CN114970610A - 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 - Google Patents

一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 Download PDF

Info

Publication number
CN114970610A
CN114970610A CN202210495507.3A CN202210495507A CN114970610A CN 114970610 A CN114970610 A CN 114970610A CN 202210495507 A CN202210495507 A CN 202210495507A CN 114970610 A CN114970610 A CN 114970610A
Authority
CN
China
Prior art keywords
power transformer
state
angular field
gelam
identifying
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
CN202210495507.3A
Other languages
English (en)
Inventor
乔胜亚
李光茂
周鸿铃
张阳
杨森
朱晨
陈璐
朱璐
吉旺威
林艺
杨杰
刘建成
庞志开
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202210495507.3A priority Critical patent/CN114970610A/zh
Publication of CN114970610A publication Critical patent/CN114970610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • 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
    • 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于格拉姆角场增强的电力变压器状态辨识装置，涉及电力变压器状态检测技术领域，包括感知模块、采集模块、CPU处理模块、结果显示模块和供电模块。本发明提出的基于格拉姆角场增强的变压器运行状态辨识方法克服了常规检测方法难以获得变压器运行状态丰富信息的不足，能够较好地追踪并感知电力变压器设备的状态变化过程，利用格拉姆角场等成熟度高的算法，实现稳定、计算高效，获得了电力变压器设备丰富的信息参量，进而可实现电力变压器设备状态的可靠辨识。本发明具有简单、稳定、高效以及准确度高的优点，得到的振动数据所包含的变压器状态信息丰富，为变压器不同工况下的状态辨识与故障诊断提供了精确、可靠地理论支撑。

