CN115516592A - 确定电气设备中的液体密度 - Google Patents
确定电气设备中的液体密度 Download PDFInfo
- Publication number
- CN115516592A CN115516592A CN202180034088.7A CN202180034088A CN115516592A CN 115516592 A CN115516592 A CN 115516592A CN 202180034088 A CN202180034088 A CN 202180034088A CN 115516592 A CN115516592 A CN 115516592A
- Authority
- CN
- China
- Prior art keywords
- data
- digital model
- weather
- weather data
- values
- 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
Links
Images
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
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
- G01M3/3236—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers
- G01M3/3272—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers for verifying the internal pressure of closed containers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/02—Details
- H01H33/53—Cases; Reservoirs, tanks, piping or valves, for arc-extinguishing fluid; Accessories therefor, e.g. safety arrangements, pressure relief devices
- H01H33/56—Gas reservoirs
- H01H33/563—Gas reservoirs comprising means for monitoring the density of the insulating gas
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
- H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
- H02B13/035—Gas-insulated switchgear
- H02B13/065—Means for detecting or reacting to mechanical or electrical defects
- H02B13/0655—Means for detecting or reacting to mechanical or electrical defects through monitoring changes of gas properties
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种用于确定经封装的电气设备(1)中的流体的流体密度的方法。在该方法中,利用传感器单元(3)采集测量数据(5),从该测量数据中导出流体密度的测量值(9),并且收集关于电气设备(1)的环境中的天气条件的天气数据(13)。通过机器学习,针对天气条件对测量值(9)与正确流体密度的测量偏差的影响产生数字模型(15)。利用数字模型(15),依据天气数据(13)计算用于测量值(9)的校正值(17),并且利用校正值(17)校正测量值(9)。
Description
技术领域
本发明涉及一种用于确定经封装的电气设备中的流体的流体密度的方法。
背景技术
许多电气设备至少部分地填充有流体(即气体或液体)作为绝缘介质,例如以便增加电气设备中的介电强度、熄灭电气设备中的电弧和/或冷却电气设备。例如,气体绝缘开关设备填充有诸如六氟化硫或空气之类的加压绝缘气体,并且变压器通常填充有变压器油。在此,电气设备中的流体的流体密度尤其对于电气设备的运行安全性而言通常是重要且关键的参量。例如,气体绝缘开关设备中的绝缘气体的介电强度决定性地取决于绝缘气体的气体密度。此外,由于绝缘气体对环境的有害影响,绝缘气体(例如六氟化硫)从气体绝缘开关设备中逸出可能导致对开关设备运行者的经济处罚。
因此,通常监测电气设备中的流体密度,以便探测流体从电气设备中的逸出,并且在必要时抵消流体密度的变化或者在流体密度发生关键变化时出于安全原因关断电气设备。在采集电气设备中的流体密度时,测量准确度受到波动的影响,该波动尤其可能是通过外部天气影响引起的。由此,对流体密度变化的识别尤其限制在短的时间段内。通常仅在较长的观察窗口(数周或数月)内采集和评估变化的天气条件对流体密度测量结果的影响,这使得能够计算长期趋势。
发明内容
本发明要解决的技术问题在于,改进对经封装的电气设备中的流体的流体密度的确定,尤其以便在短期内也可靠地探测流体密度的变化。
根据本发明,该技术问题通过具有权利要求1的特征的方法、具有权利要求14的特征的计算机程序和具有权利要求15的特征的电气设备来解决。
本发明的有利的设计方案是从属权利要求的主题。
