和相位、所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位输入至所述训练好的BP神经网络，确定所述H桥高压电容器的故障位置信息。
在其中一个实施例中，所述检测传感器包括不平衡电流互感器和电流互感器；所述通过检测传感器采集不平衡电流和低压电流，根据所述第一相位分别得到所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位，包括：
通过所述不平衡电流互感器采集不平衡电流，得到所述不平衡电流的第二电流工频幅值，以及以所述第一相位为参考确定第二相位；
通过电流互感器采集所述H桥高压电容器中低压桥臂的低压电流，得到所述低压电流的第三电流工频幅值，以及以所述第一相位为参考确定第三相位。
一种基于BP神经网络的高压电容器在线监测装置，所述装置包括：
确定模块，用于确定高压直流输电系统的母线电压的电压波动范围；
构建模块，用于基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
训练模块，用于根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定高压直流输电系统的母线电压的电压波动范围；
基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定高压直流输电系统的母线电压的电压波动范围；
基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
上述基于BP神经网络的高压电容器在线监测方法、装置、计算机设备和存储介质，通过根据H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位确定的对称故障数据；以及H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位确定的不对称故障数据对构建的BP神经网络进行训练，得到用于定位电容器发生故障的位置信息的BP神经网络；通过用BP神经网络对高压电容器的保护信号以及其他辅助信号进行分析，可以故障定位精度达到1/4桥臂，减小电容器测量工作量，提高检修效率，同时，提高电容器装置的可靠性。
附图说明
图1为一个实施例中基于BP神经网络的高压电容器在线监测方法的流程示意图；
图2为一个实施例中H桥高压电容器的拓扑结构图；
图3为一个实施例中BP神经网络的网络结构图；
图4为另一个实施例中基于BP神经网络的高压电容器在线监测方法的流程示意图；
图5为一个实施例中基于BP神经网络的高压电容器在线监测方法装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于BP神经网络的高压电容器在线监测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，确定高压直流输电系统的母线电压的电压波动范围。
其中，电压波动范围是指预先设定的母线电压的波动范围。
步骤104，基于电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集。
其中，指定位置是预先设定桥臂编号，每个桥臂编号对应一个高压电容器。
对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；电压/电流工频幅值和相位包括母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位，以及H桥中任意低压桥臂的低压电流的电流工频幅值和相位。
例如，图2所示为一实施例中H桥高压电容器的拓扑结构图，H桥高压电容器中包括电容C1、C2、C3和C4，C3和C4为低压桥臂端，其中，C1和C2、C3和C4为对称电容，其他处位置之间的电容为不对称电容，对称故障数据是指当C1和C2、C3和C4中任意一对称位置处相同数量的电容器单元同时发生击穿时，确定的母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位，以及H桥中任意低压桥臂的低压电流的电流工频幅值和相位；不对称故障数据是指当C1、C2、C3和C4中任意一对称位置处电容器单元同时发生击穿时，确定的母线电压的电压工频幅值Un和相位
Figure BDA0003222666450000061
不平衡电流的电流工频幅值Iun和相位
Figure BDA0003222666450000062
以及H桥中任意低压桥臂的低压电流的电流工频幅值ICx和相位
Figure BDA0003222666450000063
电容器单元击穿可以表现为如表1所示
表1：
Figure BDA0003222666450000064
其中，表中a<c<b，从表中可以看出，状态5与状态9的信号相同，状态10与正常情况的信号相同。为了区分结果，将上一时刻的信号状态与当前时刻的信号状态进行对比，即可得出当前故障状态。如上一时刻为C1中元件击穿，当前出现状态5与状态9的信号时，即可判断为C1、C2出现元件击穿。
具体地，根据需要监测的H桥高压电容器的实际参数(即母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位，以及H桥中任意低压桥臂的低压电流的电流工频幅值和相位)，建立仿真模型，在母线电压的波动范围内，通过仿真对H桥高压电容器中任意一组对称位置处的电容器中相同数量的电容器单元进行击穿处理，得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位，以及H桥中任意低压桥臂的低压电流的电流工频幅值和相位，即对称故障数据；对H桥高压电容器中任意对称位置处任意电容器的电容器单元进行击穿处理，得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位，以及H桥中任意低压桥臂的低压电流的电流工频幅值和相位，即不对称故障数据；将得到的对称故障数据和不对称故障数据以及发生故障的故障位置(即，桥臂编号)构建训练数据集。
