CN115684855A - 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 - Google Patents
基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 Download PDFInfo
- Publication number
- CN115684855A CN115684855A CN202211370643.6A CN202211370643A CN115684855A CN 115684855 A CN115684855 A CN 115684855A CN 202211370643 A CN202211370643 A CN 202211370643A CN 115684855 A CN115684855 A CN 115684855A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic wave
- wave signal
- discharge
- partial discharge
- power equipment
- 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
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明提供了一种基于孪生模型的电力设备内部绝缘缺陷放电量定量方法，其包括步骤：(1)构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值，以建立故障数据库；(2)采用故障数据库中的数据对构建的BP神经网络进行训练；(3)实际检测时，采用实体传感器采集实体电力设备的实测电磁波信号幅值，并将其输入经过训练的BP神经网络，该BP神经网络输出实际局部放电源的电磁波信号幅值；(4)基于实际局部放电源的电磁波信号幅值获得实际局部放电源的放电量。
Description
技术领域
本发明涉及一种局部放电检测方法及系统，尤其涉及一种电力设备的局部放电检测方法及系统。
背景技术
局部放电是由于电力设备绝缘介质中的某一区域发生局部击穿而产生的放电现象，将会使有机绝缘材料绝缘性能逐渐下降可见，局部放电检测的意义在于，尽早的识别环网柜设备内部绝缘缺陷的初期征兆，并采取及时的措施消除绝缘隐患。
当前广泛应用于电力设备局部放电定位的方法之一是特高频检测技术以及基于到达时间差的放电源定位方法。
然而，现有的检测方法仅能实现对电力设备内部放电源的定性检测与定位，而无法给出放电点的电磁波信号幅值及放电量。
基于此，期望获得一种电力设备内部绝缘缺陷放电量定量方法及系统，其能够对电力设备的内部绝缘缺陷放电量进行定量分析。
发明内容
本发明的目的之一在于提供一种电力设备内部绝缘缺陷放电量定量方法，其旨在通过电力设备的数字虚拟模型，模拟电力设备内部不同位置、不同放电量的放电源，并仿真若干个观测点处的电磁波信号，从而生成包含放电量与观测点电磁波信号幅值的数据库，并以此为输入训练反演神经网络，从而获取局部放电源的电磁波幅值及放电量大小。
为了实现上述目的，本发明提供了一种基于孪生模型的电力设备内部绝缘缺陷放电量定量方法，其包括步骤：
(1)构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值，以建立故障数据库，所述故障数据库中的每一条数据均包括：相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的若干个仿真观测点的电磁波幅值；
(2)采用所述故障数据库中的数据对构建的BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值；
(3)实际检测时，采用实体传感器采集实体电力设备的实测电磁波信号幅值，并将其输入经过训练的BP神经网络，该BP神经网络输出实际局部放电源的电磁波信号幅值；
(4)基于实际局部放电源的电磁波信号幅值获得实际局部放电源的放电量。
进一步地，在进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量方法的步骤(1)中，采用组合高斯函数f(t)拟合仿真局部放电源发出的电磁波信号：
式(1)中：ai为局部放电脉冲幅值；bi为波峰位置；ci反映脉冲的陡峭程度；N表示局部放电脉冲的数量，t表示时刻。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量方法的步骤(1)中，对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量方法的步骤(1)中，对获取的若干个仿真观测点处检测到的电磁波信号幅值进行归一化处理，将归一化后的电磁波信号幅值作为每一条数据包括的若干个仿真观测点的电磁波幅值。归一化处理的公式可以表示为：
式(2)中：upi和
分别表示故障样本Upp的第i个分量的原始值和归一化结果，umax,p和umin,p分别表示该样本中信号参量的最大值和最小值，故障样本Upp为p个仿真观测点处检测到的电磁波信号幅值，Upp＝(up1,up2,upi…,upp)。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量方法的步骤(4)中，基于公式Q＝U2/2获得实际局部放电源的放电量Q，其中U表示实际局部放电源的电磁波信号幅值。
本发明的另一目的在于提供一种基于孪生模型的电力设备内部绝缘缺陷放电量定量系统。
基于上述发明目的，本发明还提供了一种基于孪生模型的电力设备内部绝缘缺陷放电量定量系统，其包括：
仿真模块，其构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，其改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值；
故障数据库，其中的每一条数据均包括：在相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的在若干个仿真观测点的电磁波幅值；
BP神经网络模块，采用所述故障数据库中的数据BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值；
