CN116359683B - 一种基于信息交互的局部放电模式识别方法及系统 - Google Patents
一种基于信息交互的局部放电模式识别方法及系统 Download PDFInfo
- Publication number
- CN116359683B CN116359683B CN202310180199.XA CN202310180199A CN116359683B CN 116359683 B CN116359683 B CN 116359683B CN 202310180199 A CN202310180199 A CN 202310180199A CN 116359683 B CN116359683 B CN 116359683B
- Authority
- CN
- China
- Prior art keywords
- identification
- partial discharge
- recognition
- historical
- units
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000012567 pattern recognition method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009413 insulation Methods 0.000 abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 229910018503 SF6 Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
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
- 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
- G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请涉及GIS故障诊断技术领域，提供了一种基于信息交互的局部放电模式识别方法及系统，该方法包括：获得预设时间范围内的电磁信号数据集合；对电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；构建局部放电识别模型，局部放电识别模型包括多个第一识别单元和多个第二识别单元；对多个第一识别单元和多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的局部放电识别模型；获得多个第一识别结果和多个第二识别结果；获得最终局部放电类型识别结果。采用本方法能够解决现有技术中基于人工智能的GIS绝缘故障类型检测的数据较为单一，以及GIS绝缘故障类型检测准确率低的技术问题。
Description
技术领域
本申请涉及GIS故障诊断技术领域，具体涉及一种基于信息交互的局部放电模式识别方法及系统。
背景技术
封闭式气体绝缘开关装置(GIS)是一种采用六氟化硫气体作为绝缘介质，并将所有的高压电器元件密封在接地金属筒中的封闭金属开关设备，广泛应用于高压变电场所。受目前生产制造水平、运输手段和安装技术制约，以及运行环境中的不可控因素的影响。GIS设备的局部放电(PD)现象时有发生，由于GIS中的PD现象发生在设备内部，造成绝缘故障的原因难以识别。
随着GIS绝缘故障类型检测技术的不断发展，检测方法更新较快，常规检测方法主要包括超声波类、化学材料类、光学仪器类、脉冲电流和特高频等。目前已有采用人工智能进行GIS绝缘故障类型检测的相关技术，但是由于检测的数据维度较为单一，导致GIS绝缘故障类型检测准确率较低。
综上所述，现有技术中存在基于人工智能的GIS绝缘故障类型检测的数据较为单一，以及GIS绝缘故障类型检测准确率低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于信息交互的局部放电模式识别方法及系统。
一种基于信息交互的局部放电模式识别方法，所述方法应用于一种基于信息交互的局部放电模式识别系统，所述系统包括特高频传感器、数据处理模块，所述特高频传感器和数据处理模块通信连接，所述方法包括：在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果。
在一个实施例中，还包括：对所述电磁信号数据集合内的电磁信号进行取最大值、均值计算和方差计算，获得信号峰值、信号均值和信号方差；根据所述电磁信号数据集合，提取获得局部放电波动范围和放电次数信息；基于所述信号峰值、信号均值和信号方差，生成所述第一特征数据集，基于所述局部放电波动范围和放电次数信息，生成所述第二特征数据集。
在一个实施例中，还包括：基于BP神经网络，构建多个所述第一识别单元，其中，多个所述第一识别单元的输入数据为第一特征数据集，输出数据为局部放电类型识别结果；基于BP神经网络，构建多个所述第二识别单元，其中，多个所述第二识别单元的输入数据为第二特征数据集，输出数据为局部放电类型识别结果。
在一个实施例中，还包括：基于历史时间内的GIS开关装置局部放电识别历史数据，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果；基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第一识别单元；基于多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，对多个所述第二识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第二识别单元；基于多个所述第一识别单元和多个所述第二识别单元，获得所述局部放电识别模型。