在根据本发明的用于确定经封装的电气设备中的流体的流体密度的方法中,利用传感器单元采集测量数据,从该测量数据中导出流体密度的测量值,并且收集关于电气设备的环境中的天气条件的天气数据。通过机器学习,针对天气条件对测量值与正确流体密度的测量偏差的影响产生数字模型。利用该数字模型,依据天气数据计算用于测量值的校正值,并且利用该校正值校正测量值。
因此,根据本发明的方法使得能够校正流体密度的测量值,该校正考虑了电气设备的环境中的天气条件的影响。为此,通过机器学习训练数字模型,该数字模型对天气条件对测量值的测量偏差的影响进行建模。由此尤其还可以考虑天气条件对流体密度测量的短期影响,从而显著地改善流体密度测量的准确性,并且能够快速且可靠地探测流体密度的变化,该变化例如通过由于电气设备的不密封性引起的流体损失而导致。由此尤其提高了电气设备的运行安全性并且改善了电气设备的可维护性。
在根据本发明的方法的一种设计方案中,数字模型具有人工神经网络,该人工神经网络具有多层网联的人工神经元。人工神经网络优选地是循环人工神经网络和/或具有至少一个有记忆能力的单元。循环人工神经网络被理解为反馈的人工神经网络,其神经元在加深层中网联,一层中的神经元不仅连接到更深层的神经元而且连接到同一层或更高层的神经元。有记忆能力的单元被理解为具有所谓的长短期记忆(Long Short-Term Memory,LSTM)的单元、即是具有一种长效短时记忆的单元。这种单元也称为LSTM单元并且具有LSTM单元的人工神经网络也称为人工神经LSTM网络。具有多个层的人工神经网络具有极强的学习能力。LSTM技术确保这种人工神经网络的良好且稳定的正常运行,并且神经元的循环连接使得能够除了别的之外在经人工神经网络处理的数据中找到和评估序列信息。循环人工神经LSTM网络已经在多个领域中成功使用,例如用于手写识别、语音识别和将文本机器翻译成不同语言。根据本发明的方法使用这种人工神经网络的能力有利地用于依据天气数据分析和校正流体密度的测量值。
在根据本发明的方法的另一种设计方案中,将测量数据和/或测量值传输到数据云(Cloud)中和/或利用数据云中的数字模型计算校正值。通过将测量数据和/或测量值传输到数据云中,可以与位置和用户无关地提供和评估这些数据。利用数据云中的数字模型来计算校正值有利地使得能够使用可以由数据云提供的高计算能力。
在根据本发明的方法的另一种设计方案中,为了训练数字模型,从测量值和/或天气数据中生成测量值和/或天气数据的进一步的训练值。例如,通过天气数据相对于测量值在时间上的偏移、测量值和/或天气数据的缩放和/或在测量值的值范围中的偏移来生成训练值。此外,为了训练数字模型,可以例如通过将模拟的趋势走向中的值添加到测量值中来生成关于所模拟的流体损失的训练值。当最初没有足够合适的测量值和/或天气数据可用于训练数字模型时,根据本发明的方法的这些设计方案是尤其有利的。这些设计方案规定,通过所谓的数据增强(Data Augmentation)和/或根据所模拟的流体损失从(少量)可用的测量值和/或天气数据中产生合适的进一步的训练值。
在根据本发明的方法的另一种设计方案中,预先给定计算时间段、例如24小时时间段,并且利用数字模型计算用于测量值的校正值,该测量值是在计算时间段内采集的。由此,对天气条件对流体密度测量值的影响的考虑可以有利地保持最新并且可以与之前的计算时间段的结果进行比较,例如以便识别这些结果中的趋势。
在根据本发明的方法的另一种设计方案中,天气数据包括在电气设备的环境中的温度、风速、降水、空气湿度和/或气压。根据本发明的方法的该技术方案有利地考虑了主要影响流体密度测量的天气条件。
在根据本发明的方法的另一种设计方案中,特定于电气设备地产生数字模型。替换地,针对彼此不同的、彼此相似的电气设备产生数字模型。仅针对一个特定的电气设备产生数字模型使得能够考虑设备的特定属性。针对多个彼此相似的电气设备产生数字模型有利地使得该模型能够用于整类电气设备,从而与针对这些电气设备中的每个电气设备产生特定的数字模型相比,减少了针对这些电气设备的根据本发明的测量值校正的开发开销和开发成本。
在根据本发明的方法的另一种设计方案中,仅将测量值和天气数据作为输入参量馈送给数字模型。根据本发明的方法的该设计方案尤其适用于产生专门用于特定的电气设备的数字模型。替换地,将测量值、天气数据和从测量值和天气数据中生成的附加数据作为输入参量馈送给数字模型。根据本发明的方法的该替换设计方案尤其适用于为多个彼此相似的电气设备产生数字模型。在此,使用附加数据,以便考虑电气设备之间的差异。附加数据例如是测量值根据天气数据的导数,该导数例如描述了测量值依据在电气设备环境中的温度或气压的变化。
根据本发明的计算机程序包括指令,在通过控制单元或在数据云中实施该计算机程序时,该指令促使该控制单元或数据云实施根据本发明的方法的数字模型。
根据本发明的电气设备具有控制单元或与数据云的连接,在该控制单元上实施根据本发明的计算机程序,在该数据云中实施根据本发明的计算机程序。
附图说明
结合下面对结合附图更详细阐述的实施例的描述更清楚且更明晰地理解上面描述的本发明的特点、特征和优点以及其实现方式。
图1在此示出了根据本发明的用于确定经封装的电气设备1中的流体的流体密度的方法的实施例的结构图。
具体实施方式
在所示的实施例中,利用传感器单元3采集测量数据5并且利用处理单元7从测量数据5中导出流体密度的测量值9。此外,收集由天气数据源11提供的、关于电子设备1的环境中的天气条件的天气数据13。通过机器学习,针对天气条件对测量值9与正确流体密度的测量偏差的影响,产生数字模型15。利用该数字模型15,依据天气数据13计算用于测量值9的校正值17,并且利用校正值17校正测量值9。
电气设备1例如是气体绝缘开关设备,流体是气体绝缘开关设备中的加压绝缘气体。替换地,电气设备1例如是填充油的变压器,并且流体是变压器中的变压器油。本发明不限于电气设备的种类或类型。