Description

一种基于格拉姆角场增强的电力变压器状态辨识方法及装置
技术领域
本发明涉及电力变压器状态检测技术领域，尤其涉及一种基于格拉姆角场增强的电力变压器状态辨识方法及装置。
背景技术
电力变压器是电网中实现电能传输和转换的核心设备之一，是电网安全第一道防御系统中的关键枢纽设备。目前，我国有相当一部分的变压器存在运行年限长的问题，这些变压器面临着日益严重的设备故障与绝缘老化问题，发生事故的概率不断增加。变压器一旦发生故障将可能造成设备资产、大批次停电等重大损失，甚至会产生严重的社会影响。因此，准确的掌握电力变压器的运行状态、及时发现变压器潜在性缺陷，不仅可以指导电力变压器检修和运行维护工作，且能够有效降低电力事故和变压器故障的发生几率。
常规方法对于电力变压器的健康水平和运行状态优劣的判断大多基于定期检修的方式来实现的，经常产生“过修”与“欠修”的情况，这将造成人力、物力资源的极大浪费，且常规检测方法，包括：预防性试验项目、运行工况等参考依据量繁多，尚未形成一个统一、科学合理的电力变压器状态评价体系。为解决电力变压器状态评估难的问题，国内外诸多学者对此进行了深入的研究，相继提出了油中溶解气体分析、局部放电监测、红外温度监测等，一定程度上解决了电力变压器的状态监测难的问题，并为实现以故障诊断为基础的电力变压器状态检修提供了技术支持，但上述方法仍存在一定的不足，例如：不同变压器因参数(电压等级、运行功率等)与故障程度的不同，都使得变压器油中溶解气体含量存在较大的随机性，这就需要针对该特征参量的故障诊断方法具备很强的容错性，但目前这方面的研究还不够深入。局部放电监测易受现场电磁干扰、且其采集信号量微弱，幅值较小，易被背景噪声淹没。红外温度监测同样易受环境(环境温度、空气灰尘等)影响。因此，亟需一种可靠、有效地电力变压器状态评估方法。
近年来，基于振动信号的检测方法凭借其检测精度高、原理简单、操作方便等得到了发展，并在电力变压器的状态检测得到了广泛的应用。但其皆基于传统的信号处理方法，对于某些微弱的故障仍难以得到有效的参考结果。
有鉴于此，有必要提供一种有效的基于振动测量信息的电力变压器状态辨识方法及装置。
发明内容
本发明的目的是为了提供一种有效的基于振动测量信息的电力变压器状态辨识方法及装置，使其在得到测试设备丰富检测信息参量的基础上，进而显著提升电力变压器在不同工况下的辨识性能。
为了实现上述目的，本发明采用了如下技术方案：
一种基于格拉姆角场增强的电力变压器状态辨识方法，包括以下步骤：
步骤1、对目标设备的振动信号采集，对采集的振动信号进行高阶表征处理，并将其投影为二维图像；
步骤2、基于传统神经网络的梯度退化问题，对残差网络进行优化，得到改进的残差神经网络；
步骤3、将格拉姆角场与残差神经网络相结合；
步骤4、输入数据，对模型进行训练；
步骤5、利用训练后的模型对电力变压器状态的进行智能辨识。
优选地，所述步骤1中投影二维图像为用测量得到的时域振动信号X＝{X1,X2,…Xn}从笛卡尔坐标系映射至极坐标系进而形成二维图像信息，其映射方法可表述为：
Figure BDA0003632920390000031
式中，
Figure BDA0003632920390000032
和r分别为极坐标系下的极角和极径，
Figure BDA0003632920390000033
为原始时间序列中的样本，ti为时域振动信号的采样点序号，N为时域振动信号的长度。
优选地，根据得到的所述极坐标信息进行时域振动信号内部特征的表征，并利用正弦函数，建立不同采样点的关系，对于给定的时域振动信号，其对应的格拉姆求和角场可表述为：
Figure BDA0003632920390000034
式中，cos(·)表示余弦函数，下标“i”和“j”分别表示第i和第j个采样点。
优选地，所述步骤2中结合残差网络以克服传统神经网络的梯度问题，残差网络映射层F可表述为：
F＝W1σ(W2X)
式中，X为输入的特征信息，表示为修正函数；W1、W2分别表示前后特征层的权重信息。
优选地，所述步骤2中结合残差网络克服传统神经网络的梯度问题时引入一种捷径超连接，则网络输出特征信息y可被表述为：
y＝F(X,{Wi})+X
式中，Wi表示第i个前特征层的权重信息，此时，结合残差结构的神经网络即已建立完成。
一种基于格拉姆角场增强的电力变压器状态辨识装置，包括感知模块、采集模块、CPU处理模块和结果显示模块；
感知模块，被用来采集目标设备的振动信号；
采集模块，即数据采集模块，被用来处理原始振动数据；
CPU处理模块，被用来处理、计算振动数据；
结果显示模块，被用来显示不同状态的格拉姆二维图像以及状态识别/分类精度的输出。
优选地，所述CPU处理模块通过无线传输的方式或者有线传输的方式将处理后的振动数据传输至结果显示模块。
优选地，所述采集模块包括放大每个通道的振动信号和A/D数字转换获得振动数据的数字信号。
优选地，还包括供电模块；
供电模块用于为感知模块和采集模块进行供电。
本发明与现有技术相比，其有益效果为：
本发明提出的基于格拉姆角场增强的变压器运行状态辨识方法克服了常规检测方法难以获得变压器运行状态丰富信息的不足，能够较好地追踪并感知电力变压器设备的状态变化过程，利用格拉姆角场等成熟度高的算法，实现稳定、计算高效，获得了电力变压器设备丰富的信息参量，进而可实现电力变压器设备状态的可靠辨识。
综上，本发明具有简单、稳定、高效以及准确度高的优点，得到的振动数据所包含的变压器状态信息丰富，为变压器不同工况下的状态辨识与故障诊断提供了精确、可靠地理论支撑。
附图说明
图1为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识方法的流程示意图；
图2为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识装置的结构示意图；
图3为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识方法中电力变压器在正常运行状态时的二维图像；
图4为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识方法中电力变压器在铁芯松动状态时的二维图像；
图5为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识方法中电力变压器在绕组松动状态时的二维图像；
图6为本发明提出的一种基于格拉姆角场增强的电力变压器状态辨识方法中电力变压器在相间放电状态时的二维图像；
图7为本发明模型训练过程中的均方误差随迭代次数变化趋势图；
图8为本发明混淆矩阵计算结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
参照图1，一种基于格拉姆角场增强的电力变压器状态辨识方法，包括以下步骤：
步骤1、对目标设备的振动信号采集，对采集的振动信号进行高阶表征处理，并将其投影为二维图像；
步骤2、基于传统神经网络的梯度退化问题，对残差网络进行优化，得到改进的残差神经网络；
