CN116973703A - 干式空心电抗器放电故障与异常运行状态的声学诊断方法 - Google Patents
干式空心电抗器放电故障与异常运行状态的声学诊断方法 Download PDFInfo
- Publication number
- CN116973703A CN116973703A CN202310954841.5A CN202310954841A CN116973703A CN 116973703 A CN116973703 A CN 116973703A CN 202310954841 A CN202310954841 A CN 202310954841A CN 116973703 A CN116973703 A CN 116973703A
- Authority
- CN
- China
- Prior art keywords
- acoustic
- discharge
- abnormal operation
- fault
- diagnosis method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000003822 epoxy resin Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 229920000647 polyepoxide Polymers 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 208000028659 discharge Diseases 0.000 description 24
- 230000007547 defect Effects 0.000 description 7
- 238000009413 insulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G01R31/1209—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 using acoustic measurements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了干式空心电抗器放电故障与异常运行状态的声学诊断方法，搭建干式空心电抗器典型故障模拟的实验平台；通过声学传感器依次获取四种故障类型的声学信号样本，将时间序列编码为特征图谱，以便后续的诊断方法能自主地识别和分类时间序列；将步骤二中转化得到的特征图谱输入至声学诊断模型中，完成故障类型的识别；通过声学检测手段综合考虑了干式空心电抗器的放电故障和异常运行状态；构建了相应的声学诊断模型，利用深度降噪自编码器的特征提取能力与抗噪声干扰能力，实现了特征的自动提取与原始信息的保留；利用卷积神经网络完成了后续的类别划分与辨识任务，具有较高的识别准确率；降低了检修人员的专业知识需求并提升检修效率。
Description
技术领域
本发明属于电力设备在线检测技术领域，具体涉及干式空心电抗器放电故障与异常运行状态的声学诊断方法。
背景技术
干式空心电抗器的运行故障主要由绝缘缺陷与线圈缺陷两方面原因导致。线圈缺陷是指线圈在制作工艺上存在偏差、线圈与端部星形架连接不牢或线圈布局不合理等缺陷，容易导致电抗器局部过热，加速局部绝缘的老化甚至引起电抗器烧毁。绝缘缺陷则是绝缘材料中本身存在气隙、裂缝或尖刺，在极端运行条件下受潮与积污，引起缺陷处的局部放电破坏匝间绝缘，造成线圈匝间短路甚至烧毁电抗器。在故障发展过程中，绝缘破坏常常伴随着放电现象，进一步加速了故障的演化趋势。
此外，随着电抗器容量与耐压等级的不断提高，电抗器振动大、噪声污染严重的问题也日益凸显，逐渐引起了相关研究人员的重视。虽然振动噪声不会引起电抗器的烧毁或导致电网运行的安全事故，但会严重影响现场的生产秩序、周围居民的日常生活。因此，对电抗器运行过程中的噪声进行及时分析与分类，判断故障具体产生的原因并排除工作噪声具有重要意义。
目前，针对干式空心电抗器的运行故障，现有的状态检测方法主要分为电测法与非电测法两类。电测法中基于振荡电流和功率因数等电气量的状态检测方法能有效识别匝间短路或电弧故障，但不能及时预警由电抗器缺陷引起的早期放电故障。这些放电故障加速了局部绝缘的老化或导致绝缘击穿，甚至诱发电抗器烧毁事故。非电测法中红外检测最为成熟。采用非冷焦平面原理的红外热像仪对局部过热故障检出率较高，但对放电故障无能为力，且热量累积是长期缓慢的过程，无法实现故障的早期预警。针对干式空心电抗器的异常运行状态，研究人员一方面通过理论研究与实验验证提出了振动控制技术，有效降低了电抗器运行过程中的整体振动噪声，另一方面建立了多物理场耦合模型，结合动力学理论与声学理论模拟了电抗器整体的噪声分布，为运行过程中的分析提供了理论依据，但总体来说，缺乏快速探明振动来源的相关研究。综合上述调研，现有的检测方法更侧重于故障后电量与非电量的检测，响应时间长且不能给出关于位置、演化情况等方面的指导意见，本发明综合考虑了干式空心电抗器的放电故障与异常运行状态，旨在及时察觉干式空心电抗器潜伏性故障先兆，实现故障严重程度及未来演化趋势的精确判断。
发明内容