步骤106，根据训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络。
其中，训练好的BP神经网络用于定位电容器发生故障的位置信息，即可以根据实时采集的高压电容器的参数可以确定发生故障的位置信息。
BP神经网络包括输入层、隐含层和输出层，构造的BP神经网络的网络结构图如图3所示，输入层中包括若干个神经元x1、x2、、、xM，输入层神经元数量可以是根据对称故障数据和不对称故障数据的维度确定；隐含层中包括若干个神经元k1、k2、、、kI，隐含层神经元数量可以是根据BP神经网络的拟合效果确定的；输出层包括若干合神经元y1、y2、、、yJ，输出层神经元数量可以根据电容器发生故障的故障信息的维度确定，例如，电容器发生故障的故障信息的维度为一维，可以确定输出层神经元数量为1。预设训练条件包括BP神经网络的损失函数值收敛在设定范围内。
具体地，通过对称故障数据和不对称故障数据构建训练数据集，利用训练数据集对构建的BP神经网络进行训练，直到BP神经网络的损失函数值收敛在设定范围内时，结束训练，得到训练好的BP神经网络；根据训练好的BP神经网络可以定位电容器发生故障的位置信息。
上述基于BP神经网络的高压电容器在线监测方法中，通过根据H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位确定的对称故障数据；以及H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位确定的不对称故障数据对构建的BP神经网络进行训练，得到用于定位电容器发生故障的位置信息的BP神经网络；通过用BP神经网络对高压电容器的保护信号以及其他辅助信号进行分析，可以故障定位精度达到1/4桥臂，减小电容器测量工作量，提高检修效率，同时，提高电容器装置的可靠性。
在另一个实施例中，如图4所示，一种基于BP神经网络的高压电容器在线监测方法，本实施例以该方法应用于终端进行举例说明
步骤402，确定高压直流输电系统的母线电压的电压波动范围。
步骤404，基于电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集。
具体地，基于电压波动范围，对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。基于电压波动范围，对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据；其中，目标桥臂为H桥高压电容器任意低压桥臂。
步骤406，根据对称故障数据和不对称故障数据的维度确定BP神经网络输入层神经元的第一数量。
其中，在本实施例中BP神经网络输入层神经元的第一数量可以但不仅限于是6。
步骤408，根据电容器发生故障的位置信息的维度确定BP神经网络输出层神经元的第二数量，以及位置信息的准确性确定BP神经网络隐藏层神经元的第三数量。
其中，在本实施例中，BP神经网络输出层神经元的第二数量可以但不仅限于是8-14；BP神经网络隐藏层神经元的第三数量可以但不仅限于是1。
步骤410，根据第一数量、第二数量和第三数量，确定构建好的BP神经网络。
步骤412，将训练数据集对构建的BP神经网络中进行训练，当构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
步骤414，实时采集高压直流输电系统的母线电压，得到母线电压的第一电压工频幅值和第一相位。
具体地，根据实时采集的高压直流输电系统的母线电压进行计算，得到母线电压的第一电压工频幅值和第一相位；其中，工频幅值和相位用通用的FFT算法即可实现，为现有技术，在此不做赘述。
步骤416，通过检测传感器采集H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位。
其中，检测传感器包括不平衡电流互感器和电流互感器，不平衡电流互感器是指高压直流输电系统中原有的检测传感器，电流互感器是指设置在H桥高压电容器任意低压桥臂上的检测传感器。
具体地，通过所述不平衡电流互感器采集不平衡电流，得到所述不平衡电流的第二电流工频幅值，以及以所述第一相位为参考确定第二相位；通过电流互感器采集所述H桥高压电容器中低压桥臂的低压电流，得到所述低压电流的第三电流工频幅值，以及以所述第一相位为参考确定第三相位。
步骤418，将母线电压的第一电压工频幅值和相位、不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至训练好的BP神经网络，确定H桥高压电容器的故障位置信息。
上述基于BP神经网络的高压电容器在线监测方法中，通过对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息和不对称故障数据；以及对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息以及对称故障数据，根据第一位置信息和不对称故障数据、第二位置信息和对称故障数据构建训练样本数据，对构建好的BP神经网络进行训练得训练好的BP神经网络，将实时采集的H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至构建好的BP神经网络，输出高压电容器发生故障的位置信息，根据对称故障数据和不对称数据训练BP神经网络，减小电容器测量的工作量，极大提高检修效率。
应该理解的是，虽然图1、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种基于BP神经网络的高压电容器在线监测装置，包括：确定模块502、构建模块504和训练模块506，其中：
确定模块502，用于确定高压直流输电系统的母线电压的电压波动范围。
构建模块504，用于基于电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位。
训练模块506，用于根据训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；BP神经网络用于定位电容器发生故障的位置信息。