步骤3、将格拉姆角场与残差神经网络相结合；
步骤4、输入数据，对模型进行训练；
步骤5、利用训练后的模型对电力变压器状态的进行智能辨识。
所述步骤1中投影二维图像为用测量得到的时域振动信号X＝{X1,X2,…Xn}从笛卡尔坐标系映射至极坐标系进而形成二维图像信息，其映射方法可表述为：
Figure BDA0003632920390000061
式中，
Figure BDA0003632920390000062
和r分别为极坐标系下的极角和极径，
Figure BDA0003632920390000063
为原始时间序列中的样本，ti为时域振动信号的采样点序号，N为时域振动信号的长度。
根据得到的所述极坐标信息进行时域振动信号内部特征的表征，并利用正弦函数，建立不同采样点的关系，对于给定的时域振动信号，其对应的格拉姆求和角场可表述为：
Figure BDA0003632920390000071
式中，cos(·)表示余弦函数，下标“i”和“j”分别表示第i和第j个采样点。
所述步骤2中结合残差网络以克服传统神经网络的梯度问题，残差网络映射层F可表述为：
F＝W1σ(W2X)
式中，X为输入的特征信息，表示为修正函数；W1、W2分别表示前后特征层的权重信息。
所述步骤2中结合残差网络克服传统神经网络的梯度问题时引入一种捷径超连接，则网络输出特征信息y可被表述为：
y＝F(X,{Wi})+X
式中，Wi表示第i个前特征层的权重信息，此时，结合残差结构的神经网络即已建立完成。
一种基于格拉姆角场增强的电力变压器状态辨识装置，包括感知模块、采集模块、CPU处理模块、结果显示模块和供电模块；
感知模块，被用来采集目标设备的振动信号；
采集模块，即数据采集模块，被用来处理原始振动数据，采集模块包括放大每个通道的振动信号和A/D数字转换获得振动数据的数字信号；
CPU处理模块，被用来处理、计算振动数据；
结果显示模块，被用来显示不同状态的格拉姆二维图像以及状态识别/分类精度的输出；
供电模块用于为感知模块和采集模块进行供电。
参照图3，电力变压器在正常运行状态时，矩阵的极值主要集中在二维图像的中间区域；
参照图4，铁芯松动状态时，矩阵极值则主要集中在二维图像的右下方区域，并在除了左上角的边缘区域皆有较为明显的极值分布；
参照图5，绕组松动状态时，其极值区域主要分布在左上方、且在其他区域呈线状分布；
参照图6，相间放电时，极值区域在二维图像上分布较为均匀。
参照图7，为模型训练过程中的均方误差随迭代次数变化趋势。由图7可知，该模型在训练(迭代)十二次后，即能够得到良好地准确率(均方误差在10-5以内)。
同样，为评判本发明方法对于电力变压器不同状态下的辨识性能，引入混淆矩阵进行评判。如图8所示为混淆矩阵计算结果。由图8可知，在全部480哥测试样本中仅有6个被分类错误，其准确率高达97.5％，且精度、召回率和F1值分别为98.3％、99.2％和98.7％，准确率极高，证明了本发明方法的优越性。
本发明可通过以下操作方式阐述其功能原理：
首先对接收得到的振动信号从笛卡尔坐标系映射到极坐标系，根据得到的极坐标信息进行信号内部特征的表征，构建对应的格拉姆求和角场并将其投影为二维图像；
接着，利用残差网络克服传统神经网络的梯度退化等问题，进而得到改进的残差神经网络；
最后，将格拉姆角场与残差神经网络相结合，以实现电力变压器状态的智能辨识。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，包括以下步骤：
步骤1、对目标设备的振动信号采集，对采集的振动信号进行高阶表征处理，并将其投影为二维图像；
步骤2、基于传统神经网络的梯度退化问题，对残差网络进行优化，得到改进的残差神经网络；
步骤3、将格拉姆角场与残差神经网络相结合；
步骤4、输入数据，对模型进行训练；
步骤5、利用训练后的模型对电力变压器状态的进行智能辨识。
2.根据权利要求1所述的一种基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，所述步骤1中投影二维图像为用测量得到的时域振动信号X＝{X1,X2,…Xn}从笛卡尔坐标系映射至极坐标系进而形成二维图像信息，其映射方法可表述为：
Figure FDA0003632920380000011
式中，
Figure FDA0003632920380000012
和r分别为极坐标系下的极角和极径，
Figure FDA0003632920380000013
为原始时间序列中的样本，ti为时域振动信号的采样点序号，N为时域振动信号的长度。
3.根据权利要求2所述的一种基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，根据得到的所述极坐标信息进行时域振动信号内部特征的表征，并利用正弦函数，建立不同采样点的关系，对于给定的时域振动信号，其对应的格拉姆求和角场可表述为：
Figure FDA0003632920380000021
式中，cos(·)表示余弦函数，下标“i”和“j”分别表示第i和第j个采样点。
4.根据权利要求1所述的一种基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，所述步骤2中结合残差网络以克服传统神经网络的梯度问题，残差网络映射层F可表述为：
F＝W1σ(W2X)
式中，X为输入的特征信息，表示为修正函数；W1、W2分别表示前后特征层的权重信息。
5.根据权利要求4所述的一种基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，所述步骤2中结合残差网络克服传统神经网络的梯度问题时引入一种捷径超连接，则网络输出特征信息y可被表述为：
y＝F(X,{Wi})+X
式中，Wi表示第i个前特征层的权重信息，此时，结合残差结构的神经网络即已建立完成。
6.一种基于格拉姆角场增强的电力变压器状态辨识装置，采用权利要求1-5任意一项所述的基于格拉姆角场增强的电力变压器状态辨识方法，其特征在于，包括感知模块、采集模块、CPU处理模块和结果显示模块。
7.根据权利要求1所述的一种基于格拉姆角场增强的电力变压器状态辨识装置，其特征在于，还包括供电模块。
CN202210495507.3A 2022-05-08 2022-05-08 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 Pending CN114970610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495507.3A CN114970610A (zh) 2022-05-08 2022-05-08 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495507.3A CN114970610A (zh) 2022-05-08 2022-05-08 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置

