CN113933038B - 一种基于多源信息融合算法的gis机械性能监测方法 - Google Patents
一种基于多源信息融合算法的gis机械性能监测方法 Download PDFInfo
- Publication number
- CN113933038B CN113933038B CN202111184079.4A CN202111184079A CN113933038B CN 113933038 B CN113933038 B CN 113933038B CN 202111184079 A CN202111184079 A CN 202111184079A CN 113933038 B CN113933038 B CN 113933038B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- wavelet
- signals
- sampling
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
- G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于多源信息融合算法的GIS机械性能监测方法,将机械振动信号、动触头路径信号以及分合闸线圈电流信号进行融合处理,并将融合后的图谱信息应用到VGG‑16神经网络中,实现对GIS设备机械性能的在线监测,可实时了解GIS设备内部的真实运行状态,及时察觉异常情况并发出预警,并对异常情况进行诊断,可以及时排除潜在威胁,保障电网稳定运行,流程更加简洁,提高了电力系统工作效率,避免事故的产生以及造成的严重后果;本发明对多源信息同时监测,可以有效避免由于现场干扰信号带来的误判,保证监测结果的准确性以及监测的时效性。
Description
技术领域
本发明属于电力系统监测技术领域,尤其涉及一种基于多源信息融合算法的GIS机械性能监测方法。
背景技术
气体绝缘全封闭组合电器(GIS,Gas Insulated Switchgear)由于其绝缘强度高、灭弧能力强、运行可靠性高、维护费用低、占地面积小等优点受到广泛应用。随着GIS设备在电网中的大量投运,其运行是否稳定直接关乎电力系统能否稳定、可靠的运行。
GIS的机械故障占到电力系统全部故障的30%左右,其中绝缘子松动故障属于常见的机械故障,松动故障会导致GIS设备发生异常振动,进而可能引发其他一次设备的机械故障,例如断路器与隔离开关发生拒动或误动,严重威胁着电力系统的稳定运行,因此需要实时了解GIS设备内部的真实运行状态。为解决上述技术问题,本领域技术人员提出GIS在线监测系统,实现对GIS设备内部的真实运行状态进行监测。GIS开断设备需要监测的状态量类型有很多,需要选择其中包含开断设备机械状态信息全面且丰富的状态量进行采集,最为常见的状态量有:开断设备动触头行程、温湿度、分合闸位置、分合闸线圈电流、储能电机电流以及机械振动。但是现有的监测方式只能监测到GIS设备出现异常,而无法对异常状态进行诊断,除此之外,目前监测方式还存在流程复杂、效率低下的技术问题,进而导致监测时效性差,且监测结果的准确度无法保证的问题。
发明内容
为解决上述技术问题,本发明提供一种基于多源信息融合算法的GIS机械性能监测方法。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
本发明采用如下技术方案:
在一些可选的实施例中,提供一种基于多源信息融合算法的GIS机械性能监测方法,包括如下步骤:
S1:融合原始信息组内的各个信号以获取二维张量;
S2:基于VGG-16神经网络构建模型,将步骤S1获取的二维张量输入至建立的模型中,以获取GIS机械性能监测结果数据。
进一步的,所述原始信息组包括:机械振动信号、动触头路径信号以及分合闸线圈电流信号。
进一步的,该方法之前还包括:对所述原始信息组内的各个信号进行采样,其中,各个信号的采样时间及采样频率一致,且采用所述机械振动信号作为触发信号;通过采样总时间及采样频率获取信号采样点个数。
进一步的,所述步骤S1的过程包括:对所述原始信息组内的各个信号进行离散傅里叶变换,得到原始信号的频域特性,通过原始信号的频域特性获取小波变换预期频率范围;利用选定的尺度矩阵和小波函数进行小波分析,得到小波变换后的系数矩阵作为各个信号的图谱信息;将所述原始信息组内的各个信号经过小波变换后的系数矩阵叠加以生成二维张量。
进一步的,所述通过原始信号的频域特性获取小波变换预期频率范围的过程包括:通过设定的当前信号频域特性的幅值阈值筛选出当前信号的主要频率分布范围;选定小波变换预期频率范围使得所述小波变换预期频率范围覆盖所述原始信息组内各个信号的主要频率分布范围。
本发明所带来的有益效果:本发明将机械振动信号、动触头路径信号以及分合闸线圈电流信号进行融合处理,并将融合后的图谱信息应用到VGG-16神经网络中,实现对GIS设备机械性能的在线监测,可实时了解GIS设备内部的真实运行状态,及时察觉异常情况并发出预警,并对异常情况进行诊断,可以及时排除潜在威胁,保障电网稳定运行,流程更加简洁,提高了电力系统工作效率,避免事故的产生以及造成的严重后果;本发明对多源信息息同时监测,可以有效避免由于现场干扰信号带来的误判,保证监测结果的准确性以及监测的时效性。
附图说明
图1是本发明的流程示意图;
图2是本发明信息融合原理图;
图3是典型的机械振动信号示意图;
图4是典型的分闸电流波形图;
图5是典型的合闸电流波形图;
图6是典型的触头路径信号示意图;
图7是合闸电流信号图谱信息;
图8是神经网络训练流程图。
具体实施方式
以下描述和附图充分地展示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。
