CN116256402A - 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 - Google Patents
一种基于频域介电谱数据检测阀侧套管缺陷检测方法 Download PDFInfo
- Publication number
- CN116256402A CN116256402A CN202310133010.1A CN202310133010A CN116256402A CN 116256402 A CN116256402 A CN 116256402A CN 202310133010 A CN202310133010 A CN 202310133010A CN 116256402 A CN116256402 A CN 116256402A
- Authority
- CN
- China
- Prior art keywords
- data
- dielectric loss
- defect
- sleeve
- valve side
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000001453 impedance spectrum Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001566 impedance spectroscopy Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/24—Investigating the presence of flaws
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Electrochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于频域介电谱数据检测阀侧套管缺陷检测方法，用于判断特高压换流变压器阀侧套管内部是否存在缺陷以及存在缺陷的类型,包括介质损耗测量模块和数据分析处理模块。所述的介质损耗测量模块用于测量特高压换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线；所述的数据分析处理模块用于接收频域介电谱测量模块测量的数据，并对数据处理，最后将得到的数据与人工神经网络(ANNs)深度学习算法中的训练样本进行介质损耗因数对比，如符合缺陷数据特征之后，再通过介质损耗因数异常频率段的响应曲线与人工神经网络(ANNs)深度学习算法中的训练样本进行拟合度分析，判断出是何种缺陷，从而实现套管的缺陷判断检测。
Description
技术领域
本发明涉及套管缺陷检测技术领域，具体涉及一种基于频域介电谱数据检测阀侧套管缺陷检测方法。
背景技术
高压换流变压器是电力系统网络的重要组成部分，特高压直流输电换流站中，换流变压器阀侧套管作为高压直流输电换流变压器的核心组件，其性能稳定性直接关系到换流变压器以及交直流混合电网的安全运行。换流变压器阀侧套管内部易出现各类结构缺陷，其中内部裂纹缺陷会使套管内部电磁损耗增加，改变套管内部热场分布，影响套管热特性，随着运行时间的累积，套管可能出现过热的情况，导致危险情况发生和巨大的损失。所以需要一种基于频域介电谱数据检测阀侧套管缺陷的方法。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于频域介电谱数据检测阀侧套管缺陷的方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于频域介电谱数据检测阀侧套管缺陷检测方法，包括：如下步骤：
S1、构建检测装置，包括介质损耗测量模块和数据分析处理模块；
S2、利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线，得到套管的介质损耗；
S3、将所得到的套管的介质损耗输入数据分析处理模块进行数据对比，判断缺陷种类。
进一步的，所述S2中利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线的具体方式为：
S21、对测量数据进行滤波处理，过滤提取出频率高于10Hz的数据，得到平滑稳定的摄入量；
S22、利用方差计算对滤波后的数据进行特征量的提取和过滤。
进一步的，所述S21中滤波处理的计算方式为：
Y(n)＝αX(n)+(1-α)Y(n-1)
其中，α是滤波系数；X(n)为第n次采样值；Y(n-1)为n-1次滤波输出值；Y(n)是第n次滤波输出值。
进一步的，所述S22中方差计算的计算公式为：
Var(x)＝E{[X-E(X)]2}
其中，Var(x)是方差；X是随机变量；E(X)是期望值，E{[X-E(X)]}是X的分散程度。
进一步的，所述S3具体包括如下步骤：
S31、构建缺陷特征数据库，利用人工神经网络深度学习算法对缺陷特征数据库进行训练，得到训练样本；
S32、将步骤S2测量得到的套管的介质损耗数据与训练得到的训练样本进行介质损耗因素对比，若不符合缺陷数据特征则返回S2对下一个套管进行测量，若符合缺陷数据特征则进入步骤S33；
S33、通过介质损耗引述异常频率段的响应曲线与人工神经网络深度学习算法中的训练样本进行拟合度分析，判断缺陷种类。
进一步的，所述S33中采用回归模型进行拟合度分析，具体计算方式为：
y＝β0+β1x+ε1
其中，β0、β1是待估计参数；x是变量；ε1是相互独立且服从同一正态分布的随机变量。
进一步的，所述S31中训练样本的训练方式为：将具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络深度学习算法进行数据的归一化处理和特征值提取，使得其成为训练样本，具体包括：
S311、将标准化的实测的具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线输入BP神经网络；
S312、提取出频率高于设定阈值的数据，并取出其中一个样本进行正向输入；
S313、计算各层神经元的输入输出，并计算输出误差；
S314、根据所计算的输出误差得分析判断缺陷种类。
进一步的，所述S313中的误差具体计算方式为：
其中：outi是输出层；targeti是已知的正确结果，i是BP神经网络的层数。
本发明具有以下有益效果：
同时测量特高压换流变压器阀侧套管的介质损耗因数和频域介电谱，测量所得的数据会与仿真的数据作对比，能准确快速的判断特高压换流变压器阀侧套管内部时候存在缺陷。
附图说明