在一个实施例中，还包括：对于其中一个第一识别单元，随机生成多个单元参数集合；随机选择获取多个所述单元参数集合内的第一单元参数集合，并作为临时最优解；采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第一单元参数集合进行测试，获得第一寻优得分；再次随机选择获取多个所述单元参数集合内的第二单元参数集合，采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第二单元参数集合进行测试，获得第二寻优得分；判断所述第二寻优得分是否大于第一寻优得分，若是，则将所述第二单元参数集合作为临时最优解，若否，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小；继续进行迭代寻优，直到达到预设迭代寻优次数，将最终的临时最优解输出，获得最优单元参数集合；采用所述最优单元次数集合对所述其中一个第一识别单元的单元参数进行更新设置；继续对其他多个第一识别单元的单元参数进行寻优，获得准确率符合所述预设要求的多个第一识别单元。
在一个实施例中，还包括：采用所述第一单元参数集合对所述其中一个第一识别单元的单元参数进行更新；采用所述多个历史第一特征数据集和所述多个历史局部放电类型识别结果作为测试数据，对更新后的所述其中一个第一识别单元进行测试，获得第一准确率；将所述第一准确率作为所述第一寻优得分。
在一个实施例中，还包括：获取多个所述第一识别结果和多个所述第二识别结果中出现频率最高的前两个放电类型识别结果；判断所述前两个放电类型识别结果的出现频率是否相同，若是，则将所述两个放电类型识别结果输出，若否，则将出现频率最高的放电类型识别结果输出。
一种基于信息交互的局部放电模式识别系统，所述系统包括特高频传感器、数据处理模块，所述特高频传感器和数据处理模块通信连接，所述系统包括：
电磁信号数据集获得模块，所述电磁信号数据集获得模块用于在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；
电磁信号数据处理模块，所述电磁信号处理模块用于将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；
局部放电识别模型构建模块，所述局部放电识别模型构建模块用于在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；
局部放电识别模型获得模块，所述局部放电识别模型获得模块用于基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；
识别结果获得模块，所述识别结果获得模块用于分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；
最终识别结果获得模块，所述最终识别结果获得模块用于获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果。
上述一种基于信息交互的局部放电模式识别方法及系统，能够解决基于人工智能的GIS绝缘故障类型检测的数据较为单一，以及GIS绝缘故障类型检测准确率低的技术问题。通过对电磁信号数据集进行数据计算和数据处理，获得第一特征数据集和第二特征数据集。通过构建多个第一识别单元和多个第二识别单元分别对所述第一特征数据集和所述第二特征数据集进行识别，获得多个第一识别结果和多个第二识别结果。最终将多个所述第一识别结果和多个所述第二识别结果中出现频率最高的放电类型识别结果作为最终局部放电类型识别结果。可以提高GIS内局部放电类型识别的准确率，进一步提高了GIS绝缘故障类型检测的准确率，从而提高了整个区域电网的稳定运行能力。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种基于信息交互的局部放电模式识别方法的流程示意图；
图2为本申请提供了一种基于信息交互的局部放电模式识别方法中获得局部放电识别模型的流程示意图；
图3为本申请提供了一种基于信息交互的局部放电模式识别方法中对多个第一识别单元的单元参数进行寻优的流程示意图；
图4为本申请提供了一种基于信息交互的局部放电模式识别系统的结构示意图。
附图标记说明：电磁信号数据集获得模块1、电磁信号数据处理模块2、局部放电识别模型构建模块3、局部放电识别模型获得模块4、识别结果获得模块5、最终识别结果获得模块6。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于信息交互的局部放电模式识别方法，所述方法应用于一种基于信息交互的局部放电模式识别系统，所述系统包括特高频传感器、数据处理模块，所述特高频传感器和数据处理模块通信连接，所述方法包括：
步骤S100：在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；
步骤S200：将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；
在一个实施例中，本申请步骤S200还包括：
步骤S210：对所述电磁信号数据集合内的电磁信号进行取最大值、均值计算和方差计算，获得信号峰值、信号均值和信号方差；
步骤S220：根据所述电磁信号数据集合，提取获得局部放电波动范围和放电次数信息；
步骤S230：基于所述信号峰值、信号均值和信号方差，生成所述第一特征数据集，基于所述局部放电波动范围和放电次数信息，生成所述第二特征数据集。