在一些说明性的实施例中,如图1-2所示,提供一种基于多源信息融合算法的GIS机械性能监测方法,包括如下步骤:
S1:融合原始信息组内的各个信号以获取二维张量;
S2:基于VGG-16神经网络构建模型,将步骤S1获取的二维张量输入至建立的模型中,以获取GIS机械性能监测结果数据,VGG-16神经网络的输出一般是一个数或者数组,本发明将输出的数据进行定义,例如输出为1的时候,代表GIS的机械性能良好,为0的时候表示机械性能较差,从而实现对GIS机械性能的实时监测并给出可反映GIS机械性能的反馈结果数据。
其中,S1中的原始信息组包括:机械振动信号、动触头路径信号以及分合闸线圈电流信号。本发明采用动触头行程、分合闸线圈电流和振动信号作为监测GIS设备机械性能的原始信息。当GIS设备正常动作时,上述信号的典型波形如图3-6所示。
由图3-6可知原始信息组内的信号均为一维的时域信号,其数学表达形式为一维向量,为了使其转变为可以在深度学习网络中使用二维张量信号,本发明提出首先将三种信号通过小波变换,得到相应的图谱信息,该图谱信息为一维张量形式,并将三种图谱信息进行融合,得到可以应用于深度学习的二维张量形式。
其中,该方法之前还包括:原始信号的采样。原始信号采样的过程包括:
首先,对原始信息组内的各个信号进行采样,其中,各个信号的采样时间及采样频率一致,且采用机械振动信号作为触发信号;
然后,通过采样总时间及采样频率获取信号采样点个数。具体的,采样总时间记为T,当前信号的采样频率记为FS,则可以计算出当前信号的信号采样点个数N1=TFS。
信息融合的步骤,即步骤S1的过程如下:
首先,对原始信息组内的各个信号进行离散傅里叶变换,得到原始信号的频域特性。频域即指自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图,即本发明的频域特性,频域特性描述了信号的频率结构及频率与该频率信号幅度的关系。原始信息组内的各个动态信号从时间域变换到频率域主要通过傅立叶级数和傅立叶变换实现。
然后,通过原始信号的频域特性获取小波变换预期频率范围,具体方式为:通过设定的当前信号频域特性的幅值阈值S筛选出当前信号的主要频率分布范围,即选择幅值大于S的频率组成当前信号的主要频率分布,记为[fmin,fmax];选定小波变换预期频率范围,记为[f′min,f′max],使得小波变换预期频率范围[f′min,f′max] 可以覆盖原始信息组内三个信号的主要频率分布范围,即小波变换预期频率范围[f′min,f′max]综合了三种信号的频率分布范围。
然后,选择特定的小波函数,其中心频率为wcf,选定当前信号的频率变化步长fstep,根据下式给出尺度矩阵:
上式中,f(i)∈[f′min,f′max],scal为尺度矩阵。
为保证小波变换后图谱可以进行融合,通过选定频率变化步长fstep保证三种信号尺度矩阵的尺寸相同,其尺寸记为N2。
然后,利用选定的尺度矩阵和小波函数进行小波分析,得到小波变换后的系数矩阵作为各个信号的图谱信息,系数矩阵的尺寸为N1×N2,该系数矩阵为一维张量。机械振动信号经小波变换后得到机械振动信号对应的时间尺度谱,动触头路径信号经小波变换后得到动触头路径信号对应的时间尺度谱,分合闸线圈电流信号经小波变换后得到分合闸线圈电流信号对应的时间尺度谱。小波分析即指小波变换,小波变换是时间频率的局部化分析,它通过伸缩平移运算对信号逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。以合闸时的电流信号为例,经过上述变化后得到的图谱信息如图7所示。小波函数选择如下式所示的Morlet小波:
最后,将原始信息组内的各个信号经过小波变换后的系数矩阵叠加以生成二维张量,其尺寸为N1×N2×3,即三个一维张量合并为二维张量,得到三组信息融合的时频谱,该张量可以作为深度学习网络的输入。小波变换后系数的叠加即为系数矩阵的组合,单一信号形成的系数矩阵的尺度为N1×N2,三种信号系数矩阵组合后,尺度变为N1×N2×3。
本发明基于VGG-16神经网络结构构建模型,构建的模型即为GIS机械性能智能诊断模型,优化算法选择基于梯度下降法的Adam自适应优化算法。网络的输入为通过步骤S1获得的图谱,通过实验室测量和现场信息采集等方法,建立样本库,并将样本库分为训练集和测试集,采用如图8 所示的方法,训练得到网络的最优参数,即完成了GIS机械性能智能诊断模型的建立。
神经网络训练过程包括:
101:确定网络结构,给定初始参数;
102:导入训练集样本,计算误差函数;
103:判断误差函数是否小于给定值或是否达到训练次数上限值,若是则进行步骤105,若否则进行步骤104;
104:根据优化算法,更新网络参数,返回步骤102;
105:保留此组权重因子,网络训练完成。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
Claims (1)
1.一种基于多源信息融合算法的GIS机械性能监测方法,其特征在于,包括如下步骤:
S1:融合原始信息组内的各个信号以获取二维张量;
S2:基于VGG-16神经网络构建模型,将步骤S1获取的二维张量输入至建立的模型中,以获取GIS机械性能监测结果数据;
所述原始信息组包括:机械振动信号、动触头路径信号以及分合闸线圈电流信号;
该方法之前还包括:
对所述原始信息组内的各个信号进行采样,其中,各个信号的采样时间及采样频率一致,且采用所述机械振动信号作为触发信号;
通过采样总时间及采样频率获取信号采样点个数;
所述步骤S1的过程包括:
