CN116881663B - 一种基于数字孪生的低压电流互感器质量检测方法 - Google Patents

一种基于数字孪生的低压电流互感器质量检测方法

Info

Publication number
CN116881663B
CN116881663B CN202310927899.0A CN202310927899A CN116881663B CN 116881663 B CN116881663 B CN 116881663B CN 202310927899 A CN202310927899 A CN 202310927899A CN 116881663 B CN116881663 B CN 116881663B
Authority
CN
China
Prior art keywords
current transformer
low
voltage current
fault
model
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
Application number
CN202310927899.0A
Other languages
English (en)
Other versions
CN116881663A (zh
Inventor
童涛
陈海宾
俞磊
俞钧
吴煜
甄昊涵
陈丽雯
朱铮
许堉坤
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202310927899.0A priority Critical patent/CN116881663B/zh
Publication of CN116881663A publication Critical patent/CN116881663A/zh
Application granted granted Critical
Publication of CN116881663B publication Critical patent/CN116881663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/048—Activation functions
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明公开了一种基于数字孪生的低压电流互感器质量检测方法，包括以下步骤：S1、创建待检测低压电流互感器初始状态下的数字孪生模型，根据数字孪生模型得到所述低压电流互感器的仿真计算动态响应，并将所述仿真计算动态响应转化为代码输入到初始状态下的数字孪生模型中，得到仿真动态响应；S2、根据低压电流互感器工作状态下的频率、磁场强度、温湿度、相位、噪声信号来建立相关函数，利用正则注意力的循环网络计算相关函数值，得到当前低压电流互感器的稳定评估系数。本发明通过构建低压电流互感器的数字孪生体，通过构建虚实数据融合的方式来综合分析当前低压电流互感器的参数变化，从而能够准确判断出当前低压电流互感器是否存在故障点。

