CN115112978A - 一种电力系统绝缘环网柜故障检测方法 - Google Patents

一种电力系统绝缘环网柜故障检测方法 Download PDF

Info

Publication number
CN115112978A
CN115112978A CN202210733741.5A CN202210733741A CN115112978A CN 115112978 A CN115112978 A CN 115112978A CN 202210733741 A CN202210733741 A CN 202210733741A CN 115112978 A CN115112978 A CN 115112978A
Authority
CN
China
Prior art keywords
main unit
ring main
fault
parameter
data
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
CN202210733741.5A
Other languages
English (en)
Inventor
殷刚
王健
陈巍
程洁
朱益民
杨丹
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.)
Yangzhou Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Yangzhou Yongmao Electric Power Construction Co ltd
Yangzhou Jiangdu District Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Original Assignee
Yangzhou Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Yangzhou Yongmao Electric Power Construction Co ltd
Yangzhou Jiangdu District Power Supply Branch Of State Grid Jiangsu 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 Yangzhou Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd, Yangzhou Yongmao Electric Power Construction Co ltd, Yangzhou Jiangdu District Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd filed Critical Yangzhou Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Priority to CN202210733741.5A priority Critical patent/CN115112978A/zh
Publication of CN115112978A publication Critical patent/CN115112978A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种电力系统绝缘环网柜故障检测方法。能够快速监测环网柜内部各项参数，实现环网柜出现故障时的快速识别和种类判断，提高故障判断正确率，节约时间成本，降低故障造成的损失的目标。本发明包括：利用遗传算法(GA)优化后的径向基函数(RBF)，将已有历史数据集进行训练，构成GA‑RBF环网柜故障检测模型并得到环网柜内部多种参数的降维矩阵并计算其T2和SPE统计限；通过各类传感器采集环网柜各项参数，若采集的数据超过两个统计量的统计限中的一个且连续不断，则判定为发生故障；根据超限的参数快速对环网柜内设备进行检测排查，达到实时监测，降低故障影响的目的。本发明适用于如电力系统绝缘环网柜对故障实时监测有一定要求的应用场合。