上述基于BP神经网络的高压电容器在线监测装置，通过根据H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位确定的对称故障数据；以及H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位确定的不对称故障数据对构建的BP神经网络进行训练，得到用于定位电容器发生故障的位置信息的BP神经网络；通过用BP神经网络对高压电容器的保护信号以及其他辅助信号进行分析，可以故障定位精度达到1/4桥臂，减小电容器测量工作量，提高检修效率，同时，提高电容器装置的可靠性。
在另一个实施例中，提供了一种基于BP神经网络的高压电容器在线监测装置，除包括确定模块502、构建模块504和训练模块506之外，还包括：仿真处理模块、数据采集模块、数据处理模块和监测模块，其中：
仿真处理模块，用于基于电压波动范围，对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。
仿真处理模块，还用于基于电压波动范围，对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据；目标桥臂为H桥高压电容器任意低压桥臂。
确定模块502，还用于根据对称故障数据和不对称故障数据的维度确定BP神经网络输入层神经元的第一数量；以及根据电容器发生故障的位置信息的维度确定BP神经网络输出层神经元的第二数量，以及位置信息的准确性确定BP神经网络隐藏层神经元的第三数量。
构建模块504，还用于根据第一数量、第二数量和第三数量，确定构建好的BP神经网络。
训练模块506，还用于将训练数据集对构建的BP神经网络中进行训练，当构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
数据采集模块，用于实时采集高压直流输电系统的母线电压，得到母线电压的第一电压工频幅值和第一相位。
数据处理模块，用于通过检测传感器采集H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位。
监测模块，用于将母线电压的第一电压工频幅值和相位、不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至训练好的BP神经网络，确定H桥高压电容器的故障位置信息。
数据处理模块还用于通过不平衡电流互感器采集不平衡电流，得到不平衡电流的第二电流工频幅值，以及以第一相位为参考确定第二相位；通过电流互感器采集H桥高压电容器中低压桥臂的低压电流，得到低压电流的第三电流工频幅值，以及以第一相位为参考确定第三相位。
在一个实施例中，通过对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息和不对称故障数据；以及对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息以及对称故障数据，根据第一位置信息和不对称故障数据、第二位置信息和对称故障数据构建训练样本数据，对构建好的BP神经网络进行训练得训练好的BP神经网络，将实时采集的H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至构建好的BP神经网络，输出高压电容器发生故障的位置信息，根据对称故障数据和不对称数据训练BP神经网络，使电容器测量工作量减小为原来的1/4，极大提高检修效率，同时，在检测出对称性故障的同时，提高电容器装置的可靠性。
关于基于BP神经网络的高压电容器在线监测装置的具体限定可以参见上文中对于基于BP神经网络的高压电容器在线监测方法的限定，在此不再赘述。上述基于BP神经网络的高压电容器在线监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于BP神经网络的高压电容器在线监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
确定高压直流输电系统的母线电压的电压波动范围；
基于电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；BP神经网络用于定位电容器发生故障的位置信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于电压波动范围，对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于电压波动范围，对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据。
在一个实施例中，处理器执行计算机程序时还实现以下：
目标桥臂为H桥高压电容器任意低压桥臂。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据对称故障数据和不对称故障数据的维度确定BP神经网络输入层神经元的第一数量；以及
根据电容器发生故障的位置信息的维度确定BP神经网络输出层神经元的第二数量，以及位置信息的准确性确定BP神经网络隐藏层神经元的第三数量；
根据第一数量、第二数量和第三数量，确定构建好的BP神经网络；
将训练数据集对构建的BP神经网络中进行训练，当构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
实时采集高压直流输电系统的母线电压，得到母线电压的第一电压工频幅值和第一相位；
通过检测传感器采集H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位；
将母线电压的第一电压工频幅值和相位、不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至训练好的BP神经网络，确定H桥高压电容器的故障位置信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过不平衡电流互感器采集不平衡电流，得到不平衡电流的第二电流工频幅值，以及以第一相位为参考确定第二相位；
