CN116953435A - 一种基于录波文件的电缆瞬时放电异常识别方法 - Google Patents

一种基于录波文件的电缆瞬时放电异常识别方法 Download PDF

Info

Publication number
CN116953435A
CN116953435A CN202310692884.0A CN202310692884A CN116953435A CN 116953435 A CN116953435 A CN 116953435A CN 202310692884 A CN202310692884 A CN 202310692884A CN 116953435 A CN116953435 A CN 116953435A
Authority
CN
China
Prior art keywords
cable
target sequence
sequence
discharge
template sequence
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
Application number
CN202310692884.0A
Other languages
English (en)
Inventor
林恺丰
蒋丰庚
杨昶宇
吴昊
柯公武
王澍
张波
张建曙
舒成也
高钢锋
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.)
Innovation And Entrepreneurship Center Of State Grid Zhejiang Electric Power Co ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Innovation And Entrepreneurship Center Of State Grid Zhejiang Electric Power Co ltd
Jinhua Power Supply Co of State Grid Zhejiang 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 Innovation And Entrepreneurship Center Of State Grid Zhejiang Electric Power Co ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Innovation And Entrepreneurship Center Of State Grid Zhejiang Electric Power Co ltd
Priority to CN202310692884.0A priority Critical patent/CN116953435A/zh
Publication of CN116953435A publication Critical patent/CN116953435A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明提供了一种基于录波文件的电缆瞬时放电异常识别方法，所述电缆瞬时放电异常识别方法具体为：采样电缆的电压信号和电流信号，在进行电压信号和电流信号采样的同时，获取电压突变情况和电流突变情况；采集电压突变和电流突变前后的波形文件，将采集的波形文件作为目标序列；构建电缆局部放电模型，将目标序列输入电缆局部放电模型，获取目标序列的互近似熵值计算结果，将互近似熵值计算结果与异常研判阈值进行比较，识别电缆瞬时放电异常。本发明选取电压突变和电流突变时的波形文件来作为目标序列，并计算目标序列和电缆瞬时放电异常的模板序列之间的互近似熵值，以此进行电缆的异常识别，从而有效降低计算量，提高异常识别效率。

