CN114236329A - 高压电缆的运行状态的检测方法及装置 - Google Patents

高压电缆的运行状态的检测方法及装置 Download PDF

Info

Publication number
CN114236329A
CN114236329A CN202111450958.7A CN202111450958A CN114236329A CN 114236329 A CN114236329 A CN 114236329A CN 202111450958 A CN202111450958 A CN 202111450958A CN 114236329 A CN114236329 A CN 114236329A
Authority
CN
China
Prior art keywords
image data
partial discharge
data
voltage cable
target image
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.)
Pending
Application number
CN202111450958.7A
Other languages
English (en)
Inventor
郭甜
赵洋
周弋
马宪伟
李光
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.)
Shanghai Desbo Testing Technology Co ltd
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
Shanghai Desbo Testing Technology Co ltd
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 Shanghai Desbo Testing Technology Co ltd, State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical Shanghai Desbo Testing Technology Co ltd
Priority to CN202111450958.7A priority Critical patent/CN114236329A/zh
Publication of CN114236329A publication Critical patent/CN114236329A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本申请公开了一种高压电缆的运行状态的检测方法及装置。其中，该方法包括：构建局部放电图谱识别算法；获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；依据目标图像数据确定高压电缆的运行状态。本申请解决了由于现有集成数据总平台无法针对不同高压电缆局部放电检测系统中的原始数据进行统一获取并检测的技术问题。