Description

一种基于数字孪生的低压电流互感器质量检测方法
技术领域
本发明涉及低压电流互感器检测技术领域，具体为一种基于数字孪生的低压电流互感器质量检测方法。
背景技术
随着城市的快速发展和用电需求的不断提高，对电力系统的稳定性要求也在不断提高，电流互感器作为电力系统中为保障设备提供测量和保护信号的装置，其电流测量的准确度是保证高、低压电气设备正常可靠运行的重要指标，由此凸显了电流互感器数值校准管理的重要性。
现有的低压电流互感器在工作过程中，需要对其参数进行检测和评估，而常规的检测和评估方法可能跨越多个物理维度并超出低压电流互感器标准检测方法范畴，不仅容易造成检测结果出现偏差，同时整个过程较为繁琐，从而影响整个检测效率。
发明内容
本发明的目的在于提供一种基于数字孪生的低压电流互感器质量检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于数字孪生的低压电流互感器质量检测方法，包括以下步骤：
S1、创建待检测低压电流互感器初始状态下的数字孪生模型，根据数字孪生模型得到所述低压电流互感器的仿真计算动态响应，并将所述仿真计算动态响应转化为代码输入到初始状态下的数字孪生模型中，得到仿真动态响应；
S2、根据低压电流互感器工作状态下的频率、磁场强度、温湿度、相位、噪声信号来建立相关函数，然后将仿真动态响应下得到的相关参数绘制在相关函数上，并产生动态误差，同时确定当前动态误差下低压电流互感器的真实函数值；
S3、建立真实函数值下的动态阈值，根据动态阈值来得到低压电流互感器各部件之间的功能耦合关系和有向边，创建低压电流互感器的故障耦合网络，利用真子集和多色集合的方式获得故障耦合网络中可能出现的故障耦合连接关系，并生成多组故障几何群；
S4、对多组故障几何群进行监测，并采集相同时间段下不同故障几何群的活动轨迹，对采集到的不同故障几何群的活动轨迹进行重复测试，与动态误差下的真实函数值进行对比后获得误差均值；
S5、追溯获得误差均值下对应的相关函数值，利用正则注意力的循环网络生成当前时刻相关函数值的稳定评估系数Valt，其中，若Valt≥1，则说明当前低压电流互感器质量达标，若Valt＜1，则说明当前低压电流互感器质量不达标。
进一步的，步骤S1中所述数字孪生模型包括几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型。
进一步的，步骤S2中所述动态误差在产生后，从当前相关函数的历史数据中存在的动态参数进行及时修正，对缺失的数值进行追溯和节点查找，并予以标记和提取，得到故障传播路径。
进一步的，步骤S5中，追溯获得误差均值下对应的相关函数值，并利用正则注意力的循环网络生成相关函数值的稳定评估系数Valt，正则注意力的循环网络的处理过程如下：
Rt＝τ(Wr1Outt-1+Wr2Tt+r1)
其中Rt为存量单元，代表当前时刻网络需要保存上一时刻中间单元Outt-1的权重，τ为Sigmoid函数，Wr1和Wr2为可学习的权重矩阵，Tt是利用嵌入函数将频率、磁场强度、温湿度、相位、噪声信号的相关函数值生成的信号矩阵，r1为修正参数；
St＝tanh(Ws1·RegAtt(RtOutt-1)+Ws2Tt+r)
其中St代表当前时刻网络中间量，tanh()是一个双曲正切激活函数，Ws1和Ws2为可学习的权重矩阵，r为修正参数，RegAtt()是一个正则注意力，将Valt-1与三个相同大小的随机初始化权重矩阵相乘，得到不同映射的三个同样大小的矩阵Q、K、V，对于矩阵Q，通过切片任取一行qi，同理可得kj、vj；
式中||qi||和||kj||分别代表对qi和kj进行L2正则化，n为矩阵Q、K、V的行数；
Ut＝τ(Wu1Outt-1+Wu2Tt+r2)
Ut为更新单元，代表用于更新当前时刻中间单元Outt的权重，Wu1和Wu2为可学习的权重矩阵，r2为修正参数；
Outt＝γUt⊙Outt-1+(1-γUt)⊙St
其中⊙代表逐点相乘，γ是一个用于优化中间单元的超参数；
Valt＝WvalOutt+rval
最终通过可学习的权重矩阵Wval和修正参数rval，获得当前稳定评估系数Valt。
进一步的，真实函数值在确定后，从低压电流互感器对应的标准运维模式中提取出额定运行电流和额定运行电压，并以提取出的额定运行电流和额定运行电压作为参照组与生成的多组故障几何群进行对比，以此来获得对照参数，然后建立常规额定运行电流和额定运行电压实验组，按照对照标准对两次额定运行电流和额定运行电压进行比对，并得到实验组下对应的参照电流互感偏差、参照电流幅值、参照电流频率以及参照相位差，以降低误差。