Description

一种基于录波文件的电缆瞬时放电异常识别方法
技术领域
本发明涉及电缆异常识别技术领域，尤其是指一种基于录波文件的电缆瞬时放电异常识别方法。
背景技术
电力电缆具有不易受到外部环境影响的特点，能够有效地提升继电系统的安全性和供电系统传输稳定性，已经被广泛应用到至各地的输电系统内。但电缆在建成和投入使用后，会长期地受到电、热、机械的作用，性能逐渐出现老化、劣化，同时在其制造和施工中所存在的微小缺陷，也可能会随着其运行时间逐步地发展而进一步恶化，故障点往往出现在电缆头、电缆中间接头、终端头及母线设备上。由于电缆采用密封紧凑型结构，绝缘材质包裹于密封外壳里，一旦发生故障，不易快速确定故障点和维修，导致线路停电。结合相关的运行数据信息可知，10kV中压电缆的绝缘故障一般与绝缘老化等现象有关，而电缆的瞬时放电情况能够反映电缆的绝缘老化情况，因此现有的电缆异常检测方法中，大多通过检测电缆的瞬时放电情况来确定电缆异常，从而实现对于电缆异常的识别。但现有的瞬时放电检测方法中，大多需要获取电缆运行过程中的所有波形数据，并以此进行后续的异常识别处理，数据量很大，识别效率较低。
发明内容
本发明的目的是克服现有技术中的缺点，提供一种基于录波文件的电缆瞬时放电异常识别方法，通过选取电压突变和电流突变时的波形文件来作为目标序列，并计算目标序列和电缆瞬时放电异常的模板序列之间的互近似熵值来确定两者之间的互相关程度，从而实现对于电缆的异常识别，能够解决现有的电缆瞬时放电异常检测方法中存在的需对电力电缆的持续运行信号进行识别判断，计算量较大，异常识别效率较低的问题，使得电缆瞬时放电故障的识别效率能够得到提高。
本发明的目的是通过下述技术方案予以实现：
一种基于录波文件的电缆瞬时放电异常识别方法，包括，
采样电缆的电压信号和电流信号，在进行电压信号和电流信号采样的同时，获取电压突变情况和电流突变情况；
采集电压突变和电流突变前后的波形文件，将采集的波形文件作为目标序列；
构建电缆局部放电模型，将目标序列输入电缆局部放电模型，电缆局部放电模型获取目标序列的互近似熵值计算结果，将互近似熵值计算结果与异常研判阈值进行比较，基于比较结果识别电缆瞬时放电异常。
进一步的，所述构建电缆局部放电模型，包括，高速采样录制若干个瞬时放电波形文件，将录制的瞬时放电波形文件作为异常识别的模板序列，基于模板序列构建电缆局部放电模型。
进一步的，基于模板序列构建电缆局部放电模型后，还根据模板序列获取异常研判阈值，所述根据模板序列获取异常研判阈值，包括，设置模板序列互为模板序列和目标序列，计算目标序列和模板序列的互近似熵值，选取最大的互近似熵值作为异常研判阈值。
进一步的，所述计算目标序列和模板序列的互近似熵值，包括以下步骤：对目标序列和模板序列进行矢量重构，并分别按顺序组成对应的多维矢量，分别计算对应多维矢量之间的矢量距离，获取矢量距离最大值，给定相似容限，统计多维矢量之间的矢量距离小于相似容限的数量，并计算统计出的多维矢量之间的矢量距离小于相似容限的数量与总矢量数量的比值，基于计算所得比值获取目标序列和模板序列之间的互相关程度，基于目标序列和模板序列之间的互相关程度数值得到目标序列和模板序列的互近似熵值。
进一步的，所述互近似熵值的表达式为：
CApEn(m,r)＝Tm,r(O(U(i),U(j)))-Tm+1,r(O(U(i),U(j)))；
其中，CApEn(m,r)为目标序列和模板序列的互近似熵值，m为重构矢量的维数，r为给定的相似容限，U(i)和U(j)分别为目标序列和模板序列，i和j分别为目标序列和模板序列中的一个采样数据，O(U(i),U(j))为目标序列和模板序列之间的最大差值，Tm,r()为m维下目标序列和模板序列之间的互相关程度数值，Tm+1,r()为m+1维下目标序列和模板序列之间的互相关程度数值。
进一步的，所述基于比较结果识别电缆瞬时放电异常，包括，互近似熵值均低于异常识别阈值的目标序列视为电缆瞬间放电异常，其他情况下，将目标序列视为待确认正常运行，并对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果。
进一步的，所述对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果，包括，获取待确认正常运行的目标序列对应波形文件，基于获取的波形文件确定电流信号的幅值和频率，根据电流信号的幅值和频率对待确认正常运行的目标序列进行电缆瞬时放电异常判断，若电流信号的幅值和频率显示电缆瞬时放电异常，则将该待确认正常运行的目标序列识别为电缆瞬时放电异常，并将该待确认正常运行的目标序列作为模板序列，对电缆局部放电模型进行更新，若电流信号的幅值和频率显示未出现电缆瞬时放电异常。
本发明的有益效果是：
能够选取电压突变和电流突变时的波形文件来作为目标序列进行识别，不需要对电缆运行过程中的所有波形文件进行分析计算，能够大大降低计算量，从而提高电缆瞬时放电异常的识别效率。且进一步通过计算互近似熵值的方式来实现异常识别，能够有效避免现有的通过提取特征量来实现异常识别的方法中存在的特征量提取不准确的问题，保障了异常识别的准确性。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例：
一种基于录波文件的电缆瞬时放电异常识别方法，如图1所示，包括，
采样电缆的电压信号和电流信号，在进行电压信号和电流信号采样的同时，获取电压突变情况和电流突变情况；
采集电压突变和电流突变前后的波形文件，将采集的波形文件作为目标序列；
构建电缆局部放电模型，将目标序列输入电缆局部放电模型，电缆局部放电模型获取目标序列的互近似熵值计算结果，将互近似熵值计算结果与异常研判阈值进行比较，基于比较结果识别电缆瞬时放电异常。