若干个特高频传感器，其采集实体电力设备的实测电磁波信号幅值；以及
放电量估算模块；
其中，将若干个特高频传感器采集的实测电磁波信号幅值输入经过训练的BP神经网络，其输出实际局部放电源的电磁波信号幅值；
所述放电量估算模块基于实际局部放电源的电磁波信号幅值，输出实际局部放电源的放电量。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量系统中，所述仿真模块采用组合高斯函数f(t)拟合仿真局部放电源发出的电磁波信号：
该式中：ai为局部放电脉冲幅值；bi为波峰位置；ci反映脉冲的陡峭程度；N表示局部放电脉冲的数量，t表示时刻。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量系统中，所述仿真模块对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量系统中，所述仿真模块还对获取的若干个仿真观测点处检测到的电磁波信号幅值进行归一化处理，并将其作为所述故障数据库中的每一条数据包括的若干个仿真观测点的电磁波幅值。归一化处理的公式可以表示为：
该式中：upi和
分别表示故障样本Upp的第i个分量的原始值和归一化结果，umax,p和umin,p分别表示该样本中信号参量的最大值和最小值，故障样本Upp为p个仿真观测点处检测到的电磁波信号幅值，Upp＝(up1,up2,upi…,upp)。
进一步地，在本发明所述的电力设备内部绝缘缺陷放电量定量系统中，所述放电量估算模块基于公式Q＝U2/2获得实际局部放电源的放电量Q，其中U表示实际局部放电源的电磁波信号幅值。
本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法具有如下优点以及有益效果：
本发明通过数字孪生模型将电力设备的运行状态映射到数字虚拟模型中，并结合神经网络智能算法实现了局部放电放电量的获取，为电力设备的故障诊断提供了新的技术手段。
本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量系统具有同样的有益效果。
附图说明
图1为本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法在一种实施方式下的步骤流程图。
图2为本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法在一种实施方式下的仿真局部放电源的设置示意图。
图3为本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法在一种实施方式下采用的BP神经网络结构示意图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法在一种实施方式下的步骤流程图。
如图1所示，在本实施方式中，本发明所述的基于孪生模型的电力设备内部绝缘缺陷放电量定量方法包括步骤：
100：按照实体电力设备的尺寸参数构建其三维数字模型，采用仿真软件，例如Comsol，对三维数字模型内部的局部放电进行模拟，改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值，以建立故障数据库，所述故障数据库中的每一条数据均包括：相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的若干个仿真观测点的电磁波幅值。
在一些具体的实施例中，可以通过给电偶极子施以正极性电流激励信号，模拟局部放电发生时电磁波信号的变化过程。
在一些实施方式中，采用组合高斯函数拟合电力设备内部由局部放电激发的电磁波特高频信号：
该式中：ai为局部放电脉冲幅值；bi为波峰位置；ci反映脉冲的陡峭程度；N表示局部放电脉冲的数量；t表示时刻。
在一些实施方式中，先对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
然后，改变仿真局部放电源的空间位置和放电量，以展开规模化仿真，获取相应观测点处的电磁波信号幅值，从而建立包含仿真局部放电源空间位置。放电量和观测点信息的故障数据库。
对于以GIS设备为例的实施例来说，在其三维数字模型外围的不同位置布置了p个仿真特高频传感器作为p个仿真观测点，以获取不同位置的电磁波信号。
然后按照如下规则均匀选取仿真局部放电源的空间位置：依据盆式绝缘子的位置和设备结构将待检测区域划分为6个分区；每个分区沿柱状腔体轴向均匀选取10个切面；各切面沿过圆心的直线每45°选取一条半径，每条半径分别选取距圆心78mm，145.6mm，208mm的点作为仿真局部放电源的位置。各仿真局部放电源的位置如图2所示。
基于这些仿真局部放电源的位置，各点的局部放电源脉冲从脉冲波形组中随机匹配，以模拟不同空间位置发生不同严重程度局部放电故障的情况。以p个仿真观测点采集到的电磁波信号幅值作为信号指标值。
在一些优选的实施方式中，为了避免局部放电严重程度对电压绝对数值的影响，采用归一化方法对故障样本Upp＝(up1,up2,upi…,upp)进行数据预处理：
该式中：upi和
分别表示故障样本Upp的第i个分量的原始值和归一化结果，umax,p和umin,p分别表示该故障样本中信号参量的最大值和最小值。
将不同空间位置处、不同放电量的仿真局部放电源的电磁波信号幅值及其在p个仿真观测点获得的归一化电磁波幅值组成一条故障数据，以此构成故障数据库。
200：采用故障数据库中的数据对构建的BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值。也就是说，采用BP神经网络建立仿真局部放电源电磁波信号幅值与观测点信号参量的映射关系。
本发明中的BP神经网络如图3所示的，其采用三层结构：输入层、隐含层和输出层，其中输入层是p个仿真观测点的电磁波信号幅值，输出层只有一个节点，即仿真局部放电源的电磁波信号幅值。
300：实际检测时，采用特高频传感器采集实体电力设备的实测电磁波信号幅值，并将其输入经过训练的BP神经网络，基于BP神经网络输出的实际局部放电源的电磁波信号幅值U计算获得实际局部放电源的放电量Q：
Q＝U2/2