进一步的，当稳定评估系数值Valt＜1时，及时修正所述数字孪生体的几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型，直至误差稳定且低于动态阈值。
进一步的，Tt的获取方式为：先将频率、磁场强度、温湿度、相位、噪声信号的相关函数值通过一维嵌入转换为不同长度的一维序列，通过将空余位置零，多余位截断的操作，将序列长度统一为512大小；然后使用拼接操作，将多个一维序列拼接为一个矩阵。
进一步的，在得到故障传播路径后，对其下一步的运行轨迹和活动范围进行模型仿真，并创建当前故障传播途径下的指定运行通道，然后对当前通道进行追溯，并查找出故障根源，完成故障溯源。
进一步的，在得到仿真动态响应后，对低压电流互感器工作状态下的图像信息进行采集，对采集到的图像信息进行平滑、滤波和去噪后，将图像信息中待检测的图像部分与整体图像部分分离，然后对待检测的图像部分进行边缘分割，并将该部分图像信息进行剪辑和提取。
与现有技术相比，本发明的有益效果是：本发明通过构建低压电流互感器的数字孪生体，通过构建虚实数据融合的方式来综合分析当前低压电流互感器的参数变化，从而能够准确判断出当前低压电流互感器是否存在故障点，而且利用真子集和多色集合的方式获得故障耦合网络中可能出现的故障耦合连接关系，并生成多组故障几何群，可以对低压电流互感器后续运行过程中可能存在的故障点进行模拟演练，方便对低压电流互感器进行及时维护，大大降低了后续运行时发生的故障概率。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于数字孪生的低压电流互感器质量检测方法，包括以下步骤：
S1、创建待检测低压电流互感器初始状态下的数字孪生模型，根据数字孪生模型得到低压电流互感器的仿真计算动态响应，并将仿真计算动态响应转化为代码输入到初始状态下的数字孪生模型中，得到仿真动态响应，其中创建数字孪生模型具体包括：利用多物理量、多维度、多参照物以及多概率的数据属性，通过数字化建模的方式在模型软件上分别搭建出数字孪生体下的模型信息；
S2、根据低压电流互感器工作状态下的频率、磁场强度、温湿度、相位、噪声信号来建立相关函数(即依据正常低压电流互感器工作时的状态(正常运行时产生的参数信息)，可采用列表法、图像法或解析法中的任意一种)，然后将仿真动态响应下得到的相关参数(即仿真状态下低压电流互感器产生的参数)绘制在相关函数上，并产生动态误差，以消除相关函数上存在的误差值，从而确定当前动态误差下低压电流互感器的真实函数值；
S3、建立真实函数值下的动态阈值，根据动态阈值来得到低压电流互感器各部件之间的功能耦合关系和有向边，创建低压电流互感器的故障耦合网络，所述故障耦合网络是基于功能耦合关系和有向边，在虚拟网络中搭建属于低压电流互感器各部件之间的故障节点，即动态阈值到达故障节点时，发出故障耦合信号提醒；利用真子集和多色集合的方式获得故障耦合网络中可能出现的故障耦合(通过真子集和多色集合下两者发生重合的部分来判断出出现故障耦合的部分)连接关系，并生成多组故障几何群；
S4、对多组故障几何群进行监测，并采集相同时间段下不同故障几何群的活动轨迹，对采集到的不同故障几何群的活动轨迹进行重复测试，与动态误差下的真实函数值进行对比后获得误差均值，并生成三个不同的时间区间，其中第一时间区间至第三时间区间依次表示为[0，t1]、(t1，t2]、(t2，t3]，且t1＞t2＞t3；
S5、追溯获得误差均值下对应的相关函数值，并利用正则注意力的循环网络生成相关函数值的稳定评估系数Valt，正则注意力的循环网络的处理过程如下：
Rt＝τ(Wr1Outt-1+Wr2Tt+r1)
其中Rt为存量单元，代表当前时刻网络需要保存上一时刻中间单元Outt-1的权重，τ为Sigmoid函数，Wr1和Wr2为可学习的权重矩阵，Tt是利用嵌入函数将频率、磁场强度、温湿度、相位、噪声信号的相关函数值生成的信号矩阵，r1为修正参数。
St＝tanh(Ws1·RegAtt(RtOutt-1)+Ws2Tt+r)
其中St代表当前时刻网络中间量，tanh()是一个双曲正切激活函数，Ws1和Ws2为可学习的权重矩阵，r为修正参数，RegAtt()是一个正则注意力，将t-1时刻的稳定评估系数Valt-1与三个相同大小的随机初始化权重矩阵相乘，得到不同映射的三个同样大小的矩阵Q、K、V，对于矩阵Q，通过切片任取一行qi，同理可得kj、vj。
式中||qi||和||kj||分别代表对qi和kj进行L2正则化，n为矩阵Q、K、V的行数，通过使用RegAtt()可以进一步获得数据不同维度之间的相关性，由于省去了传统注意力中的softmax操作，在提升准确率的同时节省了大量运算量。