传感器单元3被设计为采集测量数据5,从该测量数据中可以导出流体密度的测量值9。例如,传感器单元3具有传感器,该传感器被设计为采集流体的流体压力和流体的流体温度作为测量数据5。替换地,传感器单元3具有例如两个石英振荡器,其中,一个石英振荡器在受控制的参考环境中运行,而另一个石英振荡器在流体中运行,并且传感器单元3采集两个石英振荡器的共振频率作为测量数据5。本发明不限于传感器单元3的种类或类型。
处理单元7根据测量数据5确定流体密度的测量值9。如果测量数据5具有例如流体的流体压力和流体的流体温度,则处理单元7根据流体压力和流体温度计算流体密度的测量值9。如果测量数据5具有例如上述传感器单元3的两个石英晶体的共振频率,则处理单元7根据流体中的共振频率与参考环境中的共振频率的差来计算流体密度的测量值9。本发明不限于处理单元7的种类或类型。
天气数据源11例如是气象站,其采集天气数据13。替换地,天气数据源11是例如数据云中的天气数据库,其提供天气数据13。天气数据源11还可以包括气象站和这样的天气数据库。天气数据13包括例如在电气设备1的环境中的温度、风速、降水、空气湿度和/或气压。本发明不限于天气数据源11的种类或类型。
数字模型15具有人工神经元网络19,该人工神经元网络具有多层21、22、23网联的人工神经元25和有记忆能力的单元27(LSTM单元)。神经网络19被设计为循环神经LSTM网络。从神经元25到另一个神经元25或到有记忆能力的单元27的箭头象征着,神经元25的输出值作为输入值传递给另一个神经元25或有记忆能力的单元27。相应地,从有记忆能力的单元27到神经元25的箭头象征着,有记忆能力的单元27的输出值作为输入值传递给神经元25。在此仅示意性地以输入层21、中间层22、输出层23和有记忆能力的单元27示出了神经网络19。在实际的实施方案中,神经网络19具有比图中所示明显更多的中间层22、神经元25和有记忆能力的单元27。
可选地,除了测量值9和天气数据13之外将附加数据29作为输入参量馈送给数字模型15,该附加数据由处理单元7从测量值9和天气数据13中生成。附加数据29例如是测量值9根据天气数据13的导数,该导数例如描述了测量值9依据在电气设备1的环境中的温度或气压的变化。当数字模型15不仅专门针对特定的电气设备1产生而且针对彼此不同(但彼此相似)的电气设备1产生时,这种附加数据29然后尤其作为输入参量被馈送给数字模型15。
例如,将测量数据5和/或测量值9传输到数据云中和/或利用数据云中的数字模型15计算校正值17。
为了训练数字模型15,尤其当最初没有足够合适的测量值9和/或天气数据13可用于训练数字模型15时,可以通过所谓的数据增强从测量值9和/或天气数据13中生成测量值9和/或天气数据13的进一步的训练值。例如,通过天气数据13相对于测量值9在时间上的偏移、测量值9和/或天气数据13的缩放和/或在测量值9的值范围中的偏移来生成这种训练值。此外,为了训练数字模型15,可以生成关于所模拟的流体损失的训练值。
例如,利用数字模型分别计算用于测量值9的校正值17,该测量值是在预先给定的计算时间段、例如24小时的时间段内采集的。
虽然在细节上通过优选的实施例对本发明进行了更详细的阐述和描述,但是本发明却不限于所公开的示例并且本领域技术人员可以从中导出其它变型方案,而不脱离本发明的保护范围。
Claims (15)
1.一种用于确定经封装的电气设备(1)中的流体的流体密度的方法,其中,
-利用传感器单元(3)采集测量数据(5),从所述测量数据中导出所述流体密度的测量值(9),
-收集关于所述电气设备(1)的环境中的天气条件的天气数据(13),
-通过机器学习,针对所述天气条件对测量值(9)与正确流体密度的测量偏差的影响产生数字模型(15),
-利用所述数字模型(15),依据所述天气数据(13)计算用于测量值(9)的校正值(17),并且
-利用所述校正值(17)校正测量值(9)。
2.根据权利要求1所述的方法,其中,所述数字模型(15)具有人工神经网络(19),所述人工神经网络具有多层(21,22,23)网联的人工神经元(25)。
3.根据权利要求2所述的方法,其中,所述人工神经网络(19)是循环人工神经网络(19)。
4.根据权利要求2或3所述的方法,其中,所述人工神经网络(19)具有至少一个有记忆能力的单元(27)。
5.根据上述权利要求中任一项所述的方法,其中,将所述测量数据(5)和/或所述测量值(9)传输到数据云中和/或利用数据云中的数字模型(15)计算所述校正值(17)。
6.根据上述权利要求中任一项所述的方法,其中,为了训练所述数字模型(15),从测量值(9)和/或天气数据(13)中生成测量值(9)和/或天气数据(13)的进一步的训练值。
7.根据权利要求6所述的方法,其中,通过所述天气数据(13)相对于所述测量值(9)在时间上的偏移、所述测量值(9)和/或所述天气数据(13)的缩放和/或在所述测量值(9)的值范围中的偏移来生成训练值。
8.根据上述权利要求中任一项所述的方法,其中,为了训练所述数字模型(15),生成关于所模拟的流体损失的训练值。
9.根据上述权利要求中任一项所述的方法,其中,预先给定计算时间段、例如24小时时间段,并且利用所述数字模型(15)计算用于测量值(9)的校正值(17),所述测量值是在所述计算时间段内采集的。
10.根据上述权利要求中任一项所述的方法,其中,所述天气数据(13)包括在所述电气设备(1)的环境中的温度、风速、降水、空气湿度和/或气压。
11.根据上述权利要求中任一项所述的方法,其中,所述数字模型(15)特定于电气设备(1)地产生或者针对彼此不同的电气设备(1)产生。
12.根据上述权利要求中任一项所述的方法,其中,仅将测量值(9)和天气数据(13)作为输入参量馈送给所述数字模型(15)。