图1为一种基于频域介电谱数据检测阀侧套管缺陷的方法的流程图；
图2为一种基于频域介电谱数据检测阀侧套管缺陷的方法的装置图。
图3为本发明实施例利用BP网络训练样本的训练流程示意图。
其中：1-换流变压器阀侧套管；2-介损测量仪；3-频域介电谱测量仪；4-数据处理中心。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种基于频域介电谱数据检测阀侧套管缺陷检测方法，如图1所示，包括：如下步骤：
S1、构建检测装置，包括介质损耗测量模块和数据分析处理模块；
在本方案里，所述的介质损耗测量模块用于测量特高压换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线；所述的数据分析处理模块用于接收频域介电谱测量模块测量的数据，并对数据处理，最后将得到的数据与人工神经网络(ANNs)深度学习算法中的训练样本进行介质损耗因数对比，如符合缺陷数据特征之后，再通过介质损耗因数异常频率段的响应曲线与人工神经网络(ANNs)深度学习算法中的训练样本进行拟合度分析，判断出是何种缺陷，从而实现套管的缺陷判断检测，如图2所示。
S2、利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线，得到套管的介质损耗；
具体而言，先对测量数据进行滤波处理，使数据更加的平滑稳定。低通滤波的算法公式如下所示:
Y(n)＝αX(n)+(1-α)Y(n-1)
式中:α是滤波系数；X(n)是本次采样值；Y(n-1)是上次滤波输出值；Y(n)是本次滤波输出值。
再将滤波得到的数据进行特征量的提取和过滤，首先将数据进行方差计算，方差越大，证明该特征的区别度较大，适合选作分类，如果方差较小，则证明特征内部的差异较小，不适合进行分类。当方差为0时，此时的特征值相同，方差计算的公式如下所示：
Var(x)＝E{[X-E(X)]2}
其中，Var(x)是方差；X是随机变量；E(X)是期望值，E{[X-E(X)]}是X的分散程度
提取出特高压换流变压器阀侧套管内部的介质损耗有明显增加和其介质损耗随频率变化明显的响应曲线数据，将该数据与深度学习的训练样本进行诊断分析对比可以评估出该换流变压器阀侧套管的内部缺陷。
S3、将所得到的套管的介质损耗输入数据分析处理模块进行数据对比，判断缺陷种类。
在本实施例里，具体包括如下步骤：
S31、构建缺陷特征数据库，利用人工神经网络深度学习算法对缺陷特征数据库进行训练，得到训练样本；
本实施例里，训练样本首先将具有显著缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络(ANNs)深度学习算法进行数据的归一化处理和特征值提取，使得其成为训练样本。
数据的归一化处理和特征值提取使用BP神经网络进行数据训练处理，如图3所示，具体包括如下方式：
将具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络深度学习算法进行数据的归一化处理和特征值提取，使得其成为训练样本，具体包括：
S311、将标准化的实测的具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线输入BP神经网络；
S312、提取出频率高于设定阈值的数据，并取出其中一个样本进行正向输入；
S313、计算各层神经元的输入输出，并计算输出误差，误差具体计算方式为：
其中：outi是输出层；targeti是已知的正确结果，i是BP神经网络的层数。
S314、根据所计算的输出误差得分析判断缺陷种类。
首先输入标准化的实测的具有显著缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据，使用的BP神经网络是一种多层前馈网络，通过误差的向后传播和对误差的不断修正来达到自适应网络参数的目的，实现输入值和输出值之间的理想映射。同时各层之间的神经元是完全相互联系的，每一层都由简单的神经元组成，并且神经元之间采用并行操作。最后在网络训练过程中，BP神经网络每层神经元的输出作为下一层神经元的输入，在这个过程中，连接权值起着控制传输性能改善、减弱或抑制的作用。每一层隐含层神经元的净输出值和输出层神经元的净输出值是由上一非输入层神经元的加权和表示。而且神经网络的输入、阙值、传递函数控制着每层每个神经元的激活状态。一般的BP神经网络都是三层，分别为
输入层：X＝(x1,x2,…,xi,…xn)T
隐含层：Z＝(z1,z2,…,zk,…zq)T
输出层：Y＝(y1,y2,…,yj,…ym)T
输入层和隐含层的权值矩阵：V＝(v1,v2,…,vk,…vq)T
隐含层和输出层的权值矩阵：W＝(w1,w2,…,wj,…wm)T
S32、将步骤S2测量得到的套管的介质损耗数据与训练得到的训练样本进行介质损耗因素对比，若不符合缺陷数据特征则返回S2对下一个套管进行测量，若符合缺陷数据特征则进入步骤S33；
S33、通过介质损耗引述异常频率段的响应曲线与人工神经网络深度学习算法中的训练样本进行拟合度分析，判断缺陷种类，具体计算方式为：
y＝β0+β1x+ε1
其中，β0、β1是待估计参数；x是变量；ε1是相互独立且服从同一正态分布的随机变量。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于频域介电谱数据检测阀侧套管缺陷检测方法，其特征在于，包括：如下步骤：
S1、构建检测装置，包括介质损耗测量模块和数据分析处理模块；
S2、利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线，得到套管的介质损耗；
S3、将所得到的套管的介质损耗输入数据分析处理模块进行数据对比，判断缺陷种类。
2.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S2中利用介质损耗测量模块测量特高压换流变压器阀侧套管的介质损耗参数和介质损耗随频率变化的响应曲线的具体方式为：
S21、对测量数据进行滤波处理，过滤提取出频率高于10Hz的数据，得到平滑稳定的摄入量；
S22、利用方差计算对滤波后的数据进行特征量的提取和过滤。
3.根据权利要求2所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S21中滤波处理的计算方式为：
Y(n)＝αX(n)+(1-α)Y(n-1)
其中，α是滤波系数；X(n)为第n次采样值；Y(n-1)为n-1次滤波输出值；Y(n)是第n次滤波输出值。