对所述原始信息组内的各个信号进行离散傅里叶变换,得到原始信号的频域特性,通过原始信号的频域特性获取小波变换预期频率范围;
利用选定的尺度矩阵和小波函数进行小波分析,得到小波变换后的系数矩阵作为各个信号的图谱信息;
将所述原始信息组内的各个信号经过小波变换后的系数矩阵叠加以生成二维张量;
所述通过原始信号的频域特性获取小波变换预期频率范围的过程包括:通过设定的当前信号频域特性的幅值阈值筛选出当前信号的主要频率分布范围;选定小波变换预期频率范围使得所述小波变换预期频率范围覆盖所述原始信息组内各个信号的主要频率分布范围;
其中,通过设定的当前信号频域特性的幅值阈值S筛选出当前信号的主要频率分布范围,选择幅值大于S的频率组成当前信号的主要频率分布,记为[fmin,fmax];选定小波变换预期频率范围,记为[f′min,f′max],使得小波变换预期频率范围[f′min,f′max]覆盖原始信息组内三个信号的主要频率分布范围,小波变换预期频率范围[f′min,f′max]综合三种信号的频率分布范围;
选择特定的小波函数,其中心频率为wcf,选定当前信号的频率变化步长fstep,根据下式给出尺度矩阵:
上式中,f(i)∈[f′min,f′max],scal为尺度矩阵;当前信号的采样频率记为Fs;
通过选定频率变化步长fstep保证三种信号尺度矩阵的尺寸相同,其尺寸记为N2;
利用选定的尺度矩阵和小波函数进行小波分析,得到小波变换后的系数矩阵作为各个信号的图谱信息,系数矩阵的尺寸为N1×N2,该系数矩阵为一维张量;机械振动信号经小波变换后得到机械振动信号对应的时间尺度谱,动触头路径信号经小波变换后得到动触头路径信号对应的时间尺度谱,分合闸线圈电流信号经小波变换后得到分合闸线圈电流信号对应的时间尺度谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184079.4A CN113933038B (zh) | 2021-10-11 | 2021-10-11 | 一种基于多源信息融合算法的gis机械性能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184079.4A CN113933038B (zh) | 2021-10-11 | 2021-10-11 | 一种基于多源信息融合算法的gis机械性能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113933038A CN113933038A (zh) | 2022-01-14 |
CN113933038B true CN113933038B (zh) | 2023-11-17 |
Family
ID=79278573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111184079.4A Active CN113933038B (zh) | 2021-10-11 | 2021-10-11 | 一种基于多源信息融合算法的gis机械性能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933038B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU61440U1 (ru) * | 2006-09-04 | 2007-02-27 | Аркадий Львович Жизняков | Устройство вычисления двумерного вейвлет-преобразования |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN110850230A (zh) * | 2019-11-07 | 2020-02-28 | 天津大学 | 一种基于多小波理论的直流配电网极间短路故障特征量提取方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
CN111504675A (zh) * | 2020-04-14 | 2020-08-07 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112257528A (zh) * | 2020-10-12 | 2021-01-22 | 南京工业大学 | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN113219328A (zh) * | 2021-01-27 | 2021-08-06 | 中国国家铁路集团有限公司 | 一种基于信息融合的断路器操作机构故障智能诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716791A (zh) * | 2016-02-03 | 2016-06-29 | 江苏省电力公司南京供电公司 | 一种基于振动信号的gis漏气监测方法 |
CN106597260B (zh) * | 2016-12-29 | 2020-04-03 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN110322038B (zh) * | 2018-03-29 | 2022-07-15 | 北京金风科创风电设备有限公司 | 基于中尺度数据的风机自动排布的方法和设备 |
-
2021