Description

一种电力系统绝缘环网柜故障检测方法
技术领域
本发明涉及电力系统设备故障监测领域，尤其涉及一种绝缘环网柜内部多种故障的综合监测与判断方法。
背景技术
环网柜(Ring Main Unit)是一组高压开关设备装在金属或非金属绝缘柜体内或做成拼装间隔式环网供电单元的电气设备，其核心部分采用负荷开关和熔断器，具有结构简单、体积小、可提高供电参数和性能以及供电安全等优点。它被广泛使用于城市住宅小区、高层建筑、大型公共建筑、工厂企业等负荷中心的配电站以及箱式变电站中。
环网柜故障检测是提高电力系统运行可靠性的重要方面，在不同工作状态下及时检测到故障发生，识别故障类别能够有效降低故障造成的损失，节约时间和人工成本。
利用机器学习算法对历史数据进行统计计算是提高故障判断正确率，是节约试验成本的有效手段。通过对已有历史数据集统计量的计算，可以推导出多工作状态下各参数的变化规律，有助于环网柜内部多变量信息融合模型的构建。然而，传统的机器学习算法存在计算时间长，收敛能力弱等缺点，不能满足多变量融合信息模型构建的要求。
申请人作为基层供电单位，一直致力于研究如何更加精准、高效地实现对环网柜故障的检测。现在已有的环网柜故障检测技术研究多集中在电参数的测量和监测上，在包括环网柜内部温度，湿度，气体浓度，局部放电产生气体等各项参数的综合信息融合处理和建模方面仍然缺乏研究，无法满足对故障检测准确率提高的进一步要求。
发明内容
本发明提供一种电力系统绝缘环网柜故障检测方法，能够根据历史数据集构建基于GA-RBF算法的多变量信息融合模型，快速准确地得到多项参数的降维矩阵并反馈多项参数对应的T2和SPE的统计限，将采集到的在线数据集转化为各项参数对应的统计量并和统计限进行对比，快速、准确地监测到故障发生并识别故障种类。
为达到上述目的，本发明的技术方案包括：
S1、通过已有的历史数据集Nh，将环网柜内部参数进行分类，分析常见的环网柜内部故障和导致故障发生的原因，定位故障发生的位置；
S2、对历史数据集进行预处理，包括去除异常数据和对数据进行归一化等操作；
S3、通过遗传算法对RBF神经网络的参数进行优化，构成GA-RBF算法，运用优化后的神经网络算法，结合预处理后的数据集，构成环网柜多变量信息融合模型；
S4、利用历史数据对上述数据集进行训练，得到降维矩阵O，并得到各个参数对应的平方预测误差(SPE)和T2两种统计量的统计限；
S5、通过环网柜内部的传感器和参数采集元件采集环网柜内实时运行的各个参数，构成在线数据集Nl，并将在线数据集中的各项参数数据进行预处理；
S6、计算获取的在线数据集中的各项参数的T2和SPE统计量；
S7、将得到的T2和SPE统计量与上述得到的T2和SPE统计限进行实时对比，根据各项参数的统计量比较结果分析系统故障状态；
S8、根据比较结果寻找异常参数，定位发生故障位置。
进一步地，步骤S1中，所述环网柜内部各项参数，指环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数。
进一步地，步骤S2中，所述数据预处理包含数据清理，数据集成，数据归约，数据变换等步骤。
进一步地，步骤S3中，所述神经网络参数优化，指利用遗传算法优化RBF神经网络的结构参数MN和DF值，达到能量函数最小的效果。
进一步地，步骤S3中，所述多变量信息融合模型，指基于环网柜内部各项参数综合组成的统计量预测模型。
进一步地，步骤S4包括：
S41、将所述温度，湿度，电路电流，气体浓度，局部放电产生气体的T2和SPE统计量作为所述GA-RBF算法的自变量，将目标一维数据矩阵O作为所述GA-RBF算法的因变量进行训练；
S42、在所述GA-RBF算法训练完毕之后，输入所述各项参数的统计量，得到所述GA-RBF算法回归得到的各项参数对应的统计限，即得到所述多变量信息融合模型；
S43、求出S2中计算的标准化矩阵的协方差矩阵Σ，对∑进行特征分解，得到特征值λ1,λ2,…,λm及其对应的特征向量p1,p2,…,pm，当前k个主元的累计方差贡献率达到85％，则主元数取k值，其中Σ和主元贡献率sumavc的计算方法为：
Figure BDA0003714862440000021
Figure BDA0003714862440000022
其中，Ns为标准化后的数据矩阵；
S44、对于样本个数为n住院个数为k，置信度为a的T2和SPE统计量的统计限计算方法为：
Figure BDA0003714862440000031
Figure BDA0003714862440000032
Figure BDA0003714862440000033
Figure BDA0003714862440000034
Figure BDA0003714862440000035
Figure BDA0003714862440000036
其中，Fa为置信度对应的F分布函数，Ca为与(1-a)分位点对应的标准差。
进一步地，步骤S6具体为：将实时采集的数据集Nl进行中心化和标准化处理，得到Nls，计算其T2统计量和SPE统计量，计算方法为：
Figure BDA0003714862440000037
Figure BDA0003714862440000038
S＝diag(λ1,λ2,...,λk)
其中，O为步骤S4中GA-RBF算法训练得到的降维数据矩阵。
进一步地，步骤S7中，所述对比与分析，指将在线数据集的T2与SPE统计量与所述统计限对比，若某一参数的统计量连续超越其对应的统计限，则判断该参数对应的环网柜内部装置出现故障。
本发明利用环网柜设备内部常用的传感器，采集导致环网柜内部常见故障对应的元器件的相关参数，通过数据预处理和计算转换为T2和SPE统计量。依据历史数据集基于遗传算法优化后的径向基函数神经网络算法实现对各项参数多变量信息融合的快速建模，在较少实验结果的情况下快速获取多项参数的降维矩阵以及各种工作状态下的多项参数统计限，能够有助于快速获得多种工作状态下的参数统计量与该参数对应故障状态的对应关系，大大减小时间成本。从而通过实时采集在线数据集，能够与统计限进行实时比较并在故障发生时快速监测并定位故障位置，实现了环网柜内参数的实时监测，提高了环网柜故障监测的可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是基于GA-RBF环网柜故障监测模型的方法流程图；
图2是所述RBF神经网络的结构图，其中x表示环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数的T2和SPE统计量构成的自变量，y表示所述各项参数对应的T2和SPE统计限，w表示RBF神经网络中的隐含层神经元；