具体而言，一种基于信息交互的局部放电模式识别系统包括特高频传感器和数据处理模块，所述特高频传感器用于对GIS局部放电时产生的特高频电磁波信号进行检测，具有内嵌式特高频传感器和外置式特高频传感器两种模式，具有良好的灵敏性和较强的抗干扰能力。所述数据处理模块用于对获得的电磁信号数据进行处理。所述特高频传感器通过信号传输模块将获得的电磁信号数据输入到所述数据处理模块。当GIS开关装置出现局部放电故障时，通过外置和内嵌式两个特高频传感器对所述GIS开关装置进行特高频电磁信号检测，预设时间范围，所述时间范围可根据实际故障情况自定义设置，获得预设时间范围内的电磁信号数据集合。将获得的所述电磁信号数据集合通过信号传输模块输入所述数据处理模块，通过数学计算的方式获得所述电磁信号数据集合内电磁信号的信号峰值、信号均值和信号方差，所述信号峰值、所述信号均值和所述信号方差为提取的特征参数。然后根据所述电磁信号数据集合获得电磁信号频段波动范围和局部放电次数信息。获得第一特征数据集和第二特征数据集，所述第一特征数据集包括所述信号峰值、所述信号均值和所述信号方差，所述第二特征数据集包括所述电磁信号频段波动范围和所述局部放电次数信息。通过获得所述第一特征数据集和所述第二特征数据集，为下一步进行局部放电类型识别提供了原始数据支持，同时基于两类特征数据进行识别分析，可以提高局部放电类型识别的准确率。
步骤S300：在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；
在一个实施例中，本申请步骤S300还包括：
步骤S310：基于BP神经网络，构建多个所述第一识别单元，其中，多个所述第一识别单元的输入数据为第一特征数据集，输出数据为局部放电类型识别结果；
步骤S320：基于BP神经网络，构建多个所述第二识别单元，其中，多个所述第二识别单元的输入数据为第二特征数据集，输出数据为局部放电类型识别结果。
具体而言，基于BP神经网络，构建多个所述第一识别单元，所述第一识别单元为机器学习中可以不断进行迭代优化的神经网络模型，通过训练数据集进行监督训练获得，将所述第一特征数据集作为输入数据输入所述第一识别单元，输出数据为局部放电类型识别结果。同样的方法基于BP神经网络构建多个所述第二识别单元，将所述第二特征数据集作为输入数据输入所述第二识别单元，输出数据为局部放电类型识别结果。构建局部放电类型识别模型，所述局部放电识别模型包括多个所述第一识别单元和多个所述第二识别单元。
步骤S400：基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；
如图2所示，在一个实施例中，本申请步骤S400还包括：
步骤S410：基于历史时间内的GIS开关装置局部放电识别历史数据，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果；
步骤S420：基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第一识别单元；
如图3所示，在一个实施例中，本申请步骤S420还包括：
步骤S421：对于其中一个第一识别单元，随机生成多个单元参数集合；
步骤S422：随机选择获取多个所述单元参数集合内的第一单元参数集合，并作为临时最优解；
步骤S423：采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第一单元参数集合进行测试，获得第一寻优得分；
在一个实施例中，本申请步骤S423还包括：
步骤S4231：采用所述第一单元参数集合对所述其中一个第一识别单元的单元参数进行更新；
步骤S4232：采用所述多个历史第一特征数据集和所述多个历史局部放电类型识别结果作为测试数据，对更新后的所述其中一个第一识别单元进行测试，获得第一准确率；
步骤S4233：将所述第一准确率作为所述第一寻优得分。
步骤S424：再次随机选择获取多个所述单元参数集合内的第二单元参数集合，采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第二单元参数集合进行测试，获得第二寻优得分；
步骤S425：判断所述第二寻优得分是否大于第一寻优得分，若是，则将所述第二单元参数集合作为临时最优解，若否，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小；
步骤S426：继续进行迭代寻优，直到达到预设迭代寻优次数，将最终的临时最优解输出，获得最优单元参数集合；
步骤S427：采用所述最优单元次数集合对所述其中一个第一识别单元的单元参数进行更新设置；
步骤S428：继续对其他多个第一识别单元的单元参数进行寻优，获得准确率符合所述预设要求的多个第一识别单元。
具体而言，对历史时间内的GIS开关装置局部放电识别历史数据进行数据分类和筛选，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果，其中所述历史第一特征数据集和历史局部放电类型识别结果具有对应关系，所述历史第二特征数据集和历史局部放电类型识别结果具有对应关系，多个历史局部放电类型识别结果例如包括自由金属颗粒绝缘故障、绝缘内部气隙绝缘故障等类型。随机选择多个第一识别单元中的一个第一识别单元，生成多个单元参数集合，所述单元参数集合内的单元参数为基于BP神经网络构建的第一识别单元内中神经元连接的权值大小，本申请实施例通过寻优的方式替代监督训练，提升模型构建的效率。随机选择多个所述单元参数集合内的第一单元参数集合，并将所述第一单元参数集合作为临时最优解。采用该第一单元参数集合，对该其中一个第一识别单元的单元参数进行更新，将多个所述历史第一特征数据集输入所述第一单元参数集合进行测试，获得输出结果，并将所述输出结果与多个所述历史局部放电类型识别结果进行遍历比对，获得输出结果的准确率即所述第一准确率，并将所述第一准确率作为第一寻优得分。
然后再次随机选择获取多个所述单元参数集合内的第二单元参数集合，同时采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对基于所述第二单元参数集合更新的第一识别单元进行测试，方法与获得所述第一寻优得分相同，获得第二寻优得分。当所述第二寻优得分大于所述第一寻优得分时，将所述第二单元参数集合作为临时最优解，当所述第二寻优得分小于等于所述第一寻优得分时，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小。通过设置概率，能够帮助跳出局部最优，提升寻优效率，并在寻优后期提升寻优的准确性。继续进行迭代寻优，预设迭代寻优次数，当迭代寻优次数等于预设迭代寻优次数时，获得最终的临时最优解即最优单元参数集合，然后采用所述最优单元参数集合对所述其中一个第一识别单元的单元参数进行更新，继续对其他多个第一识别单元的单元参数进行寻优，预设目标准确率，所述目标准确率可自定义设置，获得准确率符合所述预设要求的多个第一识别单元。