Description

高压电缆的运行状态的检测方法及装置
技术领域
本申请涉及高压电缆局部放电检测领域，具体而言，涉及一种高压电缆的运行状态的检测方法及装置。
背景技术
随着城市经济的快速发展，城市电网电缆化率持续攀升，高压电缆设备总量保持年均10％快速增长，高压电缆网安全稳定运行对整个电网而言至关重要。对运行中的电缆开展局部放电在线监测能有效的掌握电缆运行状态，及时发现绝缘隐患，保证其可靠运行。
由于不同局部放电厂家设备所开发使用的数据展示平台系统不尽相同，进而产生了现有集成数据总平台无法针对不同电缆局部放电检测系统中原始数据进行统一获取并加以分析的这一实际问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种高压电缆的运行状态的检测方法及装置，以至少解决由于现有集成数据总平台无法针对不同高压电缆局部放电检测系统中的原始数据进行统一获取并检测的技术问题。
根据本申请实施例的一个方面，提供了一种高压电缆的运行状态的检测方法，包括：构建局部放电图谱识别算法；获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；依据目标图像数据确定高压电缆的运行状态。
可选地，将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，包括：提取图像数据的第一特征数据；从缺陷数据中提取多个第二特征数据，其中，缺陷数据包括存在异常的历史图像数据；分别确定第一特征数据和多个第二特征数据中各个第二特征数据的相似度；对多个相似度排序，并将相似度最高的第一特征数据对应的图像数据作为目标图像数据。
可选地，构建局部放电图谱识别算法，包括：修改第一缺陷识别算法，得到第二缺陷识别算法；将缺陷数据存入到数据库中，构建缺陷库；将缺陷库的数据输入到第二缺陷识别算法进行训练，得到局部放电图谱识别算法。
可选地，修改缺陷识别算法，得到第二缺陷识别算法，包括：将第一缺陷识别算法中基于中央处理器的运算修改为基于图形处理器的运算，得到第二缺陷识别算法。
可选地，依据目标图像数据确定高压电缆的运行状态之前，方法还包括：存储目标图像数据；存储目标图像数据包括以下方法中的一种：直接将目标图像数据放入目标文件夹；每间隔预设时长将目标图像数据放入目标文件夹。
可选地，方法还包括：将目标图像数据作为缺陷数据。
可选地，图像数据包括如下至少之一：局部放电脉冲相位图谱以及局部放电脉序相位图谱。
根据本申请实施例的另一方面，还提供了一种高压电缆的运行状态的检测装置，包括：构建模块，用于构建局部放电图谱识别算法；识别模块，用于获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；确定模块，用于依据目标图像数据确定高压电缆的运行状态。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的高压电缆的运行状态的检测方法。
根据本申请实施例的再一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的高压电缆的运行状态的检测方法。
在本申请实施例中，采用构建局部放电图谱识别算法；获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；依据目标图像数据确定高压电缆的运行状态的方式，通过构建局部放电图谱识别算法，达到了识别高压电缆的局部放电异常的目的，从而实现了智能获取并诊断不同局部放电检测系统的数据，并且可以通过自学习机制实现该算法的自动升级的技术效果，进而解决了由于现有集成数据总平台无法针对不同高压电缆局部放电检测系统中的原始数据进行统一获取并检测技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种高压电缆的运行状态的检测方法的流程图；
图2是根据本申请实施例的一种局部放电图谱识别算法识别目标图像数据的流程图；
图3是根据本申请实施例的一种存储目标图像数据的示意图；
图4是根据本申请实施例的一种局部放电图谱识别算法自动升级的示意图；
图5是根据本申请实施例的一种高压电缆的运行状态的检测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，提供了一种高压电缆的运行状态的检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种高压电缆的运行状态的检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，构建局部放电图谱识别算法；
在本步骤中，基于缺陷库数据，对高压电缆局部放电缺陷识别算法模型进行重新训练，得到准确率更高的识别算法。
步骤S104，获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；
根据本申请的一个可选的实施例，执行步骤S104时，从在线监测系统获取图像数据，读取、诊断在线监测系统局放数据，并进行诊断结果对比，即将图像数据输入至局部放电图谱识别算法进行识别，得到诊断为异常的数据，即目标图像数据。
步骤S106，依据目标图像数据确定高压电缆的运行状态；
在执行步骤S106时，通过得到的诊断异常的图像数据，可以确定需要报警的高压电缆。
通过上述步骤，通过构建局部放电图谱识别算法，达到了识别高压电缆的局部放电异常的目的，从而实现了智能获取并诊断不同局部放电检测系统的数据，并且可以通过自学习机制实现该算法的自动升级的技术效果。
根据本申请的一个可选的实施例，执行步骤S104将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，包括以下步骤，如图2所示：
步骤S202，提取图像数据的第一特征数据；
步骤S204，从缺陷数据中提取多个第二特征数据，其中，缺陷数据包括存在异常的历史图像数据；
步骤S206，分别确定第一特征数据和多个第二特征数据中各个第二特征数据的相似度；
步骤S208，对多个相似度排序，并将相似度最高的第一特征数据对应的图像数据作为目标图像数据。
目标图像数据即为存在异常的图像数据，第一特征数据即为当前图片的特征数据，第二特征数据即为缺陷库图片的特征数据。缺陷识别算法的基本功能是搜索当前图片与缺陷库中图片的相似度，实现过程通常可划分为特征提取、指纹搜索、结果排序三部分。常用的缺陷识别算法有均在哈希算法、感知哈希算法等，初步计划采用感知哈希算法实现局放图片搜索。
在本申请的一些可选的实施例中，执行步骤S102构建局部放电图谱识别算法，包括：修改第一缺陷识别算法，得到第二缺陷识别算法；将缺陷数据存入到数据库中，构建缺陷库；将缺陷库的数据输入到第二缺陷识别算法进行训练，得到局部放电图谱识别算法。
第一缺陷识别算法为基本的缺陷识别算法，第二缺陷识别算法为优化的缺陷识别算法。首先将缺陷识别算法优化，然后创建缺陷库(在数据库中新增缺陷数据表)，通过自动(如：设置可能性百分比阈值)或手动的方式将缺陷数据存入缺陷库中，积累缺陷数据，为算法智能升级提供数据支撑。基于缺陷库数据，对高压电缆局部放电缺陷识别算法模型进行重新训练，得到准确率更高的识别算法，即为局部放电图谱识别算法。该算法的具体生成过程：首先，基于现有缺陷数据进行模型训练，形成识别算法，然后对算法进行验证和封装，最后，通过应用程序调用算法进行局放图谱识别。