图3是遗传算法优化RBF神经网络结构的流程图，其中MN表示RBF神经网络神经元的最大数目，DF表示两次显示之间所添加的神经元数目；
图4是针对基于GA-RBF算法构建的环网柜内部故障检测模型的验证流程图；
图5是环网柜故障检测单变量模型和多变量信息融合模型在故障检测时的流程对比图；
图6是环网柜内故障检测多变量信息融合模型构成的故障检测系统结构图。
具体实施方式
以下结合附图1-6进一步说明本发明。
本发明一种电力系统绝缘环网柜故障检测方法，如图1所示，包括：
S1、通过已有的历史数据集Nh，将环网柜内部参数进行分类，分析常见的环网柜内部故障和导致故障发生的原因，定位故障发生的位置；
S2、对历史数据集进行预处理，包括去除异常数据和对数据进行归一化等操作；
S3、通过遗传算法对RBF神经网络的参数进行优化，构成GA-RBF算法，运用优化后的神经网络算法，结合预处理后的数据集，构成环网柜多变量信息融合模型，其模型结构如图2、3所示；
S4、利用历史数据对上述数据集进行训练，得到降维矩阵O，并得到各个参数对应的平方预测误差(SPE)和T2两种统计量的统计限；
S5、通过环网柜内部的传感器和参数采集元件采集环网柜内实时运行的各个参数，构成在线数据集Nl，并将在线数据集中的各项参数数据进行预处理，利用在线采集的数据构建模型并进行模型验证的流程如图4所示，通过系统接口将在线采集的数据接入模型及算法评价系统，进而进行下一步的计算和控制操作，并将实际运行的效果回馈给模型及算法评价系统；
S6、计算获取的在线数据集中的各项参数的T2和SPE统计量；
S7、将得到的T2和SPE统计量与上述得到的T2和SPE统计限进行实时对比，根据各项参数的统计量比较结果分析系统故障状态；
S8、根据比较结果寻找异常参数，定位发生故障位置。
进一步地，步骤S1中，环网柜内部各项参数，指环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数。
进一步地，步骤S2中，数据预处理包含数据清理，数据集成，数据归约，数据变换等步骤。
此外，在步骤S2中，数据归一化处理，包含中心化和标准化处理，其中，中心化处理指将训练数据集Nt按列减去Nt的列平均值，标准化处理指将训练数据集除以观测变量的标准差，标准差的计算方法为：
Figure BDA0003714862440000051
其中，nij为训练数据集第i行第j列的数据，
Figure BDA0003714862440000052
为训练数据集第j列的平均值。
进一步地，步骤S3中，所述神经网络参数优化，指利用遗传算法优化RBF神经网络的结构参数MN和DF值，达到能量函数最小的效果。
进一步地，步骤S3中，所述多变量信息融合模型，指基于环网柜内部各项参数综合组成的统计量预测模型。
进一步地，步骤S4包括：
S41、将所述温度，湿度，电路电流，气体浓度，局部放电产生气体的T2和SPE统计量作为所述GA-RBF算法的自变量，将目标一维数据矩阵O作为所述GA-RBF算法的因变量进行训练；
S42、在所述GA-RBF算法训练完毕之后，输入所述各项参数的统计量，得到所述GA-RBF算法回归得到的各项参数对应的统计限，即得到所述多变量信息融合模型；
S43、求出S2中计算的标准化矩阵的协方差矩阵Σ，对Σ进行特征分解，得到特征值λ1,λ2,…,λm及其对应的特征向量p1,p2,…,pm，当前k个主元的累计方差贡献率达到85％，则主元数取k值，其中Σ和主元贡献率sumavc的计算方法为：
Figure BDA0003714862440000053
Figure BDA0003714862440000054
其中，Ns为标准化后的数据矩阵；
S44、对于样本个数为n住院个数为k，置信度为a的T2和SPE统计量的统计限计算方法为：
Figure BDA0003714862440000061
Figure BDA0003714862440000062
Figure BDA0003714862440000063
Figure BDA0003714862440000064
Figure BDA0003714862440000065
Figure BDA0003714862440000066
其中，Fa为置信度对应的F分布函数，Ca为与(1-a)分位点对应的标准差。
进一步地，步骤S6具体为：将实时采集的数据集Nl进行中心化和标准化处理，得到Nls，计算其T2统计量和SPE统计量，计算方法为：
Figure BDA0003714862440000067
Figure BDA0003714862440000068
S＝diag(λ1,λ2,...,λk)
其中，O为步骤S4中GA-RBF算法训练得到的降维数据矩阵。
进一步地，步骤S7中，所述对比与分析，指将在线数据集的T2与SPE统计量与所述统计限对比，若某一参数的统计量连续超越其对应的统计限，则判断该参数对应的环网柜内部装置出现故障。
本发明包括利用遗传算法(GA)优化后的径向基函数(RBF)，将已有历史数据集进行训练，构成GA-RBF环网柜故障检测模型并得到T2和SPE两种统计量的统计限；通过各类传感器采集环网柜内各项参数，若采集的某一项参数对应的统计量超过两个统计量的统计限中的一个且连续不断，则判定为发生故障；根据超限的参数快速对环网柜内设备进行检测排查，达到实时监测，降低故障影响的目的。本发明适用于像电力系统绝缘环网柜这样对故障实时监测有一定要求的应用场合。
环网柜故障检测的单变量模型与本专利采用的多变量信息融合模型的故障检测流程对比如图5所示，相比于单变量模型，多变量信息融合模型具有一定的模型训练能力，因而其灵活性大大增加，降低了建立模型的复杂度和时间成本，在建立过程中对数学模型和经验数据的精准性要求较低。因为多变量信息融合模型具有多个参数信息融合的能力，考虑了各个变量耦合的因素，所以多变量信息融合模型具有对特征明显及不明显故障检测的能力和一定的故障预测效果。因此，本专利提出的多变量信息融合模型拥有较大的应用优势。
本专利提出的环网柜内故障检测多变量信息融合模型构成的故障检测系统如图6所示，由各种参数传感器组成的子系统分别检测环网柜内部各项参数，并将采集到的信息集中到采集通信子系统，并通过监测系统平台中集成的基于GA-RBF算法的多变量信息融合模型进行数据收集、存储、计算以及故障判断。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (8)