13.根据权利要求1至11中任一项所述的方法,其中,将测量值(9)、天气数据(13)和附加数据(29)作为输入参量馈送给所述数字模型(15),所述附加数据从所述测量值(9)和所述天气数据(13)中生成。
14.一种计算机程序,所述计算机程序包括指令,在通过控制单元或在数据云中实施所述计算机程序时,所述指令促使所述控制单元或所述数据云实施根据上述权利要求中任一项所述的方法的数字模型(15)。
15.一种电气设备(1),所述电气设备具有控制单元或与数据云的连接,在所述控制单元上实施根据权利要求14所述的计算机程序,在所述数据云中实施根据权利要求14所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020204624.7A DE102020204624A1 (de) | 2020-04-09 | 2020-04-09 | Ermitteln einer Fluiddichte in einer elektrischen Vorrichtung |
DE102020204624.7 | 2020-04-09 | ||
PCT/EP2021/056132 WO2021204488A1 (de) | 2020-04-09 | 2021-03-11 | Ermitteln einer fluiddichte in einer elektrischen vorrichtung |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115516592A true CN115516592A (zh) | 2022-12-23 |
Family
ID=75277964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180034088.7A Pending CN115516592A (zh) | 2020-04-09 | 2021-03-11 | 确定电气设备中的液体密度 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230168144A1 (zh) |
EP (1) | EP4115437A1 (zh) |
CN (1) | CN115516592A (zh) |
DE (1) | DE102020204624A1 (zh) |
WO (1) | WO2021204488A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3135827A1 (de) | 1981-09-10 | 1983-03-24 | Brown, Boveri & Cie Ag, 6800 Mannheim | "vorrichtung zur ueberwachung und anzeige der gasdichte in einem gasgefuellten behaeltnis" |
DE3142746A1 (de) | 1981-10-28 | 1983-05-05 | Siemens AG, 1000 Berlin und 8000 München | Gasdichte-anzeiger |
DE3428322A1 (de) | 1984-08-01 | 1986-02-13 | Sachsenwerk, Licht- und Kraft-AG, 8000 München | Verfahren zum ueberwachen von isoliergas in hochspannungsschaltanlagen |
DE3828322A1 (de) | 1988-08-20 | 1990-02-22 | Felten & Guilleaume Energie | Anzeigevorrichtung fuer die isoliergasdichte in einer isoliergasgefuellten, gekapselten schaltanlage |
DE4218926A1 (de) | 1992-06-10 | 1993-12-16 | Asea Brown Boveri | Vorrichtung zur Messung einer Gasdichte |
DE69604842T2 (de) * | 1995-02-08 | 2000-05-04 | Gec Alsthom T & D Sa | Verfahren und Vorrichtung zur Bestimmung der Dichte eines Isoliergases in einer elektrischen Anlage |
FR2770294B1 (fr) * | 1997-10-23 | 1999-12-03 | Gec Alsthom T & D Sa | Procede pour determiner avec une grande precision un taux de fuite d'une enveloppe d'appareillage electrique |
FR2787571B1 (fr) | 1998-12-18 | 2001-01-12 | Alstom | Methode de mesure de la densite d'un gaz dielectrique dans une ligne blindee enterree |
DE102005007227A1 (de) * | 2005-02-15 | 2006-08-17 | Siemens Ag | Anordnung mit einem elektrischen Leiter zur Übertragung elektrischer Energie sowie Verfahren zur Ermittlung der Belastung eines elektrischen Leiters |