步骤S430：基于多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，对多个所述第二识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第二识别单元；
步骤S440：基于多个所述第一识别单元和多个所述第二识别单元，获得所述局部放电识别模型。
具体而言，根据多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，采用与上述对多个所述第一识别单元的单元参数进行寻优同样的方法，对多个所述第二识别单元的单元参数进行随机生成并进行寻优，获得准确率满足所述预设要求的多个第二识别单元，并获得局部放电识别模型，所述局部放电识别模型由多个所述第一识别单元和多个所述第二识别单元组成。通过多个历史特征数据集和多个历史局部放电类型识别结果对多个所述识别单元的单元参数进行寻优，获得多个识别单元，可以不用通过神经网络模型中的监督训练获得目标范围内的最优输出结果，节约了模型训练时间，提高了获得局部放电识别模型的效率，同时也提高了局部放电类型识别的准确率。
步骤S500：分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；
步骤S600：获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果。
在一个实施例中，本申请步骤S600还包括：
步骤S610：获取多个所述第一识别结果和多个所述第二识别结果中出现频率最高的前两个放电类型识别结果；
步骤S620：判断所述前两个放电类型识别结果的出现频率是否相同，若是，则将所述两个放电类型识别结果输出，若否，则将出现频率最高的放电类型识别结果输出。
具体而言，将所述第一特征数据集输入所述局部放电识别模型中的多个第一识别单元，输出多个第一识别结果。将所述第二特征数据集输入所述局部放电识别模型中的多个第二识别单元，输出多个第二识别结果。获得多个所述第一识别结果和多个所述第二识别结果中出出现次数最多的前两个放电类型识别结果，然后判断所述放电类型识别结果出现次数是否相同，若相同，将输出两个放电类型识别结果作为最终局部放电类型识别结果，供技术人员进行参考。若不相同，将出现次数最多的放电类型识别结果输出作为最终局部放电类型识别结果，供技术人员进行参考。利用上述方法可以解决基于人工智能的GIS绝缘故障类型检测的数据较为单一，以及GIS绝缘故障类型检测准确率低的技术问题，提高GIS绝缘故障类型检测的准确率，从而提高了整个区域电网的稳定运行能力。
在一个实施例中，如图4所示，提供了一种基于信息交互的局部放电模式识别系统，所述系统包括特高频传感器、数据处理模块，所述特高频传感器和数据处理模块通信连接，所述系统包括：电磁信号数据集获得模块1、电磁信号数据处理模块2、局部放电识别模型构建模块3、局部放电识别模型获得模块4、识别结果获得模块5、最终识别结果获得模块6、其中：
电磁信号数据集获得模块1，所述电磁信号数据集获得模块1用于在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；
电磁信号数据处理模块2，所述电磁信号处理模块2用于将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；
局部放电识别模型构建模块3，所述局部放电识别模型构建模块3用于在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；
局部放电识别模型获得模块4，所述局部放电识别模型获得模块4用于基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；
识别结果获得模块5，所述识别结果获得模块5用于分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；
最终识别结果获得模块6，所述最终识别结果获得模块6用于获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果。
在一个实施例中，所述系统还包括：
电磁信号计算模块，所述电磁信号计算模块用于对所述电磁信号数据集合内的电磁信号进行取最大值、均值计算和方差计算，获得信号峰值、信号均值和信号方差；
信息提取模块，所述信息提取模块用于根据所述电磁信号数据集合，提取获得局部放电波动范围和放电次数信息；
特征数据集生成模块，所述特征数据集生成模块用于基于所述信号峰值、信号均值和信号方差，生成所述第一特征数据集，基于所述局部放电波动范围和放电次数信息，生成所述第二特征数据集。
在一个实施例中，所述系统还包括：
第一识别单元构建模块，所述第一识别单元构建模块用于基于BP神经网络，构建多个所述第一识别单元，其中，多个所述第一识别单元的输入数据为第一特征数据集，输出数据为局部放电类型识别结果；
第二识别单元构建模块，所述第二识别单元构建模块用于基于BP神经网络，构建多个所述第二识别单元，其中，多个所述第二识别单元的输入数据为第二特征数据集，输出数据为局部放电类型识别结果。
在一个实施例中，所述系统还包括：
历史数据获得模块，所述历史数据获得模块用于基于历史时间内的GIS开关装置局部放电识别历史数据，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果；
第一识别单元参数寻优模块，所述第一单元参数寻优模块用于基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第一识别单元；