识别算法是基于现有缺陷样本生成的，样本数量对算法识别准确率有直接的影响，在样本数量较少时尤其明显。样本数量越多，最终生成算法的识别准确率也就越高。
根据本申请的一个可选的实施例，修改缺陷识别算法，得到第二缺陷识别算法，包括：将第一缺陷识别算法中基于中央处理器的运算修改为基于图形处理器的运算，得到第二缺陷识别算法。
基于中央处理器的运算为基于CPU的运算，基于图形处理器的运算为基于GPU的运算。高压电缆局部放电缺陷识别算法的优化更新，是在高压电缆局部放电数据管理系统缺陷识别算法的基础上，通过修改算法源码实现运算平台切换，由基于CPU的运算改为基于GPU的运算，进而大幅缩短模型训练时间。通过在服务器端部署算法运行环境，提高算法执行效率。经优化的缺陷识别算法具有高识别准确率，智能算法，高识别效率等优势。
在本申请的另一些可选的实施例中，执行步骤S106依据目标图像数据确定高压电缆的运行状态之前，方法还包括：存储目标图像数据；存储目标图像数据包括以下方法中的一种：直接将目标图像数据放入目标文件夹；每间隔预设时长将目标图像数据放入目标文件夹。
目标图像数据即为存在异常需要报警的图像数据，确定高压电缆的运行状态即判断高压电缆是否存在局部放电，预设时长可以设定，存储目标图像数据即将在线监测系统的报警数据导出，报警时的PRPS和PRPD图片可以自动放到某个指定的文件夹中。放置的方式目前确定为两种方式：a、报警时就放到指定文件夹；b、一段时间集中放一次。该指定文件夹即为目标文件夹，文件夹的文件名称命名规则为：时间+设备名称+缺陷相+缺陷等级+缺陷类型。存储目标图像数据的示意图如图3所示。
本方案通过智能诊断系统自动读取指定文件夹内容，完成谱图的自动录入和异常标记，并将局部放电在线监测系统的局部放电数据图片导入到指定文件夹。
根据本申请的一个可选的实施例，方法还包括：将目标图像数据作为缺陷数据。
局部放电图谱识别算法的自动升级的流程，见图4，即将识别出来的报警数据还作为缺陷库的数据，以作为下一次识别的数据支撑，实现该识别算法的自动升级。即本申请建立了局部放电数据智能诊断的自学习机制。
在本申请的一些可选的实施例中，图像数据包括如下至少之一：局部放电脉冲相位图谱以及局部放电脉序相位图谱。
局部放电脉冲相位图谱和局部放电脉序相位图谱即PRPD和PRPS图片，在线监测系统具有监测图片(PRPD和PRPS)图片自动生成功能。
本方案开展基于统计谱图图像识别的局部放电智能图像推荐系统研发，实现接入不同局部放电在线监测的图片，并对局部放电统计谱图进行基于图片的局部放电智能推荐和诊断。
图5是根据本申请实施例的一种高压电缆的运行状态的检测装置的结构框图，如图5所示，该装置包括：
构建模块50，用于构建局部放电图谱识别算法；
识别模块52，用于获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；
确定模块54，用于依据目标图像数据确定高压电缆的运行状态。
需要说明的是图5所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的高压电缆的运行状态的检测方法。
上述非易失性存储介质用于存储执行以下功能的程序：构建局部放电图谱识别算法；获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；依据目标图像数据确定高压电缆的运行状态。
本申请实施例还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的高压电缆的运行状态的检测方法。
上述处理器用于运行执行以下功能的程序：构建局部放电图谱识别算法；获取图像数据，并将图像数据输入至局部放电图谱识别算法进行识别，得到目标图像数据，其中，图像数据为高压电缆的局部放电图像，目标图像数据为存在异常的图像数据；依据目标图像数据确定高压电缆的运行状态。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种高压电缆的运行状态的检测方法，其特征在于，包括：
构建局部放电图谱识别算法；
获取图像数据，并将所述图像数据输入至所述局部放电图谱识别算法进行识别，得到目标图像数据，其中，所述图像数据为高压电缆的局部放电图像，所述目标图像数据为存在异常的所述图像数据；
依据所述目标图像数据确定所述高压电缆的运行状态。
2.根据权利要求1所述的方法，其特征在于，将所述图像数据输入至所述局部放电图谱识别算法进行识别，得到目标图像数据，包括：
提取所述图像数据的第一特征数据；
从缺陷数据中提取多个第二特征数据，其中，所述缺陷数据包括存在所述异常的历史图像数据；
分别确定所述第一特征数据和所述多个第二特征数据中各个第二特征数据的相似度；
对多个所述相似度排序，并将相似度最高的所述第一特征数据对应的图像数据作为所述目标图像数据。
3.根据权利要求2所述的方法，其特征在于，构建局部放电图谱识别算法，包括：
修改第一缺陷识别算法，得到第二缺陷识别算法；
将所述缺陷数据存入到数据库中，构建缺陷库；
将所述缺陷库的数据输入到所述第二缺陷识别算法进行训练，得到所述局部放电图谱识别算法。
4.根据权利要求3所述的方法，其特征在于，修改缺陷识别算法，得到第二缺陷识别算法，包括：
将所述第一缺陷识别算法中基于中央处理器的运算修改为基于图形处理器的运算，得到所述第二缺陷识别算法。
5.根据权利要求1所述的方法，其特征在于，依据所述目标图像数据确定所述高压电缆的运行状态之前，
所述方法还包括：存储所述目标图像数据；
存储所述目标图像数据包括以下方法中的一种：
直接将所述目标图像数据放入目标文件夹；
每间隔预设时长将所述目标图像数据放入所述目标文件夹。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述目标图像数据作为所述缺陷数据。
7.根据权利要求1所述的方法，其特征在于，所述图像数据包括如下至少之一：
局部放电脉冲相位图谱以及局部放电脉序相位图谱。
8.一种高压电缆的运行状态的检测装置，其特征在于，包括：
构建模块，用于构建局部放电图谱识别算法；
识别模块，用于获取图像数据，并将所述图像数据输入至所述局部放电图谱识别算法进行识别，得到目标图像数据，其中，所述图像数据为高压电缆的局部放电图像，所述目标图像数据为存在异常的所述图像数据；
确定模块，用于依据所述目标图像数据确定所述高压电缆的运行状态。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的高压电缆的运行状态的检测方法。
10.一种处理器，其特征在于，所述处理器用于运行存储在存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的高压电缆的运行状态的检测方法。
CN202111450958.7A 2021-11-30 2021-11-30 高压电缆的运行状态的检测方法及装置 Pending CN114236329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111450958.7A CN114236329A (zh) 2021-11-30 2021-11-30 高压电缆的运行状态的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450958.7A CN114236329A (zh) 2021-11-30 2021-11-30 高压电缆的运行状态的检测方法及装置