Publications (1)

Publication Number Publication Date
CN114970610A true CN114970610A (zh) 2022-08-30

Family

ID=82981446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495507.3A Pending CN114970610A (zh) 2022-05-08 2022-05-08 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置

Country Status (1)

Country Link
CN (1) CN114970610A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289067A (zh) * 2023-11-23 2023-12-26 北京谛声科技有限责任公司 一种变压器运行状态在线监测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289067A (zh) * 2023-11-23 2023-12-26 北京谛声科技有限责任公司 一种变压器运行状态在线监测系统
CN117289067B (zh) * 2023-11-23 2024-02-27 北京谛声科技有限责任公司 一种变压器运行状态在线监测系统

Similar Documents

Publication Publication Date Title
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
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
CN111398339A (zh) 一种现场架空线路复合绝缘子发热缺陷分析判断方法及系统
CN114970610A (zh) 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN113884818A (zh) 一种基于lstm的配电网故障行波到达时间精确估算方法
CN114330120A (zh) 一种基于深度神经网络预测24小时pm2.5浓度的方法
CN102778632A (zh) 对变压器绕组故障类型直接预报和识别的双规识别法
CN117421976A (zh) 一种基于集成学习的风电场集电线路故障定位监测方法及系统
CN116973703A (zh) 干式空心电抗器放电故障与异常运行状态的声学诊断方法
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN111638047A (zh) 一种gis设备机械故障诊断系统及方法
CN102175203A (zh) 一种输电线路覆冰突出影响因素分析方法
CN105004363A (zh) 强干扰下基于多阈值小波传感器性能在线测试装置及方法
CN115377999A (zh) 一种基于宽频测量数据的次同步振荡辨识的方法
CN114117923A (zh) 基于混沌特征空间的高压并联电抗器状态判断系统及方法
CN113156278A (zh) 一种基于cnn网络的gis局部放电定位方法
Rui et al. Research on fault diagnosis and state assessment of vacuum pump based on acoustic emission sensors
CN103018658B (zh) 一种基于伏安特性曲线的线路板健康状态监测方法
CN113654974A (zh) 一种海上风电单桩基础腐蚀状态的评估方法及监测系统
CN112329825A (zh) 基于信息分维及提升决策树的变压器机械故障诊断方法
CN112198472A (zh) 一种局部放电智能传感器在线远程校验方法及系统
CN111079267B (zh) 一种基于微观残余应力突度的装载机底盘可靠性检测方法
CN116977267A (zh) 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置
CN117708707B (zh) 大数据下台区线损率异常智能预警方法和系统

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