在本发明的另一个实施方式中，还提供了一种基于孪生模型的电力设备内部绝缘缺陷放电量定量系统，其包括：
仿真模块，其构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，其改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值；
故障数据库，其中的每一条数据均包括：在相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的在若干个仿真观测点的电磁波幅值；
BP神经网络模块，采用所述故障数据库中的数据BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值；
若干个特高频传感器，其采集实体电力设备的实测电磁波信号幅值；以及
放电量估算模块；
其中，将若干个特高频传感器采集的实测电磁波信号幅值输入经过训练的BP神经网络，其输出实际局部放电源的电磁波信号幅值；
所述放电量估算模块基于实际局部放电源的电磁波信号幅值，输出实际局部放电源的放电量。
在进一步具体的实施方式中，仿真模块采用组合高斯函数f(t)拟合仿真局部放电源发出的电磁波信号：
该式中：ai为局部放电脉冲幅值；bi为波峰位置；ci反映脉冲的陡峭程度；N表示局部放电脉冲的数量，t表示时刻。
在进一步具体的实施方式中，仿真模块对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
在进一步具体的实施方式中，仿真模块还对获取的若干个仿真观测点处检测到的电磁波信号幅值进行归一化处理，并将其作为所述故障数据库中的每一条数据包括的若干个仿真观测点的电磁波幅值。归一化处理的公式可以表示为：
该式中：upi和
分别表示故障样本Upp的第i个分量的原始值和归一化结果，umax,p和umin,p分别表示该样本中信号参量的最大值和最小值，故障样本Upp为p个仿真观测点处检测到的电磁波信号幅值，Upp＝(up1,up2,upi…,upp)。
在进一步具体的实施方式中，放电量估算模块基于公式Q＝U2/2获得实际局部放电源的放电量Q，其中U表示实际局部放电源的电磁波信号幅值。
为了验证本发明的实施效果，将故障数据库的1440个初始样本数据平均分为5份，依次将其中的4份作为训练集，剩余1份作为测试集。将训练集输入BP网络训练网络参数，以拟合观测点指标值与放电源信号幅值的非线性关系。随后，使用测试集作为实际局部放电的模拟数据输入BP神经网络，基于BP神经网络输出的局部放电电磁波信号幅值估算放电量，再与测试集中的放电源处放电量进行对比验证，对比结果如表1所示。
表1
| 次数 | 放电量标定平均相对误差/％ |
| 1 | 18.06 |
| 2 | 8.51 |
| 3 | 11.08 |
| 4 | 12.21 |
| 5 | 9.55 |
| 平均 | 11.88 |
从表1可以看出，局部放电放电量估计的平均误差为11.88％，且误差波动较小，说明采用本发明所述的方法对局部放电放电量进行定量的效果稳定。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。
Claims (10)
1.一种基于孪生模型的电力设备内部绝缘缺陷放电量定量方法，其特征在于，包括步骤：
(1)构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值，以建立故障数据库，所述故障数据库中的每一条数据均包括：相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的若干个仿真观测点的电磁波幅值；
(2)采用所述故障数据库中的数据对构建的BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值；
(3)实际检测时，采用实体传感器采集实体电力设备的实测电磁波信号幅值，并将其输入经过训练的BP神经网络，该BP神经网络输出实际局部放电源的电磁波信号幅值；
(4)基于实际局部放电源的电磁波信号幅值获得实际局部放电源的放电量。
2.如权利要求1所述的电力设备内部绝缘缺陷放电量定量方法，其特征在于，在步骤(1)中，采用组合高斯函数拟合仿真局部放电源发出的电磁波信号。
3.如权利要求1所述的电力设备内部绝缘缺陷放电量定量方法，其特征在于，在步骤(1)中，对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
4.如权利要求1所述的电力设备内部绝缘缺陷放电量定量方法，其特征在于，在步骤(1)中，对获取的若干个仿真观测点处检测到的电磁波信号幅值进行归一化处理，将归一化后的电磁波信号幅值作为每一条数据包括的若干个仿真观测点的电磁波幅值。
5.如权利要求1所述的电力设备内部绝缘缺陷放电量定量方法，其特征在于，在步骤(4)中，基于公式Q＝U2/2获得实际局部放电源的放电量Q，其中U表示实际局部放电源的电磁波信号幅值。
6.一种基于孪生模型的电力设备内部绝缘缺陷放电量定量系统，其特征在于，包括：
仿真模块，其构建实体电力设备的三维数字模型，并采用仿真软件对三维数字模型内部的局部放电进行模拟，其改变仿真局部放电源的空间位置和放电量，并获取与局部放电源的空间位置和放电量对应的若干个仿真观测点处检测到的电磁波信号幅值；
故障数据库，其中的每一条数据均包括：在相应空间位置处、相应放电量下的仿真局部放电源的电磁波信号幅值以及对应的在若干个仿真观测点的电磁波幅值；
BP神经网络模块，采用所述故障数据库中的数据BP神经网络进行训练，以使BP神经网络基于输入的仿真观测点检测到的电磁波幅值，输出仿真局部放电源的电磁波信号幅值；
若干个特高频传感器，其采集实体电力设备的实测电磁波信号幅值；以及
放电量估算模块；
其中，将若干个特高频传感器采集的实测电磁波信号幅值输入经过训练的BP神经网络，其输出实际局部放电源的电磁波信号幅值；
所述放电量估算模块基于实际局部放电源的电磁波信号幅值，输出实际局部放电源的放电量。
7.如权利要求6所述的电力设备内部绝缘缺陷放电量定量系统，其特征在于，所述仿真模块采用组合高斯函数拟合仿真局部放电源发出的电磁波信号。
8.如权利要求6所述的电力设备内部绝缘缺陷放电量定量系统，其特征在于，所述仿真模块对三维数字模型正常运行工况下的内部电磁分布进行仿真，并将其结果作为背景噪声。