通过电流互感器采集H桥高压电容器中低压桥臂的低压电流，得到低压电流的第三电流工频幅值，以及以第一相位为参考确定第三相位。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
确定高压直流输电系统的母线电压的电压波动范围；
基于电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；BP神经网络用于定位电容器发生故障的位置信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于电压波动范围，对H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于电压波动范围，对H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据。
在一个实施例中，计算机程序被处理器执行时还实现以下：
目标桥臂为H桥高压电容器任意低压桥臂。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据对称故障数据和不对称故障数据的维度确定BP神经网络输入层神经元的第一数量；以及
根据电容器发生故障的位置信息的维度确定BP神经网络输出层神经元的第二数量，以及位置信息的准确性确定BP神经网络隐藏层神经元的第三数量；
根据第一数量、第二数量和第三数量，确定构建好的BP神经网络；
将训练数据集对构建的BP神经网络中进行训练，当构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
实时采集高压直流输电系统的母线电压，得到母线电压的第一电压工频幅值和第一相位；
通过检测传感器采集H桥高压电容器的不平衡电流和低压电流，根据第一相位分别得到不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位；
将母线电压的第一电压工频幅值和相位、不平衡电流的第二电流工频幅值和第二相位，以及低压电流的第三电流工频幅值和第三相位输入至训练好的BP神经网络，确定H桥高压电容器的故障位置信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过不平衡电流互感器采集不平衡电流，得到不平衡电流的第二电流工频幅值，以及以第一相位为参考确定第二相位；
通过电流互感器采集H桥高压电容器中低压桥臂的低压电流，得到低压电流的第三电流工频幅值，以及以第一相位为参考确定第三相位。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于BP神经网络的高压电容器在线监测方法，其特征在于，所述方法包括：
确定高压直流输电系统的母线电压的电压波动范围；
基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据，包括：
基于所述电压波动范围，对所述H桥高压电容器中任意位置处电容器单元进行击穿处理，确定发生击穿的第一位置信息，以及母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到不对称故障数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的不对称故障数据，包括：
基于所述电压波动范围，对所述H桥高压电容器中对称位置处相同数量的电容器单元同时进行击穿处理，确定发生击穿的第二位置信息，以及得到母线电压的电压工频幅值和相位、不平衡电流的电流工频幅值和相位；以及
通过电流互感器确定H桥高压电容器中目标桥臂的电流工频幅值和相位，得到对称故障数据。
4.根据权利要求2或3任意一项所述的方法，其特征在于，所述目标桥臂为所述H桥高压电容器任意低压桥臂。
5.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络，包括：
根据所述对称故障数据和不对称故障数据的维度确定所述BP神经网络输入层神经元的第一数量；以及
根据电容器发生故障的位置信息的维度确定所述BP神经网络输出层神经元的第二数量，以及所述位置信息的准确性确定所述BP神经网络隐藏层神经元的第三数量；
根据所述第一数量、第二数量和第三数量，确定构建好的BP神经网络；
将所述训练数据集对构建的BP神经网络中进行训练，当所述构建的BP神经网络的损失函数的收敛值在预设值范围内时，得到训练好的BP神经网络。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
实时采集高压直流输电系统的母线电压，得到所述母线电压的第一电压工频幅值和第一相位；
通过检测传感器采集所述H桥高压电容器的不平衡电流和低压电流，根据所述第一相位分别得到所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位；
将所述母线电压的第一电压工频幅值和相位、所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位输入至所述训练好的BP神经网络，确定所述H桥高压电容器的故障位置信息。
7.根据权利要求6所述的方法，其特征在于，所述检测传感器包括不平衡电流互感器和电流互感器；所述通过检测传感器采集不平衡电流和低压电流，根据所述第一相位分别得到所述不平衡电流的第二电流工频幅值和第二相位，以及所述低压电流的第三电流工频幅值和第三相位，包括：
通过所述不平衡电流互感器采集不平衡电流，得到所述不平衡电流的第二电流工频幅值，以及以所述第一相位为参考确定第二相位；
通过电流互感器采集所述H桥高压电容器中低压桥臂的低压电流，得到所述低压电流的第三电流工频幅值，以及以所述第一相位为参考确定第三相位。
8.一种基于BP神经网络的高压电容器在线监测装置，其特征在于，所述装置包括：
确定模块，用于确定高压直流输电系统的母线电压的电压波动范围；