- 2021-10-11 CN CN202111184079.4A patent/CN113933038B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU61440U1 (ru) * | 2006-09-04 | 2007-02-27 | Аркадий Львович Жизняков | Устройство вычисления двумерного вейвлет-преобразования |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
CN110850230A (zh) * | 2019-11-07 | 2020-02-28 | 天津大学 | 一种基于多小波理论的直流配电网极间短路故障特征量提取方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111504675A (zh) * | 2020-04-14 | 2020-08-07 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112257528A (zh) * | 2020-10-12 | 2021-01-22 | 南京工业大学 | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 |
CN113219328A (zh) * | 2021-01-27 | 2021-08-06 | 中国国家铁路集团有限公司 | 一种基于信息融合的断路器操作机构故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
一种基于小波系数局部特征的选择性遥感图像融合方法;朱康;贺新光;杨波;;遥感信息(第05期);全文 * |
数字图像二维多尺度分解与重构小波分析;张祥 等;《气象水文海洋仪器》(第4期);第38-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113933038A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nurmanova et al. | A new transformer FRA measurement technique to reach smart interpretation for inter-disk faults | |
EP2082246B1 (en) | Cable fault detection | |
Judd et al. | Partial discharge monitoring of power transformers using UHF sensors. Part I: sensors and signal interpretation | |
CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN104217110B (zh) | 一种利用基准态分析的gis状态评估方法及装置 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN112255484B (zh) | 一种避雷器运行状态在线监测及评估方法和系统 | |
KR101965159B1 (ko) | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
CN101819244A (zh) | 交联聚乙烯电力电缆故障的在线预警方法 | |
Dreisbusch et al. | Determination of a Failure Probability Prognosis based on PD-Diagnostics in GIS | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN113933038B (zh) | 一种基于多源信息融合算法的gis机械性能监测方法 | |
Lopes et al. | A transient based approach to diagnose high impedance faults on smart distribution networks | |
CN112199897A (zh) | 一种基于粒子群算法改进的gis设备异响振动识别方法 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 | |
CN116662802A (zh) | 基于北方苍鹰算法优化svm的gis设备pd类型判定方法及系统 | |
Zhang | Characterizing transformer HV–LV winding FRA curves through derivation of transfer functions from FRA data | |
CN115980626A (zh) | 电缆弧光接地故障动态变化的监测方法及装置 | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
Henriques et al. | Proposal of fault prediction system for underground installations | |
CN114239636A (zh) | 缺陷类型识别方法、装置、计算机设备、存储介质 | |
Florencias-Oliveros et al. | Cluster analysis for Power Quality monitoring |
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 |