第二识别单元参数寻优模块，所述第二识别单元参数寻优模块用于基于多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，对多个所述第二识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第二识别单元；
局部放电识别模型获得模块，所述局部放电识别模型获得模块用于基于多个所述第一识别单元和多个所述第二识别单元，获得所述局部放电识别模型。
在一个实施例中，所述系统还包括：
单元参数集合生成模块，所述单元参数集合生成模块用于对于其中一个第一识别单元，随机生成多个单元参数集合；
第一单元参数集合选择模块吗，所述第一单元参数集合选择模块用于随机选择获取多个所述单元参数集合内的第一单元参数集合，并作为临时最优解；
第一寻优得分获得模块，所述第一寻优得分获得模块用于采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第一单元参数集合进行测试，获得第一寻优得分；
第二寻优得分获得模块，所述第二寻优得分获得模块用于再次随机选择获取多个所述单元参数集合内的第二单元参数集合，采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第二单元参数集合进行测试，获得第二寻优得分；
临时最优解选择模块，所述临时最优解选择模块用于判断所述第二寻优得分是否大于第一寻优得分，若是，则将所述第二单元参数集合作为临时最优解，若否，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小；
最优单元参数集合获得模块，所述最优单元参数集合获得模块用于继续进行迭代寻优，直到达到预设迭代寻优次数，将最终的临时最优解输出，获得最优单元参数集合；
单元参数更新设置模块，所述单元参数更新设置模块用于采用所述最优单元次数集合对所述其中一个第一识别单元的单元参数进行更新设置；
多个第一识别单元获得模块，所述多个第一识别单元获得模块用于继续对其他多个第一识别单元的单元参数进行寻优，获得准确率符合所述预设要求的多个第一识别单元。
在一个实施例中，所述系统还包括：
单元参数更新模块，所述单元参数更新模块用于采用所述第一单元参数集合对所述其中一个第一识别单元的单元参数进行更新；
识别单元测试模块，所述识别单元测试模块用于采用所述多个历史第一特征数据集和所述多个历史局部放电类型识别结果作为测试数据，对更新后的所述其中一个第一识别单元进行测试，获得第一准确率；
第一寻优得分获得模块，所述第一寻优得分获得模块用于将所述第一准确率作为所述第一寻优得分。
在一个实施例中，所述系统还包括：
放电类型识别结果获得模块，所述放电类型识别结果获得模块用于获取多个所述第一识别结果和多个所述第二识别结果中出现频率最高的前两个放电类型识别结果；
放电类型识别结果输出模块，所述放电类型识别结果输出模块用于判断所述前两个放电类型识别结果的出现频率是否相同，若是，则将所述两个放电类型识别结果输出，若否，则将出现频率最高的放电类型识别结果输出。
综上所述，本申请提供了一种基于信息交互的局部放电模式识别方法及系统具有以下技术效果：
1.解决了基于人工智能的GIS绝缘故障类型检测的数据较为单一，以及GIS绝缘故障类型检测准确率低的技术问题，基于两类不同特征数据进行局部放电类型识别分析，可以提高局部放电类型识别的准确率,进一步提高了GIS绝缘故障类型检测的准确率，从而提高了整个区域电网的稳定运行能力。
2.通过多个历史特征数据集和多个历史局部放电类型识别结果对多个所述识别单元的单元参数进行寻优，获得多个识别单元，可以不用通过神经网络模型中的监督训练获得目标范围内的最优输出结果，节约了模型训练时间，提高了获得局部放电识别模型的效率，同时也提高了局部放电类型识别的准确率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于信息交互的局部放电模式识别方法，其特征在于，所述方法应用于一种基于信息交互的局部放电模式识别系统，所述系统包括特高频传感器、数据处理模块和局部放电识别模块，所述特高频传感器和数据处理模块通信连接，所述方法包括：
在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；
将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；
在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；
基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；
分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；
获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果；
其中，所述在所述局部放电识别模块内，构建局部放电识别模型，包括：
基于BP神经网络，构建多个所述第一识别单元，其中，多个所述第一识别单元的输入数据为第一特征数据集，输出数据为局部放电类型识别结果；
基于BP神经网络，构建多个所述第二识别单元，其中，多个所述第二识别单元的输入数据为第二特征数据集，输出数据为局部放电类型识别结果；
所述基于历史时间内的GIS开关装置局部放电识别历史数据，对多个所述第一识别单元和多个所述第二识别单元的单元参数进行寻优，包括：
基于历史时间内的GIS开关装置局部放电识别历史数据，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果；
基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第一识别单元；