本发明的目的在于提供干式空心电抗器放电故障与异常运行状态的声学诊断方法，将声学方法引入干式空心电抗器的状态检测，利用提出诊断方法实现干式空心电抗器的状态评估。
为实现上述目的，本发明提供如下技术方案：干式空心电抗器放电故障与异常运行状态的声学诊断方法，具体包括：步骤一：搭建干式空心电抗器典型故障模拟的实验平台，其中模拟的故障类型包括匝间放电、沿面放电、紧固件松动与环氧树脂绑纱处松动四种；匝间放电与沿面放电为运行过程中的放电故障，紧固件松动与环氧树脂绑纱处松动为异常运行状态；
步骤二：通过声学传感器依次获取四种故障类型的声学信号样本，将时间序列编码为特征图谱，以便后续的诊断方法能自主地识别和分类时间序列；
步骤三：将步骤二中转化得到的特征图谱输入至声学诊断模型中，完成故障类型的识别。
优选的，步骤二所描述的将时间序列编码为特征图谱的方法，具体工作流程为，
S21：对采集得到的时间序列进行归一化处理，优选的，考虑到测量的时间序列中有正数与负数，最大值与最小值均不明确，为保证不改变数据本身的分布情况，归一化的结果是将采集的声学信号映射到[-1,1]的区间，计算的具体表达式为，
式中X表示当前处理的时间序列，xi表示某个时间点对应的序列值；
S22：完成归一化处理后，通过坐标变换公式实现直角坐标系下的序列在极坐标下的编码，具体表达式为，
式中，时间序列对应的值被编码为余弦值Φ，时间则被编码为极坐标的半径，ti表示序列中的第i个时间点；N是一个常数，用于规范化极坐标系统的跨度；
在完成极坐标下的转换后，考虑通过每个点的三角函数和来表示不同时间间隔内时间序列的相关性，即为格拉姆角和矩阵(GASF)；
S23：将格拉姆矩阵中的元素映射到RGB空间即可形成对应的时域特征谱图。
优选的，步骤S23中，在后续诊断过程中，由于算法对颜色这一特征的依赖程度极低，无需输入三通道的彩色图像，而是以构建谱图的灰度图替代，灰度化的计算表达式为：
Y＝0.299R+0.587G+0.114B。
优选的，步骤三中所述的声学诊断模型，其具体工作流程为，
S31：利用分层抽样的方法，根据每种放电故障或异常运行状态的样本数量，按比例将总体实验样本集划分为训练集与测试集；
S32：构建深度降噪自编码器，利用训练集进行无监督训练，提取特征；自编码器是一种人工神经网络，用于学习如何将高维数据编码为低维数据，而降噪自编码器是其中的一个分支，通过引入随机噪声缓解经典自编码器的过拟合问题，增强了模型的鲁棒性；
S33：构建卷积神经网络，输入为步骤S32中提取的特征，输出设置为待识别的四种运行状态标签；卷积神经网络往往由一个或多个卷积层、整流层、池化层和全连接层等部分组成，通过卷积核共享权重、最大池化简化了网络结构参数；
S34：利用提取特征对卷积神经网络进行训练，输出识别类型并计算与标签间的误差，通过反向传播和梯度下降算法更新网络参数，得到适合模型的最优参数；
S35：针对待测试数据，利用训练好的深度降噪自编码器与卷积神经网络，得到故障类型的识别结果。
与现有技术相比，本发明的有益效果是：本发明设计的方法，通过声学检测手段综合考虑了干式空心电抗器的放电故障和异常运行状态；此外，构建了相应的声学诊断模型，利用深度降噪自编码器的特征提取能力与抗噪声干扰能力，实现了特征的自动提取与原始信息的保留；利用卷积神经网络完成了后续的类别划分与辨识任务，具有较高的识别准确率；综上所述，所提出方法可以实现干式空心电抗器运行状态的评估，降低了检修人员的专业知识需求并提升检修效率，对检修计划的制定具有指导意义。
附图说明
图1为特征图谱的生成示意图。
图2为构建的深度降噪自编码器的结构示意图。
图3为整个声学诊断方法的工作流程图。
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至图3，本发明提供一种技术方案：干式空心电抗器放电故障与异常运行状态的声学诊断方法，包括搭建平台、获取样本与构建诊断模型等方面；
首先搭建干式空心电抗器典型故障模拟的实验平台，其中模拟的故障类型包括匝间放电、沿面放电、紧固件松动与环氧树脂绑纱处松动四种；其中匝间放电与沿面放电为运行过程中的放电故障，紧固件松动与环氧树脂绑纱处松动为异常运行状态。
其次，通过声学传感器依次获取四种故障类型的声学信号样本，将时间序列编码为特征图谱，以便后续的诊断方法能自主地识别和分类时间序列，整个过程的示意图如图1所示；编码的具体实现过程为，首先对采集得到的时间序列进行归一化处理，考虑到测量的时间序列中有正数与负数，最大值与最小值均不明确，为保证不改变数据本身的分布情况，归一化的结果是将采集的声学信号映射到[-1,1]的区间，计算的具体表达式为，
式中X表示当前处理的时间序列，xi表示某个时间点对应的序列值；完成归一化处理后，通过坐标变换公式实现直角坐标系下的序列在极坐标下的编码，具体表达式为，
式中，时间序列对应的值被编码为余弦值Φ，时间则被编码为极坐标的半径，ti表示序列中的第i个时间点；N是一个常数，用于规范化极坐标系统的跨度；在完成极坐标下的转换后，考虑通过每个点的三角函数和来表示不同时间间隔内时间序列的相关性，即为格拉姆角和矩阵(GASF)。
最后，将格拉姆矩阵中的元素映射到RGB空间即可形成对应的时域特征谱图。在后续诊断过程中，由于算法对颜色这一特征的依赖程度极低，无需输入三通道的彩色图像，而是以构建谱图的灰度图替代，灰度化的计算表达式为，