4.根据权利要求2所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S22中方差计算的计算公式为：
Var(x)＝E{[X-E(X)]2}
其中，Var(x)是方差；X是随机变量；E(X)是期望值，E{[X-E(X)]}是X的分散程度。
5.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S3具体包括如下步骤：
S31、构建缺陷特征数据库，利用人工神经网络深度学习算法对缺陷特征数据库进行训练，得到训练样本；
S32、将步骤S2测量得到的套管的介质损耗数据与训练得到的训练样本进行介质损耗因素对比，若不符合缺陷数据特征则返回S2对下一个套管进行测量，若符合缺陷数据特征则进入步骤S33；
S33、通过介质损耗引述异常频率段的响应曲线与人工神经网络深度学习算法中的训练样本进行拟合度分析，判断缺陷种类。
6.根据权利要求5所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S33中采用回归模型进行拟合度分析，具体计算方式为：
y＝β0+β1x+ε1
其中，β0、β1是待估计参数；x是变量；ε1是相互独立且服从同一正态分布的随机变量。
7.根据权利要求1所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S31中训练样本的训练方式为：将具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线数据用人工神经网络深度学习算法进行数据的归一化处理和特征值提取，使得其成为训练样本，具体包括：
S311、将标准化的实测的具有缺陷特征的换流变压器阀侧套管的介质损耗因数和介质损耗因数随频率变化的响应曲线输入BP神经网络；
S312、提取出频率高于设定阈值的数据，并取出其中一个样本进行正向输入；
S313、计算各层神经元的输入输出，并计算输出误差；
S314、根据所计算的输出误差得分析判断缺陷种类。
8.根据权利要求7所述的一种基于频域介电谱数据检测阀侧套管缺陷的方法，其特征在于，所述S313中的误差具体计算方式为：
其中：outi是输出层；targeti是已知的正确结果，i是BP神经网络的层数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133010.1A CN116256402A (zh) | 2023-02-17 | 2023-02-17 | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133010.1A CN116256402A (zh) | 2023-02-17 | 2023-02-17 | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116256402A true CN116256402A (zh) | 2023-06-13 |
Family
ID=86678892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310133010.1A Pending CN116256402A (zh) | 2023-02-17 | 2023-02-17 | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116256402A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
-
2023
- 2023-02-17 CN CN202310133010.1A patent/CN116256402A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
| CN117706943B (zh) * | 2024-02-06 | 2024-04-16 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN107977710B (zh) | 用电异常数据检测方法和装置 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
| CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN112685961A (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
| CN116256402A (zh) | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 | |
| CN114137417A (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
| CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
| CN114626769B (zh) | 一种电容式电压互感器运维方法及系统 | |
| CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
| CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
| CN111985091A (zh) | 一种含upfc的电力系统的快速安全校正方法 | |
| CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
| CN108446506A (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
| CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
| CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN113361586A (zh) | 一种基于神经网络的功率器件在线老化检测方法及系统 | |
| CN116451544B (zh) | 一种大功率高频变压器智能优化设计方法 | |
| CN117590048B (zh) | 一种换流变阀侧套管末屏分压器的电阻分压方法及系统 |
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 |