1.一种电力系统绝缘环网柜故障检测判断方法，其特征在于，包括：
S1、通过已有的历史数据集Nh，将环网柜内部参数进行分类，分析常见的环网柜内部故障和导致故障发生的原因，定位故障发生的位置；
S2、对历史数据集进行预处理，包括去除异常数据和对数据进行归一化等操作；
S3、通过遗传算法对RBF神经网络的参数进行优化，构成GA-RBF算法，运用优化后的神经网络算法，结合预处理后的数据集，构成环网柜多变量信息融合模型；
S4、利用历史数据对上述数据集进行训练，得到降维矩阵O，并得到各个参数对应的平方预测误差(SPE)和T2两种统计量的统计限；
S5、通过环网柜内部的传感器和参数采集元件采集环网柜内实时运行的各个参数，构成在线数据集Nl，并将在线数据集中的各项参数数据进行预处理；
S6、计算获取的在线数据集中的各项参数的T2和SPE统计量；
S7、将得到的T2和SPE统计量与上述得到的T2和SPE统计限进行实时对比，根据各项参数的统计量比较结果分析系统故障状态；
S8、根据比较结果寻找异常参数，定位发生故障位置。
2.根据权利要求1所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S1中，所述环网柜内部各项参数，指环网柜内部温度，湿度，电路电流，气体浓度，局部放电产生气体等各项参数。
3.根据权利要求2所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S2中，所述数据预处理包含数据清理，数据集成，数据归约，数据变换等步骤。
4.根据权利要求3所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S3中，所述神经网络参数优化，指利用遗传算法优化RBF神经网络的结构参数MN和DF值，达到能量函数最小的效果。
5.根据权利要求4所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S3中，所述多变量信息融合模型，指基于环网柜内部各项参数综合组成的统计量预测模型。
6.根据权利要求1-5任一所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S4包括：
S41、将所述温度，湿度，电路电流，气体浓度，局部放电产生气体的T2和SPE统计量作为所述GA-RBF算法的自变量，将目标一维数据矩阵O作为所述GA-RBF算法的因变量进行训练；
S42、在所述GA-RBF算法训练完毕之后，输入所述各项参数的统计量，得到所述GA-RBF算法回归得到的各项参数对应的统计限，即得到所述多变量信息融合模型；
S43、求出S2中计算的标准化矩阵的协方差矩阵∑，对Σ进行特征分解，得到特征值λ1,λ2,…,λm及其对应的特征向量p1,p2,…,pm，当前k个主元的累计方差贡献率达到85％，则主元数取k值，其中Σ和主元贡献率sumavc的计算方法为：
Figure FDA0003714862430000021
Figure FDA0003714862430000022
其中，Ns为标准化后的数据矩阵；
S44、对于样本个数为n住院个数为k，置信度为a的T2和SPE统计量的统计限计算方法为：
Figure FDA0003714862430000023
Figure FDA0003714862430000024
Figure FDA0003714862430000025
Figure FDA0003714862430000026
Figure FDA0003714862430000027
Figure FDA0003714862430000028
其中，Fa为置信度对应的F分布函数，Ca为与(1-a)分位点对应的标准差。
7.根据权利要求1所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S6具体为：将实时采集的数据集Nl进行中心化和标准化处理，得到Nls，计算其T2统计量和SPE统计量，计算方法为：
Figure FDA0003714862430000029
Figure FDA00037148624300000210
S＝diag(λ1,λ2,...,λk)
其中，O为步骤S4中GA-RBF算法训练得到的降维数据矩阵。
8.根据权利要求1所述的一种电力系统绝缘环网柜故障检测判断方法，其特征在于，步骤S7中，所述对比与分析，指将在线数据集的T2与SPE统计量与所述统计限对比，若某一参数的统计量连续超越其对应的统计限，则判断该参数对应的环网柜内部装置出现故障。
CN202210733741.5A 2022-06-27 2022-06-27 一种电力系统绝缘环网柜故障检测方法 Pending CN115112978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210733741.5A CN115112978A (zh) 2022-06-27 2022-06-27 一种电力系统绝缘环网柜故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210733741.5A CN115112978A (zh) 2022-06-27 2022-06-27 一种电力系统绝缘环网柜故障检测方法