Y＝0.299R+0.587G+0.114B
然后，将得到的特征图谱输入构建的声学诊断模型中，得到最终故障类型的识别结果。模型中具体的工作流程为，首先利用分层抽样的方法，根据每种放电故障或异常运行状态的样本数量，按比例将总体实验样本集划分为训练集与测试集；构建深度降噪自编码器，利用训练集进行无监督训练，提取特征；构建的深度降噪自编码器的结构示意图如图2所示。设计的降噪自编码器由编码器与解码器两部分构成，且整体结构完全对称。编码器具体包含1个输入层、3个卷积层、1个展开层和2个全连接层；卷积层中卷积核的大小均为3*3，输出通道数由8-16-32依次增加，三层卷积后得到的特征图谱维度为32*24*24，经展开层变形为一维张量后再由2个全连接层降低到指定的潜在特征维度；解码器中的顺序则完全相反，先经过2个全连接层，再依次通过1个展开层和3个逆卷积层得到重构输出，最终重构的输出等于原始输入的大小，即为1*200*200。整个网络采用ReLU激活函数，优化器选用Adam算法，以均方误差(Mean Square Error,MSE)为损失函数；构建卷积神经网络，输入为步骤2中提取的特征，输出设置为待识别的四种运行状态标签；利用提取特征对卷积神经网络进行训练，输出识别类型并计算与标签间的误差，通过反向传播和梯度下降算法更新网络参数，得到适合模型的最优参数；针对待测试数据，利用训练好的深度降噪自编码器与卷积神经网络，得到故障类型的识别结果。
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 (5)
1.干式空心电抗器放电故障与异常运行状态的声学诊断方法，其特征在于：具体包括：步骤一：搭建干式空心电抗器典型故障模拟的实验平台，其中模拟的故障类型包括匝间放电、沿面放电、紧固件松动与环氧树脂绑纱处松动四种；匝间放电与沿面放电为运行过程中的放电故障，紧固件松动与环氧树脂绑纱处松动为异常运行状态；
步骤二：通过声学传感器依次获取四种故障类型的声学信号样本，将时间序列编码为特征图谱，以便后续的诊断方法能自主地识别和分类时间序列；
步骤三：将步骤二中转化得到的特征图谱输入至声学诊断模型中，完成故障类型的识别。
2.根据权利要求1所述的干式空心电抗器放电故障与异常运行状态的声学诊断方法，其特征在于：步骤二所描述的将时间序列编码为特征图谱的方法，具体工作流程为，
S21：对采集得到的时间序列进行归一化处理，计算的具体表达式为，
式中X表示当前处理的时间序列，xi表示某个时间点对应的序列值；
S22：完成归一化处理后，通过坐标变换公式实现直角坐标系下的序列在极坐标下的编码，具体表达式为，
式中，时间序列对应的值被编码为余弦值Φ，时间则被编码为极坐标的半径，ti表示序列中的第i个时间点；N是一个常数，用于规范化极坐标系统的跨度；
在完成极坐标下的转换后，考虑通过每个点的三角函数和来表示不同时间间隔内时间序列的相关性，即为格拉姆角和矩阵(GASF)；
S23：将格拉姆矩阵中的元素映射到RGB空间即可形成对应的时域特征谱图。
3.根据权利要求2所述的干式空心电抗器放电故障与异常运行状态的声学诊断方法，其特征在于：步骤S23中，在后续诊断过程中，由于算法对颜色这一特征的依赖程度极低，无需输入三通道的彩色图像，而是以构建谱图的灰度图替代，灰度化的计算表达式为：
Y＝0.299R+0.587G+0.114B。
4.根据权利要求2所述的干式空心电抗器放电故障与异常运行状态的声学诊断方法，其特征在于：步骤S21中，考虑到测量的时间序列中有正数与负数，最大值与最小值均不明确，为保证不改变数据本身的分布情况，归一化的结果是将采集的声学信号映射到[-1,1]的区间。
5.根据权利要求1所述的干式空心电抗器放电故障与异常运行状态的声学诊断方法，其特征在于：步骤三中所述的声学诊断模型，其具体工作流程为，
S31：利用分层抽样的方法，根据每种放电故障或异常运行状态的样本数量，按比例将总体实验样本集划分为训练集与测试集；
S32：构建深度降噪自编码器，利用训练集进行无监督训练，提取特征；自编码器是一种人工神经网络，用于学习如何将高维数据编码为低维数据，而降噪自编码器是其中的一个分支，通过引入随机噪声缓解经典自编码器的过拟合问题，增强了模型的鲁棒性；
S33：构建卷积神经网络，输入为步骤S32中提取的特征，输出设置为待识别的四种运行状态标签；卷积神经网络往往由一个或多个卷积层、整流层、池化层和全连接层等部分组成，通过卷积核共享权重、最大池化简化了网络结构参数；
S34：利用提取特征对卷积神经网络进行训练，输出识别类型并计算与标签间的误差，通过反向传播和梯度下降算法更新网络参数，得到适合模型的最优参数；
S35：针对待测试数据，利用训练好的深度降噪自编码器与卷积神经网络，得到故障类型的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310954841.5A CN116973703A (zh) | 2023-08-01 | 2023-08-01 | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310954841.5A CN116973703A (zh) | 2023-08-01 | 2023-08-01 | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116973703A true CN116973703A (zh) | 2023-10-31 |