基于多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，对多个所述第二识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第二识别单元；
基于多个所述第一识别单元和多个所述第二识别单元，获得所述局部放电识别模型；
所述基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，包括：
对于其中一个第一识别单元，随机生成多个单元参数集合；
随机选择获取多个所述单元参数集合内的第一单元参数集合，并作为临时最优解；
采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第一单元参数集合进行测试，获得第一寻优得分，包括：
采用所述第一单元参数集合对所述其中一个第一识别单元的单元参数进行更新；
采用所述多个历史第一特征数据集和所述多个历史局部放电类型识别结果作为测试数据，对更新后的所述其中一个第一识别单元进行测试，获得第一准确率；
将所述第一准确率作为所述第一寻优得分；再次随机选择获取多个所述单元参数集合内的第二单元参数集合，采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第二单元参数集合进行测试，获得第二寻优得分；
判断所述第二寻优得分是否大于第一寻优得分，若是，则将所述第二单元参数集合作为临时最优解，若否，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小；
继续进行迭代寻优，直到达到预设迭代寻优次数，将最终的临时最优解输出，获得最优单元参数集合；
采用所述最优单元参数集合对所述其中一个第一识别单元的单元参数进行更新设置；
继续对其他多个第一识别单元的单元参数进行寻优，获得准确率符合所述预设要求的多个第一识别单元；
其中，所述将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集，包括：
对所述电磁信号数据集合内的电磁信号进行取最大值、均值计算和方差计算，获得信号峰值、信号均值和信号方差；
根据所述电磁信号数据集合，提取获得局部放电波动范围和放电次数信息；
基于所述信号峰值、信号均值和信号方差，生成所述第一特征数据集，基于所述局部放电波动范围和放电次数信息，生成所述第二特征数据集。
2.根据权利要求1所述的方法，其特征在于，所述获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果，包括：
获取多个所述第一识别结果和多个所述第二识别结果中出现频率最高的前两个放电类型识别结果；
判断所述前两个放电类型识别结果的出现频率是否相同，若是，则将所述两个放电类型识别结果输出，若否，则将出现频率最高的放电类型识别结果输出。
3.一种基于信息交互的局部放电模式识别系统，其特征在于，所述系统包括特高频传感器、数据处理模块和局部放电识别模块，所述特高频传感器和数据处理模块通信连接，所述系统包括：
电磁信号数据集获得模块，所述电磁信号数据集获得模块用于在GIS开关装置出现局部放电故障时，通过所述特高频传感器对所述GIS开关装置进行检测，获得预设时间范围内的电磁信号数据集合；
电磁信号数据处理模块，所述电磁信号数据处理模块用于将所述电磁信号数据集合发送至所述数据处理模块，对所述电磁信号数据集合进行处理，获得第一特征数据集和第二特征数据集；
局部放电识别模型构建模块，所述局部放电识别模型构建模块用于在所述局部放电识别模块内，构建局部放电识别模型，其中，所述局部放电识别模型包括多个第一识别单元和多个第二识别单元，所述第一识别单元和所述第二识别单元的输入数据分别为所述第一特征数据集和所述第二特征数据集，输出数据为局部放电类型识别结果；
局部放电识别模型获得模块，所述局部放电识别模型获得模块用于基于历史时间内的GIS开关装置局部放电识别历史数据，对所述多个第一识别单元和所述多个第二识别单元的单元参数进行寻优，获得准确率符合预设要求的所述局部放电识别模型；
识别结果获得模块，所述识别结果获得模块用于分别将所述第一特征数据集输入多个所述第一识别单元，将所述第二特征数据集输入多个所述第二识别单元，获得多个第一识别结果和多个第二识别结果；
最终识别结果获得模块，所述最终识别结果获得模块用于获取多个所述第一识别结果和多个所述第二识别结果内出现频率最高的放电类型识别结果，获得最终局部放电类型识别结果；
所述系统还包括：
第一识别单元构建模块，所述第一识别单元构建模块用于基于BP神经网络，构建多个所述第一识别单元，其中，多个所述第一识别单元的输入数据为第一特征数据集，输出数据为局部放电类型识别结果；
第二识别单元构建模块，所述第二识别单元构建模块用于基于BP神经网络，构建多个所述第二识别单元，其中，多个所述第二识别单元的输入数据为第二特征数据集，输出数据为局部放电类型识别结果；
历史数据获得模块，所述历史数据获得模块用于基于历史时间内的GIS开关装置局部放电识别历史数据，获得多个历史第一特征数据集、多个历史第二特征数据集和多个历史局部放电类型识别结果；
第一识别单元参数寻优模块，第一单元参数寻优模块用于基于多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果，对多个所述第一识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第一识别单元；
第二识别单元参数寻优模块，所述第二识别单元参数寻优模块用于基于多个所述历史第二特征数据集和多个所述历史局部放电类型识别结果，对多个所述第二识别单元的单元参数进行寻优，获得准确率满足所述预设要求的多个第二识别单元；
局部放电识别模型获得模块，所述局部放电识别模型获得模块用于基于多个所述第一识别单元和多个所述第二识别单元，获得所述局部放电识别模型；
单元参数集合生成模块，所述单元参数集合生成模块用于对于其中一个第一识别单元，随机生成多个单元参数集合；