Ut＝τ(Wu1Outt-1+Wu2Tt+r2)
Ut为更新单元，代表用于更新当前时刻中间单元Outt的权重，Wu1和Wu2为可学习的权重矩阵，r2为修正参数。
Outt＝γUt⊙Outt-1+(1-γUt)⊙St
其中⊙代表逐点相乘，γ是一个用于优化中间单元的超参数。
Valt＝WvalOutt+rval
最终通过可学习的权重矩阵Wval和修正参数rval，获得当前稳定评估系数Valt，其中，若Valt≥1，则说明当前低压电流互感器质量达标，若Valt＜1，则说明当前低压电流互感器质量不达标。
进一步的：数字孪生模型包括几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型。
进一步的，动态误差在产生后，还应从当前相关函数的历史数据中存在的动态参数进行及时修正，对缺失的数值进行追溯和节点查找，并予以标记和提取，得到故障传播路径。
进一步的，真实函数值在确定后，还应从低压电流互感器对应的标准运维模式中提取出额定运行电流和额定运行电压，并以提取出的额定运行电流和额定运行电压作为参照组与生成的多组故障几何群进行对比，以此来获得对照参数，然后建立常规额定运行电流和额定运行电压实验组，按照对照标准对两次额定运行电流和额定运行电压进行比对，并得到实验组下对应的参照电流互感偏差、参照电流幅值、参照电流频率以及参照相位差，以降低误差，保持模型运行时数据的准确性。
进一步的，当Valt＜1时，还应及时修正数字孪生体的几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型，即调整初始设定参数范围，直至误差稳定且低于动态阈值。
进一步的，Tt的获取方式为：可先将频率、磁场强度、温湿度、相位、噪声信号的相关函数值通过一维嵌入转换为不同长度的一维序列，通过将空余位置零，多余位截断的操作，将序列长度统一为512大小；然后使用拼接操作，将多个一维序列拼接为一个矩阵。
进一步的，故障传播路径在得到后，还应对其下一步的运行轨迹和活动范围进行模型仿真，并创建当前故障传播途径下的指定运行通道，然后对当前通道进行追溯，并查找出故障根源，完成故障溯源。
进一步的：仿真动态响应在得到后，还应对低压电流互感器工作状态下的图像信息进行采集，对采集到的图像信息进行平滑、滤波和去噪后，将图像信息中待检测的图像部分与整体图像部分分离，然后对待检测的图像部分进行边缘分割，并将该部分图像信息进行剪辑和提取，以保证信息采集后的完整性和真实性。
本发明通过构建低压电流互感器的数字孪生体，通过构建虚实数据融合的方式来综合分析当前低压电流互感器的参数变化，通过正则注意力的循环网络计算稳定评估系数，从而能够准确判断出当前低压电流互感器是否存在故障点，而且利用真子集和多色集合的方式获得故障耦合网络中可能出现的故障耦合连接关系，并生成多组故障几何群，可以对低压电流互感器后续运行过程中可能存在的故障点进行模拟演练，方便对低压电流互感器进行及时维护，大大降低了后续运行时发生的故障概率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于数字孪生的低压电流互感器质量检测方法，其特征在于，包括以下步骤：
S1、创建待检测低压电流互感器初始状态下的数字孪生模型，根据数字孪生模型得到所述低压电流互感器的仿真计算动态响应，并将所述仿真计算动态响应转化为代码输入到初始状态下的数字孪生模型中，得到仿真动态响应；
S2、根据低压电流互感器工作状态下的频率、磁场强度、温湿度、相位、噪声信号来建立相关函数，然后将仿真动态响应下得到的相关参数绘制在相关函数上，并产生动态误差，同时确定当前动态误差下低压电流互感器的真实函数值；
S3、建立真实函数值下的动态阈值，根据动态阈值来得到低压电流互感器各部件之间的功能耦合关系和有向边，创建低压电流互感器的故障耦合网络，利用真子集和多色集合的方式获得故障耦合网络中可能出现的故障耦合连接关系，并生成多组故障几何群；
S4、对多组故障几何群进行监测，并采集相同时间段下不同故障几何群的活动轨迹，对采集到的不同故障几何群的活动轨迹进行重复测试，与动态误差下的真实函数值进行对比后获得误差均值；
S5、追溯获得误差均值下对应的相关函数值，利用正则注意力的循环网络生成当前时刻相关函数值的稳定评估系数Valt，其中，若Valt≥1，则说明当前低压电流互感器质量达标，若Valt＜1，则说明当前低压电流互感器质量不达标；
步骤S5中，追溯获得误差均值下对应的相关函数值，并利用正则注意力的循环网络生成相关函数值的稳定评估系数Valt，正则注意力的循环网络的处理过程如下：
Rt＝τ(Wr1Outt-1+Wr2Tt+r1)