Publications (1)

Publication Number Publication Date
CN115112978A true CN115112978A (zh) 2022-09-27

Family

ID=83331319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210733741.5A Pending CN115112978A (zh) 2022-06-27 2022-06-27 一种电力系统绝缘环网柜故障检测方法

Country Status (1)

Country Link
CN (1) CN115112978A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116545123A (zh) * 2023-07-06 2023-08-04 七星电气股份有限公司 一种用于环网柜的综合型监测系统
CN117491850A (zh) * 2024-01-03 2024-02-02 江苏上达半导体有限公司 一种基于人工智能的电路故障监测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116545123A (zh) * 2023-07-06 2023-08-04 七星电气股份有限公司 一种用于环网柜的综合型监测系统
CN116545123B (zh) * 2023-07-06 2023-10-24 七星电气股份有限公司 一种用于环网柜的综合型监测系统
CN117491850A (zh) * 2024-01-03 2024-02-02 江苏上达半导体有限公司 一种基于人工智能的电路故障监测方法及系统
CN117491850B (zh) * 2024-01-03 2024-03-26 江苏上达半导体有限公司 一种基于人工智能的电路故障监测方法及系统

Similar Documents

Publication Publication Date Title
CN115112978A (zh) 一种电力系统绝缘环网柜故障检测方法
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
CN107843718A (zh) 一种变压器绝缘油老化状态评估的方法
CN108051709A (zh) 基于人工智能技术的变压器状态在线评估分析方法
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN112884089A (zh) 一种基于数据挖掘的电力变压器故障预警系统
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN116629458B (zh) 一种基于数据分析的储能设备运行优化方法及系统
CN111797533B (zh) 一种核动力装置运行参数异常检测方法及系统
CN109597396A (zh) 一种基于大数据流及迁移学习的配变故障在线诊断方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN117689214A (zh) 一种柔性直流牵引供电系统能量路由器动态安全评估方法
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN110412417B (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
CN117347796B (zh) 一种基于智能网关的开关设备局部放电诊断系统及方法
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
CN208488118U (zh) 一种变压器智能集成故障诊断系统
CN113642240A (zh) 基于数据-机理联合驱动的配电网可靠性评估方法及系统
Chen et al. A data mining method for extracting key factors of distribution network reliability
Zheng et al. Fault diagnosis of transformer based on principal component analysis and self-organizing map neural network
CN117893955B (zh) 一种环网柜故障检测系统
CN115902485A (zh) 一种居民用电故障检测方法及系统
Zhang et al. Grid monitoring alarm event recognition method integrating expert rules and deep learning
CN115809941A (zh) 基于变电设备运行态势感知分析的个性化精准检修策略
CN117639267A (zh) 基于人工智能技术的电网调控系统稳态信息传输异常检测方法

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