DE102007030699A1 (de) | 2007-06-30 | 2009-01-15 | Endress + Hauser Flowtec Ag | Meßsystem für ein in einer Prozeßleitung strömendes Medium |
-
2020
- 2020-04-09 DE DE102020204624.7A patent/DE102020204624A1/de not_active Withdrawn
-
2021
- 2021-03-11 EP EP21715145.5A patent/EP4115437A1/de active Pending
- 2021-03-11 WO PCT/EP2021/056132 patent/WO2021204488A1/de unknown
- 2021-03-11 CN CN202180034088.7A patent/CN115516592A/zh active Pending
- 2021-03-11 US US17/918,264 patent/US20230168144A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230168144A1 (en) | 2023-06-01 |
EP4115437A1 (de) | 2023-01-11 |
WO2021204488A1 (de) | 2021-10-14 |
DE102020204624A1 (de) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113447783B (zh) | 一种电压互感器绝缘故障辨识模型构建方法及装置 | |
CN104956557A (zh) | 确定绝缘气体的泄漏率 | |
CN202974976U (zh) | 一种sf6在线监测装置准确度检测系统 | |
CN105974273A (zh) | 配电网故障定位系统 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
Thakallapelli et al. | Measurement‐based wide‐area damping of inter‐area oscillations based on MIMO identification | |
CN102944645A (zh) | 一种sf6在线监测装置准确度检测系统及方法 | |
CN115327990A (zh) | 一种基于ai的电气设备状态监测预警模型及其方法 | |
CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
CN104617575A (zh) | 一种用于静态安全分析预想故障下潮流不可解评估方法 | |
Lu et al. | Fault diagnosis of power capacitors using a convolutional neural network combined with the chaotic synchronisation method and the empirical mode decomposition method | |
CN115516592A (zh) | 确定电气设备中的液体密度 | |
Bindi et al. | Neural network-based fault diagnosis of joints in high voltage electrical lines | |
CN117129791B (zh) | 一种配网侧电能质量监测装置 | |
KR20150118456A (ko) | 감시 장치의 부분방전 진단 방법 | |
CN116109017A (zh) | 一种短路电流零点快速精准预测方法及系统 | |
CN115792543A (zh) | Gis设备检测方法、系统及其应用 | |
US20230273269A1 (en) | Determining states of electrical equipment using variations in diagnostic parameter prediction error | |
CN105548882B (zh) | 基于线性凝聚度的发电机空载特性线性段辨识方法 | |
CN114996633A (zh) | 一种ai智能局部放电检测方法 | |
Zhu et al. | Analysis for Gas in Transformer Oil based on improved GM (1, N) Grey | |
CN112507286A (zh) | 基于状态的设备故障概率分析方法、装置及电子设备 | |
CN203405539U (zh) | 绝缘特征参量获取装置和绝缘在线监测系统 | |
Ding et al. | On-line transformer winding's fault monitoring and condition assessment | |
Xie et al. | Multi-Vibration Sensor Fusion of Flexible DC Converter Transformer Based on Adaptive Extended Kalman Filter |
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 |