9.如权利要求6所述的电力设备内部绝缘缺陷放电量定量系统，其特征在于，所述仿真模块还对获取的若干个仿真观测点处检测到的电磁波信号幅值进行归一化处理，并将其作为所述故障数据库中的每一条数据包括的若干个仿真观测点的电磁波幅值。
10.如权利要求6所述的电力设备内部绝缘缺陷放电量定量系统，其特征在于，所述放电量估算模块基于公式Q＝U2/2获得实际局部放电源的放电量Q，其中U表示实际局部放电源的电磁波信号幅值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211370643.6A CN115684855A (zh) | 2022-11-03 | 2022-11-03 | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211370643.6A CN115684855A (zh) | 2022-11-03 | 2022-11-03 | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115684855A true CN115684855A (zh) | 2023-02-03 |
Family
ID=85047177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211370643.6A Pending CN115684855A (zh) | 2022-11-03 | 2022-11-03 | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115684855A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993511A (zh) * | 2023-03-22 | 2023-04-21 | 武汉纺织大学 | 一种局部放电类型高精度检测识别装置、方法和设备 |
-
2022
- 2022-11-03 CN CN202211370643.6A patent/CN115684855A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993511A (zh) * | 2023-03-22 | 2023-04-21 | 武汉纺织大学 | 一种局部放电类型高精度检测识别装置、方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| WO2021055631A1 (en) | Simulation correction using measurements and deep learning | |
| CN115684855A (zh) | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| CN105005294A (zh) | 基于不确定性分析的实时传感器故障诊断方法 | |
| CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
| JP2023184389A (ja) | ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法及び装置 | |
| Stepančič et al. | Fault detection of fuel cell systems based on statistical assessment of impedance data | |
| CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
| Murovec et al. | Automated identification and assessment of environmental noise sources | |
| CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
| CN108680832B (zh) | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 | |
| CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN117473097A (zh) | 电子产品调试工艺路线推荐方法、装置、设备及介质 | |
| CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
| CN117349693A (zh) | 基于pso-dbn的车轴疲劳裂纹声发射信号识别方法 | |
| CN115128410B (zh) | 一种基于tpa-lstm的直流电缆局部放电故障模式识别方法 | |
| CN116306258A (zh) | 一种电气设备在强电磁脉冲作用下的易损性评估方法及系统 | |
| CN115684854A (zh) | 基于孪生模型的电力设备内部局部放电定位方法及系统 | |
| CN110472801B (zh) | 直流输电线路电磁环境评估方法及系统 | |
| CN114897006A (zh) | 智能电表误差分类方法及系统、设备、存储介质 | |
| Kothoke et al. | Analysis and determination of partial discharge type using statistical techniques and back propagation method of artificial neural network for phase-resolved data | |
| Kinsht et al. | Discrete diagnostic model of many high-voltage equipment insulation defects | |
| CN114993883B (zh) | 一种描述磁共振成像信号扩展指数衰减的方法及其应用 |
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 |