其中Rt为存量单元，代表当前时刻网络需要保存上一时刻中间单元Outt-1的权重，τ为Sigmoid函数，Wr1和Wr2为可学习的权重矩阵，Tt是利用嵌入函数将频率、磁场强度、温湿度、相位、噪声信号的相关函数值生成的信号矩阵，r1为修正参数；
St＝tanh(Ws1·RegAtt(RtOutt-1)+Ws2Tt+r)
其中St代表当前时刻网络中间量，tanh()是一个双曲正切激活函数，Ws1和Ws2为可学习的权重矩阵，r为修正参数，RegAtt()是一个正则注意力，将t-1时刻的稳定评估系数Valt-1与三个相同大小的随机初始化权重矩阵相乘，得到不同映射的三个同样大小的矩阵Q、K、V，对于矩阵Q，通过切片任取一行qi，同理可得kj、vj；
式中||qi||和||kj||分别代表对qi和kj进行L2正则化，n为矩阵Q、K、V的行数；
Ut＝τ(Wu1Outt-1+Wu2Tt+r2)
Ut为更新单元，代表用于更新当前时刻中间单元Outt的权重，Wu1和Wu2为可学习的权重矩阵，r2为修正参数；
Outt＝γUt⊙Outt-1+(1-γUt)⊙St
其中⊙代表逐点相乘，γ是一个用于优化中间单元的超参数；
Valt＝WvalOutt+rval
最终通过可学习的权重矩阵Wval和修正参数rval，获得当前稳定评估系数Valt。
2.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：步骤S1中所述数字孪生模型包括几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型。
3.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：步骤S2中所述动态误差在产生后，从当前相关函数的历史数据中存在的动态参数进行及时修正，对缺失的数值进行追溯和节点查找，并予以标记和提取，得到故障传播路径。
4.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：真实函数值在确定后，从低压电流互感器对应的标准运维模式中提取出额定运行电流和额定运行电压，并以提取出的额定运行电流和额定运行电压作为参照组与生成的多组故障几何群进行对比，以此来获得对照参数，然后建立常规额定运行电流和额定运行电压实验组，按照对照标准对两次额定运行电流和额定运行电压进行比对，并得到实验组下对应的参照电流互感偏差、参照电流幅值、参照电流频率以及参照相位差，以降低误差。
5.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：当稳定评估系数值Valt＜1时，及时修正所述数字孪生模型的几何模型、动态仿真模型、物理模型、三维图像模型以及规则模型，直至误差稳定且低于动态阈值。
6.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：Tt的获取方式为：先将频率、磁场强度、温湿度、相位、噪声信号的相关函数值通过一维嵌入转换为不同长度的一维序列，通过将空余位置零，多余位截断的操作，将序列长度统一为512大小；然后使用拼接操作，将多个一维序列拼接为一个矩阵。
7.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：在得到故障传播路径后，对其下一步的运行轨迹和活动范围进行模型仿真，并创建当前故障传播途径下的指定运行通道，然后对当前通道进行追溯，并查找出故障根源，完成故障溯源。
8.根据权利要求1所述的一种基于数字孪生的低压电流互感器质量检测方法，其特征在于：在得到仿真动态响应后，对低压电流互感器工作状态下的图像信息进行采集，对采集到的图像信息进行平滑、滤波和去噪后，将图像信息中待检测的图像部分与整体图像部分分离，然后对待检测的图像部分进行边缘分割，并将该部分图像信息进行剪辑和提取。
CN202310927899.0A 2023-07-26 2023-07-26 一种基于数字孪生的低压电流互感器质量检测方法 Active CN116881663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927899.0A CN116881663B (zh) 2023-07-26 2023-07-26 一种基于数字孪生的低压电流互感器质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927899.0A CN116881663B (zh) 2023-07-26 2023-07-26 一种基于数字孪生的低压电流互感器质量检测方法

Publications (2)

Publication Number Publication Date
CN116881663A CN116881663A (zh) 2023-10-13
CN116881663B true CN116881663B (zh) 2025-11-18

Family

ID=88264263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927899.0A Active CN116881663B (zh) 2023-07-26 2023-07-26 一种基于数字孪生的低压电流互感器质量检测方法

Country Status (1)

Country Link
CN (1) CN116881663B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119199694B (zh) * 2024-10-25 2025-05-06 佛山市明富兴金属材料有限公司 用于高铁的电流互感器检测方法、设备、介质及产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835060A (zh) * 2021-11-23 2021-12-24 武汉格蓝若智能技术有限公司 一种基于数字孪生的电力互感器在线状态监测方法及系统
CN115292834A (zh) * 2022-07-20 2022-11-04 北自所(北京)科技发展股份有限公司 一种数字孪生装备故障诊断方法、装置及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11727168B2 (en) * 2018-02-28 2023-08-15 Toyota Jidosha Kabushiki Kaisha Proactive vehicle maintenance scheduling based on digital twin simulations
CN110276147B (zh) * 2019-06-24 2020-02-11 广东工业大学 一种基于数字孪生模型的制造系统故障溯源方法、系统
CN112859739B (zh) * 2021-01-15 2022-07-01 天津商业大学 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法
CN113379123A (zh) * 2021-06-09 2021-09-10 中德（珠海）人工智能研究院有限公司 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN114219147B (zh) * 2021-12-13 2024-06-07 南京富尔登科技发展有限公司 一种基于联邦学习的配电站故障预测方法
CN114970321B (zh) * 2022-04-28 2025-03-07 长安大学 一种基于动态轨迹流的场景流数字孪生方法及系统
CN115906711A (zh) * 2022-12-27 2023-04-04 西安交通大学 一种利用数字孪生系统进行换热器性能测试的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835060A (zh) * 2021-11-23 2021-12-24 武汉格蓝若智能技术有限公司 一种基于数字孪生的电力互感器在线状态监测方法及系统
CN115292834A (zh) * 2022-07-20 2022-11-04 北自所(北京)科技发展股份有限公司 一种数字孪生装备故障诊断方法、装置及系统

Also Published As

Publication number Publication date
CN116881663A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN117743909B (zh) 一种基于人工智能的供热系统故障分析方法及装置
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN113554079B (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN114004155A (zh) 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置
CN116505665A (zh) 一种电网配电线路的故障监测方法及系统
CN114676887A (zh) 一种基于图卷积stg-lstm的河流水质预测方法
CN117972419A (zh) 一种Anomaly-Transformer光伏发电异常检测方法
CN115021679B (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN116881663B (zh) 一种基于数字孪生的低压电流互感器质量检测方法
CN119004965A (zh) 一种基于物理信息图神经网络的电网模型参数估计方法及系统
CN118070230A (zh) 一种基于稠密自编码器的智能电磁频谱地图融合方法
CN119846380B (zh) 基于Transformer与粒子群混合的配电网故障区段定位检测方法及相关装置
CN120595018A (zh) 一种基于时空图小波神经网络的中性点小电流接地配电网故障区段定位方法
CN120162710A (zh) 一种结合图神经网络的水务管网故障检测方法及系统
CN120123773A (zh) 一种基于多模态电力跨域的数据融合挖掘方法及系统
CN120197067A (zh) 一种基于大数据的数字芯片故障检测方法及系统
CN116304789B (zh) Vp倾斜仪故障诊断方法及装置
CN119004299A (zh) 一种传感器时序数据异常检测方法及装置
CN117992855A (zh) 基于半监督学习的电网暂态电压稳定样本标定方法及设备
CN120337157B (zh) 基于大模型的配电网故障诊断方法、装置、终端及介质
CN113986903A (zh) 基于t-sne算法的故障数据聚类清洗方法
CN120144411B (zh) 一种深度学习驱动的热传导方程智能分析方法及系统
CN117557118B (zh) 基于机器学习的ups系统供电拓扑图生成方法
CN121388413A (zh) 一种融合mfd与深度学习的交通网络数据补全方法

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