近似熵和互近似熵定义为：时间序列向量在由m维增加至m+1维时继续保持其相似性的条件概率。其物理意义是当维数变化时，时间序列向量产生新模式的概率大小，如果熵值越大，表明时间序列向量产生新模式的概率越大，也就是该序列向量越复杂。近似熵用于描述一个时间序列(比如一条曲线波形)在模式上的复杂性(即相似性)，是对自身波形复杂性的描述。而互近似熵则用一种条件概率来衡量两个时间序列(两条曲线波形)在模式上的相似性，互近似熵对两条时间序列向量的相似性进行定量表述，也就是描述两条曲线在时间轴上的相似模式，或者说描述两条曲线在模式上的相似程度有多大，若两条曲线波形越相似和接近，那么对应的互近似熵将越小。
互近似熵对两条时间序列向量的相似性进行定量表述，也就是描述两条曲线在时间轴上的相似模式，或者说描述两条曲线在模式上的相似程度有多大，若两条曲线波形越相似和接近，那么对应的互近似熵将越小。互近似熵以统计的方法来表征两条曲线随着时间发展所呈现出来的差异或变化情况，以此来描述两条曲线波形的相似程度，互近似熵不用于重建整个曲线波形的全貌，因此只需要较短的数据样本就可以运算得到比较稳定的熵值。互近似熵所需数据窗较短的优点对于动态观察两条瞬时放电波形的相似度具有重要意义。
互近似熵提出了相似容限的概念，互近似熵相当于相似容限条件下的统计概率。当参与互近似熵运算的曲线样本数据小于该相似容限时，小于相似容限的曲线细节信息就会被过滤掉，只保留幅值大于相似容限的相似模式。也就是说，幅值低于相似容限的噪声能够被抑制，互近似熵具有良好的抗干扰性能。
互近似熵具有良好的适用性，对于信号类型没有严格限制，适用于各种信号的相似性分析。对于瞬时放电信号的多样化和不确定性，甚至可能包含各种随机的干扰，互近似熵方法也同样适用于瞬时放电信号分析。
所述构建电缆局部放电模型，包括，高速采样录制若干个瞬时放电波形文件，将录制的瞬时放电波形文件作为异常识别的模板序列，基于模板序列构建电缆局部放电模型。
所述电缆局部放电模型中储存有录制的模板序列，并能够在接收到输入的波形文件后，分别与每个模板序列进行互近似熵值的计算，从而根据计算结果来进行后续的瞬时放电异常识别。
基于模板序列构建电缆局部放电模型后，还根据模板序列获取异常研判阈值，所述根据模板序列获取异常研判阈值，包括，设置模板序列互为模板序列和目标序列，计算目标序列和模板序列的互近似熵值，选取最大的互近似熵值作为异常研判阈值。
由于每个电缆的运行状况不一样，因此根据具体的模板序列来获取异常研判阈值，由于互近似熵值越小，模板序列和目标序列的相似度越高，因此选取计算得到的最大互近似熵值作为异常研判阈值。
所述计算目标序列和模板序列的互近似熵值，包括以下步骤：对目标序列和模板序列进行矢量重构，并分别按顺序组成对应的多维矢量，分别计算对应多维矢量之间的矢量距离，获取矢量距离最大值，给定相似容限，统计多维矢量之间的矢量距离小于相似容限的数量，并计算统计出的多维矢量之间的矢量距离小于相似容限的数量与总矢量数量的比值，基于计算所得比值获取目标序列和模板序列之间的互相关程度，基于目标序列和模板序列之间的互相关程度数值得到目标序列和模板序列的互近似熵值。
以包含N个采样数据的两条波形的互近似熵值计算为例：
两条波形包括目标序列{i(k)}和模板序列{i(j)}，对目标序列和模板序列进行矢量重构，按顺序组成m维矢量，分别记为Xk和Xj：
Xk＝[i(k),…,i(k+m-1)],k＝1,2,…,N-m+1；
Xj＝[i(j),…,i(j+m-1)],j＝1,2,…,N-m+1；
分别计算矢量Xk和Xj之间的矢量距离，并获取最大的矢量距离：
d(Xk,Xj)＝max(i(k+p)-i(j+p))0≤p≤m；
给定相似容限r，并统计矢量Xk和Xj之间的矢量距离小于r的个数Nm,r，并计算Nm,r与总的矢量个数N-m+1的比值，即：
Cm,r＝(d(Xk,Xj)<r的个数)/(N-m+1)；
其中，Cm,r反映了序列中m维模式在相似容限r下相互近似的概率。本实施例中，取m＝2，r＝0.1～0.25标准差。
再对Cm,r取对数，进而求其平均值，从而获取目标序列和模板序列之间的互相关程度。
即，
同时计算当嵌入维度为m+1时，目标序列和模板序列之间的互相关程度数值Tm+1,r。
最后，获得的所述互近似熵值的表达式为：
CApEn(m,r)＝Tm,r(O(U(i),U(j)))-Tm+1,r(O(U(i),U(j)))；
其中，CApEn(m,r)为目标序列和模板序列的互近似熵值，m为重构矢量的维数，r为给定的相似容限，U(i)和U(j)分别为目标序列和模板序列，i和j分别为目标序列和模板序列中的一个采样数据，O(U(i),U(j))为目标序列和模板序列之间的最大差值，Tm,r()为m维下目标序列和模板序列之间的互相关程度数值，Tm+1,r()为m+1维下目标序列和模板序列之间的互相关程度数值。
所述基于比较结果识别电缆瞬时放电异常，包括，互近似熵值均低于异常识别阈值的目标序列视为电缆瞬间放电异常，其他情况下，将目标序列视为待确认正常运行，并对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果。
所述对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果，包括，获取待确认正常运行的目标序列对应波形文件，基于获取的波形文件确定电流信号的幅值和频率，根据电流信号的幅值和频率对待确认正常运行的目标序列进行电缆瞬时放电异常判断，若电流信号的幅值和频率显示电缆瞬时放电异常，则将该待确认正常运行的目标序列识别为电缆瞬时放电异常，并将该待确认正常运行的目标序列作为模板序列，对电缆局部放电模型进行更新，若电流信号的幅值和频率显示未出现电缆瞬时放电异常。
为了避免电流或电压波动，或者未记录到的瞬时放电异常对电缆瞬时放电异常识别结果造成影响，对互近似熵值大于或等于异常识别阈值的目标序列进行波形文件复核，并对于之前未记录的电缆瞬间放电异常进行记录，将其作为新的模板序列加入电缆局部放电模型，完善电缆局部放电模型。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (7)