Publications (1)

Publication Number Publication Date
CN114236329A true CN114236329A (zh) 2022-03-25

Family

ID=80752455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450958.7A Pending CN114236329A (zh) 2021-11-30 2021-11-30 高压电缆的运行状态的检测方法及装置

Country Status (1)

Country Link
CN (1) CN114236329A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104655997A (zh) * 2015-03-06 2015-05-27 云南电网有限责任公司电力科学研究院 一种基于脉冲射线的gis设备内部可视化识别方法及其装置
CN105223475A (zh) * 2015-08-25 2016-01-06 国家电网公司 基于高斯参数拟合的局部放电谱图特征模式识别算法
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104655997A (zh) * 2015-03-06 2015-05-27 云南电网有限责任公司电力科学研究院 一种基于脉冲射线的gis设备内部可视化识别方法及其装置
CN105223475A (zh) * 2015-08-25 2016-01-06 国家电网公司 基于高斯参数拟合的局部放电谱图特征模式识别算法
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
（日）藤田一弥: "《实践深度学习》", 31 July 2020, 机械工业出版社, pages: 6 - 7 *

Similar Documents

Publication Publication Date Title
EP3552067B1 (en) Methods and systems for discovery of prognostic subsequences in time series
CN108445410B (zh) 一种监测蓄电池组运行状态的方法及装置
KR20160143512A (ko) 머신 러닝을 위한 진보된 분석 기반시설
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN110232499A (zh) 一种配电网信息物理侧风险预警方法及系统
US10810508B1 (en) Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data
EP3795975A1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
WO2020086353A1 (en) Detection of electric vehicle charging at premise
CN110334816A (zh) 一种工业设备检测方法、装置、设备及可读存储介质
CN110858072B (zh) 设备运行状态的确定方法及装置
US20170061208A1 (en) Determining Severity of a Geomagnetic Disturbance on a Power Grid Using Similarity Measures
CN114528942A (zh) 工程机械的数据样本库的构建、故障预测方法及工程机械
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN105353306B (zh) 电机故障诊断方法和装置及电器
CN114236329A (zh) 高压电缆的运行状态的检测方法及装置
CN116340586A (zh) 基于云平台的汽车故障管理方法、系统及存储介质
CN107562703A (zh) 字典树重构方法及系统
CN113268552B (zh) 一种基于局部敏感哈希的发电机设备隐患预警方法
CN113296990B (zh) 时序数据的异常识别方法及装置
CN111651652B (zh) 基于人工智能的情感倾向识别方法、装置、设备及介质
WO2018172221A1 (en) Method for computer-implemented determination of the performance of a classification model
CN114492994A (zh) 一种基于电力大数据的电力信息处理系统、方法及装置
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN112395167A (zh) 一种作业故障预测方法、装置及电子设备
CN109753427B (zh) 一种发供电测试单元辨析系统

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