Family
ID=88484598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310954841.5A Pending CN116973703A (zh) | 2023-08-01 | 2023-08-01 | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116973703A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
| CN118244071A (zh) * | 2024-05-28 | 2024-06-25 | 山东泰开电力电子有限公司 | 一种干式铁芯电抗器局部放电检测方法及系统 |
-
2023
- 2023-08-01 CN CN202310954841.5A patent/CN116973703A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
| CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
| CN118244071A (zh) * | 2024-05-28 | 2024-06-25 | 山东泰开电力电子有限公司 | 一种干式铁芯电抗器局部放电检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116973703A (zh) | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 | |
| CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| Xiao et al. | Multifeature extraction and semi-supervised deep learning scheme for state diagnosis of converter transformer | |
| CN109670652A (zh) | 一种光伏组件的故障预测方法 | |
| CN111797566A (zh) | 一种表征变压器健康状态的关键特征量确定方法和系统 | |
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| CN116796625A (zh) | 一种基于数字孪生的变压器热状态异常检测方法及系统 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
| CN114595883B (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| CN118330505B (zh) | 基于无线通信的线路泄漏电流监测与漏电保护方法 | |
| CN112288147A (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
| CN116595459A (zh) | 一种基于电场信号的污闪预警方法及系统 | |
| CN110045248B (zh) | 一种基于图像识别的油浸式套管老化状态评估方法 | |
| CN117421992B (zh) | 一种变压器绕组热点温度反演方法 | |
| CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
| CN111999695B (zh) | 一种变电站计量装置状态评估与异常诊断方法 | |
| CN111044176A (zh) | 一种发电机温度异常的监测方法 | |
| CN116223954A (zh) | 基于lstm网络的输电线路温度预测与温升预警方法 | |
| CN115809600A (zh) | 一种变压器瞬态绕组烧点温度反演方法和系统 | |
| CN114970610A (zh) | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 | |
| Zhang et al. | Transformer multimodal data and knowledge encoding method based on attention model | |
| Tan et al. | MONITORING AND WARNING OF SMART GRID FAULT INFORMATION USING DEEP LEARNING | |
| CN117929946A (zh) | 基于支持向量机的发电机匝间绝缘状态评估方法及系统 |
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 |