1.一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，包括，采样电缆的电压信号和电流信号，在进行电压信号和电流信号采样的同时，获取电压突变情况和电流突变情况；
采集电压突变和电流突变前后的波形文件，将采集的波形文件作为目标序列；构建电缆局部放电模型，将目标序列输入电缆局部放电模型，电缆局部放电模型获取目标序列的互近似熵值计算结果，将互近似熵值计算结果与异常研判阈值进行比较，基于比较结果识别电缆瞬时放电异常。
2.根据权利要求1所述的一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，所述构建电缆局部放电模型，包括，高速采样录制若干个瞬时放电波形文件，将录制的瞬时放电波形文件作为异常识别的模板序列，基于模板序列构建电缆局部放电模型。
3.根据权利要求2所述的一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，基于模板序列构建电缆局部放电模型后，还根据模板序列获取异常研判阈值，所述根据模板序列获取异常研判阈值，包括，设置模板序列互为模板序列和目标序列，计算目标序列和模板序列的互近似熵值，选取最大的互近似熵值作为异常研判阈值。
4.根据权利要求3所述的一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，所述计算目标序列和模板序列的互近似熵值，包括以下步骤：对目标序列和模板序列进行矢量重构，并分别按顺序组成对应的多维矢量，分别计算对应多维矢量之间的矢量距离，获取矢量距离最大值，给定相似容限，统计多维矢量之间的矢量距离小于相似容限的数量，并计算统计出的多维矢量之间的矢量距离小于相似容限的数量与总矢量数量的比值，基于计算所得比值获取目标序列和模板序列之间的互相关程度，基于目标序列和模板序列之间的互相关程度数值得到目标序列和模板序列的互近似熵值。
5.根据权利要求4所述的一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，所述互近似熵值的表达式为：
CApEn(m,r)＝Tm,r(O(U(i),U(j)))-Tm+1,r(O(U(i),U(j)))；
其中，CApEn(m,r)为目标序列和模板序列的互近似熵值，m为重构矢量的维数，r为给定的相似容限，U(i)和U(j)分别为目标序列和模板序列，i和j分别为目标序列和模板序列中的一个采样数据，O(U(i),U(j))为目标序列和模板序列之间的最大差值，Tm,r()为m维下目标序列和模板序列之间的互相关程度数值，Tm+1,r()为m+1维下目标序列和模板序列之间的互相关程度数值。
6.根据权利要求1所述的一种基于录波文件的电缆瞬时放电异常识别方法，其特征在于，所述基于比较结果识别电缆瞬时放电异常，包括，互近似熵值均低于异常识别阈值的目标序列视为电缆瞬间放电异常，其他情况下，将目标序列视为待确认正常运行，并对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果。
7.根据权利要求6所述的一种基所述于录波文件的电缆瞬时放电异常识别方法，其特征在于，所述对待确认正常运行的目标序列进行波形文件复核，并基于复核结果确定待确认正常运行的目标序列的电缆瞬时放电异常识别结果，包括，获取待确认正常运行的目标序列对应波形文件，基于获取的波形文件确定电流信号的幅值和频率，根据电流信号的幅值和频率对待确认正常运行的目标序列进行电缆瞬时放电异常判断，若电流信号的幅值和频率显示电缆瞬时放电异常，则将该待确认正常运行的目标序列识别为电缆瞬时放电异常，并将该待确认正常运行的目标序列作为模板序列，对电缆局部放电模型进行更新，若电流信号的幅值和频率显示未出现电缆瞬时放电异常。
CN202310692884.0A 2023-06-12 2023-06-12 一种基于录波文件的电缆瞬时放电异常识别方法 Pending CN116953435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310692884.0A CN116953435A (zh) 2023-06-12 2023-06-12 一种基于录波文件的电缆瞬时放电异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310692884.0A CN116953435A (zh) 2023-06-12 2023-06-12 一种基于录波文件的电缆瞬时放电异常识别方法