第一单元参数集合选择模块，所述第一单元参数集合选择模块用于随机选择获取多个所述单元参数集合内的第一单元参数集合，并作为临时最优解；
第一寻优得分获得模块，所述第一寻优得分获得模块用于采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第一单元参数集合进行测试，获得第一寻优得分；
第二寻优得分获得模块，所述第二寻优得分获得模块用于再次随机选择获取多个所述单元参数集合内的第二单元参数集合，采用多个所述历史第一特征数据集和多个所述历史局部放电类型识别结果对所述第二单元参数集合进行测试，获得第二寻优得分；
临时最优解选择模块，所述临时最优解选择模块用于判断所述第二寻优得分是否大于第一寻优得分，若是，则将所述第二单元参数集合作为临时最优解，若否，则按照概率将所述第二单元参数集合作为临时最优解，所述概率随着迭代寻优次数的增加而减小；
最优单元参数集合获得模块，所述最优单元参数集合获得模块用于继续进行迭代寻优，直到达到预设迭代寻优次数，将最终的临时最优解输出，获得最优单元参数集合；
单元参数更新设置模块，所述单元参数更新设置模块用于采用所述最优单元参数集合对所述其中一个第一识别单元的单元参数进行更新设置；
多个第一识别单元获得模块，所述多个第一识别单元获得模块用于继续对其他多个第一识别单元的单元参数进行寻优，获得准确率符合所述预设要求的多个第一识别单元；
单元参数更新模块，所述单元参数更新模块用于采用所述第一单元参数集合对所述其中一个第一识别单元的单元参数进行更新；
识别单元测试模块，所述识别单元测试模块用于采用所述多个历史第一特征数据集和所述多个历史局部放电类型识别结果作为测试数据，对更新后的所述其中一个第一识别单元进行测试，获得第一准确率；
第一寻优得分获得模块，所述第一寻优得分获得模块用于将所述第一准确率作为所述第一寻优得分；
电磁信号计算模块，所述电磁信号计算模块用于对所述电磁信号数据集合内的电磁信号进行取最大值、均值计算和方差计算，获得信号峰值、信号均值和信号方差；
信息提取模块，所述信息提取模块用于根据所述电磁信号数据集合，提取获得局部放电波动范围和放电次数信息；
特征数据集生成模块，所述特征数据集生成模块用于基于所述信号峰值、信号均值和信号方差，生成所述第一特征数据集，基于所述局部放电波动范围和放电次数信息，生成所述第二特征数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180199.XA CN116359683B (zh) | 2023-02-28 | 2023-02-28 | 一种基于信息交互的局部放电模式识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180199.XA CN116359683B (zh) | 2023-02-28 | 2023-02-28 | 一种基于信息交互的局部放电模式识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116359683A CN116359683A (zh) | 2023-06-30 |
| CN116359683B true CN116359683B (zh) | 2023-12-26 |
Family
ID=86917951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310180199.XA Active CN116359683B (zh) | 2023-02-28 | 2023-02-28 | 一种基于信息交互的局部放电模式识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116359683B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
| CN106963369A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于神经网络模型的脑电放松度识别方法及装置 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN114047735A (zh) * | 2022-01-12 | 2022-02-15 | 华北理工大学 | 一种多工业主机的故障检测方法、系统和服务系统 |
| CN114070438A (zh) * | 2021-09-30 | 2022-02-18 | 公诚管理咨询有限公司 | 一种5g基站电磁信号的检测方法及系统 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN114819099A (zh) * | 2022-05-18 | 2022-07-29 | 南通富力荣科技发展有限公司 | 一种基于智能ai提高图像识别准确率的系统 |
| CN114970601A (zh) * | 2022-04-11 | 2022-08-30 | 山东鲁软数字科技有限公司 | 一种电力设备局部放电类型识别方法、设备及存储介质 |
| CN114996633A (zh) * | 2022-06-24 | 2022-09-02 | 中用科技有限公司 | 一种ai智能局部放电检测方法 |
| CN115267447A (zh) * | 2022-07-20 | 2022-11-01 | 国网山东省电力公司电力科学研究院 | 基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法 |
| CN115542099A (zh) * | 2022-11-28 | 2022-12-30 | 国网山东省电力公司东营供电公司 | 一种在线gis局部放电检测方法和装置 |
| CN115657728A (zh) * | 2022-12-12 | 2023-01-31 | 辽宁电力能源发展集团有限公司 | 一种无人机仿真控制方法及系统 |