构建模块，用于基于所述电压波动范围，确定各指定位置处H桥高压电容器发生元件击穿时的对称故障数据和不对称故障数据，构建训练数据集；所述对称故障数据包括H桥高压电容器中对称位置处相同数量的电容器单元同时发生击穿时的电压/电流工频幅值和相位；所述不对称故障数据包括H桥高压电容器中任意位置处电容器单元发生击穿时的电压/电流工频幅值和相位；
训练模块，用于根据所述训练数据集对构建的BP神经网络进行训练，直到满足预设训练条件时，得到训练好的BP神经网络；所述BP神经网络用于定位电容器发生故障的位置信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110962710.2A 2021-08-20 2021-08-20 基于bp神经网络的高压电容在线监测方法和装置 Active CN113702780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962710.2A CN113702780B (zh) 2021-08-20 2021-08-20 基于bp神经网络的高压电容在线监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962710.2A CN113702780B (zh) 2021-08-20 2021-08-20 基于bp神经网络的高压电容在线监测方法和装置

Publications (2)

Publication Number Publication Date
CN113702780A true CN113702780A (zh) 2021-11-26
CN113702780B CN113702780B (zh) 2024-01-19

Family

ID=78654122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962710.2A Active CN113702780B (zh) 2021-08-20 2021-08-20 基于bp神经网络的高压电容在线监测方法和装置

Country Status (1)

Country Link
CN (1) CN113702780B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020079906A1 (en) * 2000-12-21 2002-06-27 Rashkes Viktor S. Electrical system with capacitance tap and sensor for on-line monitoring the state of high-voltage insulation and remote monitoring device
CN101051751A (zh) * 2007-05-14 2007-10-10 上海艾帕电力电子有限公司 含有功率单元的有源电力滤波器及其控制方法
US20120271574A1 (en) * 2011-04-19 2012-10-25 Southern Company Services, Inc. Real-Time and Off-Line Tools for Monitoring and Analysis of Power System Components
CN103293435A (zh) * 2013-06-08 2013-09-11 国家电网公司 一种电容器监测与故障诊断系统及其方法
CN205178486U (zh) * 2015-10-27 2016-04-20 桂林电力电容器有限责任公司 一种双桥差高压交流滤波电容器装置
CN105891689A (zh) * 2016-04-14 2016-08-24 国家电网公司 基于电容分压法vfto测量传感器的局放一体化探头
CN107992665A (zh) * 2017-11-27 2018-05-04 国家电网公司 一种特高压换流站交流滤波器在线故障诊断分析方法
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
CN111458601A (zh) * 2020-05-13 2020-07-28 中国南方电网有限责任公司超高压输电公司昆明局 故障检测方法及装置
CN112461942A (zh) * 2020-10-10 2021-03-09 广西电网有限责任公司电力科学研究院 一种高压套管电容芯故障诊断方法及系统
US20210231744A1 (en) * 2020-01-27 2021-07-29 Goodrich Corporation On-board capacitor health monitoring systems and methods

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020079906A1 (en) * 2000-12-21 2002-06-27 Rashkes Viktor S. Electrical system with capacitance tap and sensor for on-line monitoring the state of high-voltage insulation and remote monitoring device
CN101051751A (zh) * 2007-05-14 2007-10-10 上海艾帕电力电子有限公司 含有功率单元的有源电力滤波器及其控制方法
US20120271574A1 (en) * 2011-04-19 2012-10-25 Southern Company Services, Inc. Real-Time and Off-Line Tools for Monitoring and Analysis of Power System Components
CN103293435A (zh) * 2013-06-08 2013-09-11 国家电网公司 一种电容器监测与故障诊断系统及其方法
CN205178486U (zh) * 2015-10-27 2016-04-20 桂林电力电容器有限责任公司 一种双桥差高压交流滤波电容器装置
CN105891689A (zh) * 2016-04-14 2016-08-24 国家电网公司 基于电容分压法vfto测量传感器的局放一体化探头
CN107992665A (zh) * 2017-11-27 2018-05-04 国家电网公司 一种特高压换流站交流滤波器在线故障诊断分析方法
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
US20210231744A1 (en) * 2020-01-27 2021-07-29 Goodrich Corporation On-board capacitor health monitoring systems and methods
CN111458601A (zh) * 2020-05-13 2020-07-28 中国南方电网有限责任公司超高压输电公司昆明局 故障检测方法及装置
CN112461942A (zh) * 2020-10-10 2021-03-09 广西电网有限责任公司电力科学研究院 一种高压套管电容芯故障诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DALIN MU ET AL.: "Bridge arm Fault Location Method for High Voltage Capacitor of DC Filter in HVDC Systems based on Current Characteristics", 2020 IEEE 1ST CIYCEE, pages 1 - 7 *
MACKINNON, CJ ET AL.: "A Capacitor Bank Simulation Model", 2020 EIC, pages 494 - 497 *
库晓斐 等: "高压直流输电系统交流滤波器故障与保护分析", 电力系统保护与控制, vol. 40, no. 19, pages 150 - 151 *

Also Published As

Publication number Publication date
CN113702780B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
EP2806518B1 (en) Serial arc detection based on harmonic content of DC current signal
CN109270482B (zh) 电压互感器计量准确度在线评价方法及终端设备
Bhui et al. Application of recurrence quantification analysis to power system dynamic studies
CN110838075A (zh) 电网系统暂态稳定的预测模型的训练及预测方法、装置
CN104091056B (zh) 一种实验室设备使用寿命预测系统和方法
CN117310353B (zh) 一种变电站一、二次回路通流加压故障测试方法及系统
CN115238831B (zh) 故障预测方法、装置、计算机设备和存储介质
Lira et al. Metal-oxide surge arrester monitoring and diagnosis by self-organizing maps
CN117233687B (zh) 一种基于历史数据的cvt初始误差评估方法、介质及终端
CN108614188A (zh) 电压暂降类型识别方法和装置
Izadi et al. Event location identification in distribution networks using waveform measurement units
Izadi et al. A synchronized Lissajous-based approach to achieve situational awareness using synchronized waveform measurements
CN112595896B (zh) 一种对地电容参数检测方法
CN109933883A (zh) 一种基于多元线性回归的阻性电流增长率计算方法
Chen et al. Location for single‐phase grounding fault in distribution network based on equivalent admittance distortion rate
CN113702780B (zh) 基于bp神经网络的高压电容在线监测方法和装置
JP2002345172A (ja) 電力系統における高調波監視システム
CN115879040A (zh) 电容器的故障预测方法、装置、电子设备及存储介质
Zhang et al. Detecting breakdowns in capacitor voltage transformers: A knowledge-assisted online approach
Al-Omari et al. Power system dynamic state estimation using smooth variable structure filter
CN116400158A (zh) 一种消除避雷器泄漏电流相间电容干扰的方法及系统
CN116047368A (zh) 基于三次谐波的避雷器状态评估方法、系统、设备及介质
CN115792453A (zh) 一种铁磁谐振辨识方法、装置、计算机设备和存储介质
CN108802493A (zh) 一种电压跌落智能检测方法
CN109193563B (zh) 基于三相三线表计设备的失流故障监测方法和装置

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