Publications (1)

Publication Number Publication Date
CN116953435A true CN116953435A (zh) 2023-10-27

Family

ID=88445215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310692884.0A Pending CN116953435A (zh) 2023-06-12 2023-06-12 一种基于录波文件的电缆瞬时放电异常识别方法

Country Status (1)

Country Link
CN (1) CN116953435A (zh)

Similar Documents

Publication Publication Date Title
CN109029960B (zh) 一种断路器机械状态检测方法
CN111766462B (zh) 一种基于v-i轨迹的非侵入式负荷识别方法
CN115982602B (zh) 一种光伏变压器电故障检测方法
CN114252749B (zh) 基于多传感器的变压器局部放电检测方法及装置
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN112285494A (zh) 一种电力电缆局部放电模式识别分析系统
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN113341283A (zh) 一种变压器套管局部放电模式识别方法
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN116953435A (zh) 一种基于录波文件的电缆瞬时放电异常识别方法
CN115577272B (zh) 一种基于故障录波数据的多重雷击判别方法
KR101575204B1 (ko) 부분 방전 진단 장치 및 그 방법
CN115792507A (zh) 一种基于短时窗斜率单调性的多重雷击判别方法及系统
CN115144172A (zh) 一种基于声音的gis断路器故障在线监测系统及方法
CN111473860B (zh) 一种用于高压交流断路器振动信号特征参数提取方法
CN113238128A (zh) 一种循环渐进式局部放电判别方法
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN118091234B (zh) 一种用于故障诊断处理的电流互感器
CN118091300B (zh) 基于数据分析的贴片电阻故障诊断方法
EP4354241A1 (en) Vibration measurement error determination method and vibration error discernment system using same
CN114252737B (zh) 一种电力电缆局放发展过程的状态识别与评价方法及系统
CN115166445A (zh) 环氧树脂电流互感器绝缘缺陷识别方法、设备及存储介质
CN112415259A (zh) 一种电缆过电压检测方法
CN115982656A (zh) 一种基于集成学习技术的腐蚀类型分类方法

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