-
2023
- 2023-02-28 CN CN202310180199.XA patent/CN116359683B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
| CN106963369A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于神经网络模型的脑电放松度识别方法及装置 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN114070438A (zh) * | 2021-09-30 | 2022-02-18 | 公诚管理咨询有限公司 | 一种5g基站电磁信号的检测方法及系统 |
| CN114047735A (zh) * | 2022-01-12 | 2022-02-15 | 华北理工大学 | 一种多工业主机的故障检测方法、系统和服务系统 |
| CN114970601A (zh) * | 2022-04-11 | 2022-08-30 | 山东鲁软数字科技有限公司 | 一种电力设备局部放电类型识别方法、设备及存储介质 |
| CN114819099A (zh) * | 2022-05-18 | 2022-07-29 | 南通富力荣科技发展有限公司 | 一种基于智能ai提高图像识别准确率的系统 |
| CN114996633A (zh) * | 2022-06-24 | 2022-09-02 | 中用科技有限公司 | 一种ai智能局部放电检测方法 |
| CN115267447A (zh) * | 2022-07-20 | 2022-11-01 | 国网山东省电力公司电力科学研究院 | 基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法 |
| CN115542099A (zh) * | 2022-11-28 | 2022-12-30 | 国网山东省电力公司东营供电公司 | 一种在线gis局部放电检测方法和装置 |
| CN115657728A (zh) * | 2022-12-12 | 2023-01-31 | 辽宁电力能源发展集团有限公司 | 一种无人机仿真控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116359683A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3100757B2 (ja) | 監視診断装置 | |
| CN111504675B (zh) | 一种气体绝缘组合电器机械故障在线诊断方法 | |
| JP2000224723A (ja) | ガス絶縁機器の部分放電診断装置および診断方法 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN115453286B (zh) | Gis局部放电诊断方法、模型训练方法、装置及系统 | |
| 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 | |
| CN111610418B (zh) | 一种基于智能特高频传感器的gis局部放电定位方法 | |
| CN112748317B (zh) | 基于多种监测数据的开关柜局部放电故障检测方法及系统 | |
| KR102377936B1 (ko) | 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템 | |
| CN116027161B (zh) | 电力设备局部放电脉冲信号监测方法、装置、设备及介质 | |
| JP2005331415A (ja) | 絶縁診断システム | |
| CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
| KR102377939B1 (ko) | Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템 | |
| CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
| CN116359683B (zh) | 一种基于信息交互的局部放电模式识别方法及系统 | |
| Massaoudi et al. | UHF partial discharge localization in gas-insulated switchgears: Gradient boosting based approach | |
| CN113702778A (zh) | 一种gil电弧放电故障定位方法及系统 | |
| CN107490752A (zh) | 一种模拟特高频局部放电信号的系统和方法 | |
| CN112986766B (zh) | 一种局部放电定位方法、装置、存储介质和设备 | |
| CN115828984A (zh) | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 | |
| CN115272232A (zh) | 一种用于设备缺陷智能定位检测的声阵列成像系统及方法 | |
| CN114462568A (zh) | 一种融合多类型传感器的环网柜故障诊断方法 | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| Ding et al. | Detection and analysis of GIS discharge defects based on deep learninng method | |
| CN113253069A (zh) | 一种基于多光谱强度的局部放电危险度评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |