CN117233551A - 一种基于多元联合特征的环网柜局放故障预警与识别方法 - Google Patents
一种基于多元联合特征的环网柜局放故障预警与识别方法 Download PDFInfo
- Publication number
- CN117233551A CN117233551A CN202311192712.3A CN202311192712A CN117233551A CN 117233551 A CN117233551 A CN 117233551A CN 202311192712 A CN202311192712 A CN 202311192712A CN 117233551 A CN117233551 A CN 117233551A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- ring main
- main unit
- discharge fault
- imf
- 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 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 210000000299 nuclear matrix Anatomy 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000009413 insulation Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明属于环网柜故障监测领域,公开了一种基于多元联合特征的环网柜局放故障预警与识别方法,利用环网柜无局放故障运行状态下的多元联合特征构建用于环网柜局放故障预警的多维控制图,进行局放故障的预警;而当监测到有局放故障发生时,则进一步利用构建的基于混合核极限学习机的局放故障识别模型来判别局放类型,为后续人工检修提供依据。本发明所述的方法可有效解决单一传感装置难以有效判别潜在局放故障、局放故障在线监测困难的问题,在提高局放故障在线诊断效率的同时,可有效降低局放故障识别方法算力需求,易于实际部署应用。
Description
技术领域
本发明属于环网柜故障监测领域,具体涉及一种基于多元联合特征的环网柜局放故障预警与识别方法。
背景技术
环网柜作为电力系统的关键设备,其运行可靠性对确保电力系统的供电安全性起到关键作用,而环网柜由于其内部绝缘结构多样、运行环境复杂及自身生产质量或工艺缺陷等因素,在长期运行过程中有可能发生局部放电现象,进而进一步加剧绝缘劣化直至绝缘损坏,因此对环网柜定期开展局放检测成为了评估环网柜绝缘状态的重要手段。目前对环网柜的局放检测通常是利用某一类传感器(如温度传感器、光学传感器、红外传感器、暂态地电压传感器等)对环网柜局放信号进行长期监测,而实际中环网柜局放故障往往呈现出多元化特征,例如,环网柜内部电气绝缘发生局放故障时通常会伴随局部温度升高、电磁辐射、电脉冲、光学反应、烟雾等现象,而基于单一传感器的环网柜局放故障预警存在可靠性不高、误报等问题;同时,现有局放检测技术大都依赖专业的局放检测仪进行按需检测,未能充分挖掘环网柜内现有常规传感器(如温度传感器、湿度传感器、烟雾传感器等)在局放检测中的辅助作用,难以做到长期在线实时检测;此外,环网柜不同运行状态下所呈现的多元特征也有所不同,例如,环网柜内部出现接头松动时会发生接头温度过高问题,而线缆绝缘发生局放时会产生电磁波,如何通过简单可行的方法将其与局放故障进行有效区分也需进一步研究;最后,当监测到环网柜内有局放故障发生时,如何通过智能算法对不同类型(如内部放电、电晕放电、沿面放电等)的局放故障进行准备识别、进而为检修人员提供绝缘检修依据,也有待进一步提出解决方案。
发明内容
为解决上述技术问题,本发明提供了一种基于多元联合特征的环网柜局放故障预警与识别方法,利用环网柜无局放故障运行状态下的多元联合特征构建用于环网柜局放故障预警的多维控制图,进行局放故障的预警;而当监测到有局放故障发生时,则进一步利用构建的局放故障识别模型来判别局放类型,为后续人工检修提供依据。
本发明所述的一种基于多元联合特征的环网柜局放故障预警与识别方法,包括以下步骤:
步骤1、采集环网柜无局放故障运行状态下的历史运行监测数据,构建描述目标环网柜是否有潜在局放故障的LOF控制图;
步骤2、采集环网柜不同类型局放故障下的局放信号,并分别进行EEMD分解以提取不同模态分量,计算各模态分量的多尺度排列熵并将其作为局放故障特征指标;随后通过核主元分析进行特征指标削减得到局放故障的特征向量,进而形成目标环网柜的局放故障特征数据库;对所述局放故障特征数据库采用混合核极限学习机以建立环网柜的局放故障识别模型;
步骤3、获取环网柜实时监测数据,计算当前多维监测数据的LOF值,将获取的LOF值与LOF控制图的界限值LOFup比较;若LOF≤LOFup,继续监测下一组监测数据;否则,发出环网柜局放故障预警信号;当出现局放故障预警信号时,将提取的局放故障特征向量输入局放故障识别模型中判别局放类型,得到最终判别结果。
进一步的,步骤1中,采集环网柜无局放故障运行状态下的历史运行数据,构建LOF控制图,具体步骤为:
S1-1、利用环网柜内置的温度传感器、湿度传感器、烟雾传感器及地电波传感器采集并存储环网柜的历史运行监测数据,形成环网柜的历史运行监测数据集;
S1-2、通过随机抽取的方法将历史运行监测数据集分为训练数据集和测试数据集,分别计算训练数据集中两两数据间的可达距离以及训练数据集与测试数据集两两数据间的可达距离,任意两数据点a与b间的可达距离rdk(a,b)计算公式如下:
rdk(a,b)=max{rk(a),rd(a,b)}
式中,rk(a)和rd(a,b)分别为a点的k距离和a、b点间的真实距离;当b点在a点的第k距离领域内时,rdk(a,b)等于rk(a),其中rk(a)为点a到第k个最近邻域点的距离;
S1-3、基于数据点间的距离,进一步计算测试数据集中各数据点的局部异常因子LOF;任意数据点a的局部异常因子LOFk(a)计算公式如下:
式中,Nk(a)为a点的第k距离领域,ldk(a)和ldk(b)分别为a点和b点的局部可达密度;
S1-4、对测试数据集中各数据点计算得到的LOF集合采用Bootstrap抽样以构建LOF的增广样本集合;当选取的置信水平为(1-α)时,记录下(1-α/2)对应的样本分位数;
S1-5、重复步骤S1-4多次并对记录的样本(1-α/2)分位数求平均,将得到的分位数平均值作为LOF控制图的上边界LOFup。
进一步的,步骤2中,构建环网柜的局放故障识别模型的具体步骤为:
S2-1、利用环网柜内安装的特高频传感器采集环网柜不同类型局放故障下的局放信号;针对采集到的任一局放信号,向其中分别加入满足正态分布的白噪声,对形成的新信号进行经验模态分解,保存得到的模态分量集合[IMF1,IMF2,…,IMFh],重复该步骤若干次,将最终获得的各次模态分量做集成平均处理后作为最终的模态分量结果,记作[IMFf,1,IMFf,2,…,IMFf,h];其中,IMFf,h=∑IMFh/n,n为执行重复操作的次数,即为IMFh的平均值;
S2-2、针对步骤S2-1获取的任一局放信号的模态分量IMFf,对其进行粗粒化处理后构造矩阵YIMF,
式中,τ为时间延迟;m为维数,即矩阵YIMF中重构信号的个数;KN为IMFf中总采样点数,i表示IMFf中第i个采样点,1≤i≤KN;
对YIMF中各重构信号的数据点进行升序排序后记录各数据点的索引位置,进而构成YIMF的索引矩阵SYIMF,
计算SYIMF中各行序列在矩阵中出现的概率Pz,并计算IMFf对应的标准化排列熵Hp,f,将其作为局放故障特征指标;
S2-3、将步骤S2-2得到的局放故障特征指标形成局放故障特征指标集[Hp,f,1,Hp,f,2,…,Hp,f,m],并对其进行归一化处理;选取核函数K并计算核矩阵KM,将其通过下式转换为中心矩阵H,
式中E为m×m阶单位矩阵;
计算H的特征值λq,q=1,2,…,qn,并对其进行降序排列,计算前qk个特征值的累计贡献率Cqk,
式中qn为H特征值λq的总数目;
将Cqk与其设定的阈值Cset进行比较;若Cqk≥Cset,则保留前qk个特征值对应的故障特征指标,剔除剩余的故障特征指标;
S2-4、通过步骤S2-1,S2-2和S2-3获取目标环网柜的局放故障特征数据库,对特征数据进行归一化处理,并将处理后的局放故障特征数据向量矩阵和对应的局放故障类型向量作为训练样本,构建混合核函数KHKELM,如下式所示:
KHKELM=c1Kpoly+c2KRBF
c1+c2=1
式中,Kpoly和KRBF分别为多项式核函数和径向基核函数,c1和c2为其对应权重系数;
构造核矩阵ΩHKELM,计算KHKELM的输出权值βHKELM,
ΩHKELM=<KHKELM(Xtr(i),Xtr(j))>
式中,Xtr为训练样本中的局放故障特征数据向量矩阵,Ttr为训练样本中的局放故障类型向量,I为单位对角矩阵,C为正则化系数,ΩHKELM是由Xtr中两两局放故障特征数据向量作为KHKELM的输入构成的核矩阵,i和j为训练样本中的任意两两局放故障特征数据向量的编号;
保存输出权值βHKELM并将生成混合核极限学习机作为环网柜的局放故障识别模型。
进一步的,步骤3所述的将提取的局放故障特征向量输入到步骤2构建的局放故障识别模型中判别局放类型,具体为:
将提取的局放故障特征向量Fe投射到核空间得到新的核矩阵ΩHKELM(Fe),将其与混合核极限学习机输出权值βHKELM相乘,从而输出局放故障特征向量Fe对应的判别结果向量T(Fe):
ΩHKELM(Fe)=<KHKELM(Xtr(i),Fe)>
T(Fe)=ΩHKELM(Fe)×βHKELM
式中,ΩHKELM(Fe)是由Xtr中任意局放故障特征数据向量与局放故障特征向量Fe共同作为KHKELM的输入构成的核矩阵;
取判别结果向量T(Fe)中最大值对应的故障分类作为最终判别的局放故障类型。
本发明所述的有益效果为:本发明所述的方法可有效解决单一传感装置难以有效判别潜在局放故障、局放故障在线监测困难的问题,充分利用环网柜内现有常规设备如温度、湿度、烟雾等传感器的长期监测数据,通过LOF控制图挖掘环网柜多元数据特征与局放故障间的关联性,可在不调用专业局放故障检测仪的前提下进行局放故障的在线监测及实时预警;若通过常规传感器检测到局放故障的发生,再调用专业局放检测仪进行局放信号的采集,并结合混合核极限学习机进行故障类型的精准判断,所提出方法在提高局放故障在线诊断效率的同时,可有效降低局放故障识别方法算力需求,易于实际部署应用。
附图说明
图1是所述方法的总体构成步骤;
图2是所述方法的算法流程图;
图3是实际某10kV环网柜实测的正常状态及局放故障状态下温度、湿度、烟雾浓度及地电波数据;
图4是图3中各数据点计算得到的LOF值及对应LOF控制图的上边界LOFup;
图5是图环网柜内安装的特高频传感器采集到的3类局放故障下的局放信号;
图6是利用混合核极限学习机对22类局放故障的判别结果。
具体实施方式
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
如图1及图2所示,本发明所述的一种基于多元联合特征的环网柜局放故障预警与识别方法,包括以下步骤:
步骤1、利用环网柜内置的温度传感器、湿度传感器、烟雾传感器及地电波传感器分别采集环网柜无局放故障运行状态下的历史运行数据,利用获取的历史运行数据构建描述目标环网柜是否有潜在局放故障的LOF控制图;
步骤2、利用环网柜柜内安装的特高频传感器采集环网柜不同类型局放故障下的局放信号,对采集到的各信号分别进行EEMD分解以提取不同模态分量,计算各模态分量的多尺度排列熵并将其作为局放故障特征指标,随后通过核主元分析进行特征指标削减并由剩余的特征指标构成局放故障的特征向量,进而形成目标环网柜的局放故障特征数据库,对其采用混合核极限学习机以建立环网柜的局放故障识别模型;
步骤3、获取环网柜内置的温度传感器、湿度传感器、烟雾传感器及地电波传感器的实时监测数据,计算当前多维监测数据的LOF值,将获取的LOF值与步骤1中构建的LOF控制图的界限值LOFup比较,若LOF≤LOFup,继续监测下一组监测数据,否则,发出环网柜局放故障预警信号并依据步骤2提取监测数据的局放故障特征向量,将提取的局放故障特征向量输入到步骤2构建的局放故障识别模型中判别局放类型,输出最终判别结果。
以实际某10kV环网柜为例,利用环网柜内置的温度传感器、湿度传感器、烟雾传感器及地电波传感器采集环网柜正常运行状态下及局放故障状态下的温度、相对湿度、烟雾浓度和地点波数据,采集的数据如图3所示,其中正常运行状态下的数据组为1~85组,局放故障状态下数据组为86~90组。随后,利用步骤1中LOF控制图的构建方法计算各采样点的LOF值并获取对应LOF控制图的上边界LOFup,如图4所示,由图中可见正常采样点的LOF值分布在0.95~1.75范围内,而异常采样点的LOF值分布在2.1~3.9范围内,通过步骤1计算得到LOF控制图的上边界LOFup为1.83,由图4可发现该边界值可有效区分环网柜正常运行状态和局放故障状态,验证了基于LOF控制图的环网柜局放故障预警方法。
进一步地,利用环网柜内安装的特高频传感器采集不同类型局放故障下的局放信号,共采集22类局放故障波形,共计968组波形数据,其中3类局放故障的波形如图5所示;随后利用步骤2对采集故障波形进行故障特征提取并构建用于局放故障类型识别的混合核极限学习机模型,其中采用的混合核函数由多项式核函数Kpoly和径向基核函数KRBF共同构成,二者的权重系数c1和c2分别为0.27和0.73,968组波形数据输入模型后得到的实测分类和预测分类图如图6所示,模型精度可达98.7%,验证了基于混合核极限学习机局放故障识别方法的有效性。
以上所述仅为本发明的优选方案,并非作为对本发明的进一步限定,凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。
Claims (4)
1.一种基于多元联合特征的环网柜局放故障预警与识别方法,其特征在于,包括以下步骤:
步骤1、采集环网柜无局放故障运行状态下的历史运行监测数据,构建描述目标环网柜是否有潜在局放故障的LOF控制图;
步骤2、采集环网柜不同类型局放故障下的局放信号,并分别通过EEMD分解方法得到局放故障特征指标;随后通过核主元分析进行特征指标削减得到局放故障的特征向量,进而形成目标环网柜的局放故障特征数据库;对所述局放故障特征数据库采用混合核极限学习机以建立环网柜的局放故障识别模型;
步骤3、获取环网柜实时监测数据,计算当前多维监测数据的LOF值,将获取的LOF值与LOF控制图的界限值LOFup比较;若LOF≤LOFup,继续监测下一组监测数据;否则,发出环网柜局放故障预警信号;当出现局放故障预警信号时,将提取的局放故障特征向量输入局放故障识别模型中判别局放类型,得到最终判别结果。
2.根据权利要求1所述的一种基于多元联合特征的环网柜局放故障预警与识别方法,其特征在于,步骤1中,采集环网柜无局放故障运行状态下的历史运行数据,构建LOF控制图,具体步骤为:
S1-1、利用环网柜内置的温度传感器、湿度传感器、烟雾传感器及地电波传感器采集并存储环网柜的历史运行监测数据,形成环网柜的历史运行监测数据集;
S1-2、通过随机抽取的方法将历史运行监测数据集分为训练数据集和测试数据集,分别计算训练数据集中两两数据间的可达距离以及训练数据集与测试数据集两两数据间的可达距离,任意两数据点a与b间的可达距离rdk(a,b)计算公式如下:
rdk(a,b)=max{rk(a),rd(a,b)}
式中,rk(a)和rd(a,b)分别为a点的k距离和a、b点间的真实距离;当b点在a点的第k距离领域内时,rdk(a,b)等于rk(a),其中rk(a)为点a到第k个最近邻域点的距离;
S1-3、基于数据点间的距离,进一步计算测试数据集中各数据点的局部异常因子LOF;任意数据点a的局部异常因子LOFk(a)计算公式如下:
式中,Nk(a)为a点的第k距离领域,ldk(a)和ldk(b)分别为a点和b点的局部可达密度;
S1-4、对测试数据集中各数据点计算得到的LOF集合采用Bootstrap抽样以构建LOF的增广样本集合;当选取的置信水平为(1-α)时,记录下(1-α/2)对应的样本分位数;
S1-5、重复步骤S1-4多次并对记录的样本(1-α/2)分位数求平均,将得到的分位数平均值作为LOF控制图的上边界LOFup。
3.根据权利要求1所述的一种基于多元联合特征的环网柜局放故障预警与识别方法,其特征在于,步骤2中,构建环网柜的局放故障识别模型的具体步骤为:S2-1、利用环网柜内安装的特高频传感器采集环网柜不同类型局放故障下的局放信号;针对采集到的任一局放信号,向其中分别加入满足正态分布的白噪声,对形成的新信号进行经验模态分解,保存得到的模态分量集合[IMF1,IMF2,…,IMFh],重复该步骤若干次,将最终获得的各次模态分量做集成平均处理后作为最终的模态分量结果,记作[IMFf,1,IMFf,2,…,IMFf,h];其中,IMFf,h=∑IMFh/n,n为执行重复操作的次数,即为IMFh的平均值;
S2-2、针对步骤S2-1获取的任一局放信号的模态分量IMFf,对其进行粗粒化处理后构造矩阵YIMF,
式中,τ为时间延迟;m为维数,即矩阵YIMF中重构信号的个数;KN为IMFf中总采样点数,i表示IMFf中第i个采样点,1≤i≤KN;
对YIMF中各重构信号的数据点进行升序排序后记录各数据点的索引位置,进而构成YIMF的索引矩阵SYIMF,
计算SYIMF中各行序列在矩阵中出现的概率Pz,并计算IMFf对应的标准化排列熵Hp,f,将其作为局放故障特征指标;
S2-3、将步骤S2-2得到的局放故障特征指标形成局放故障特征指标集[Hp,f,1,Hp,f,2,…,Hp,f,m],并对其进行归一化处理;选取核函数K并计算核矩阵KM,将其通过下式转换为中心矩阵H,
式中E为m×m阶单位矩阵;
计算H的特征值λq,q=1,2,…,qn,并对其进行降序排列,计算前qk个特征值的累计贡献率Cqk,
式中qn为H特征值λq的总数目;
将Cqk与其设定的阈值Cset进行比较;若Cqk≥Cset,则保留前qk个特征值对应的故障特征指标,剔除剩余的故障特征指标;
S2-4、通过步骤S2-1,S2-2和S2-3获取目标环网柜的局放故障特征数据库,对特征数据进行归一化处理,并将处理后的局放故障特征数据向量矩阵和对应的局放故障类型向量作为训练样本,构建混合核函数KHKELM,如下式所示:
KHKELM=c1Kpoly+c2KRBF
c1+c2=1
式中,Kpoly和KRBF分别为多项式核函数和径向基核函数,c1和c2为其对应权重系数;
构造核矩阵ΩHKELM,计算KHKELM的输出权值βHKELM,
ΩHKELM=<KHKELM(Xtr(i),Xtr(j))>
式中,Xtr为训练样本中的局放故障特征数据向量矩阵,Ttr为训练样本中的局放故障类型向量,I为单位对角矩阵,C为正则化系数,ΩHKELM是由Xtr中两两局放故障特征数据向量作为KHKELM的输入构成的核矩阵,i和j为训练样本中的任意两两局放故障特征数据向量的编号;
保存输出权值βHKELM并将生成混合核极限学习机作为环网柜的局放故障识别模型。
4.根据权利要求3所述的一种基于多元联合特征的环网柜局放故障预警与识别方法,其特征在于,步骤3所述的将提取的局放故障特征向量输入到步骤2构建的局放故障识别模型中判别局放类型,具体为:
将提取的局放故障特征向量Fe投射到核空间得到新的核矩阵ΩHKELM(Fe),将其与混合核极限学习机输出权值βHKELM相乘,从而输出局放故障特征向量Fe对应的判别结果向量T(Fe):
ΩHKELM(Fe)=<KHKELM(Xtr(i),Fe)>
T(Fe)=ΩHKELM(Fe)×βHKELM
式中,ΩHKELM(Fe)是由Xtr中任意局放故障特征数据向量与局放故障特征向量Fe共同作为KHKELM的输入构成的核矩阵;
取判别结果向量T(Fe)中最大值对应的故障分类作为最终判别的局放故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192712.3A CN117233551A (zh) | 2023-09-15 | 2023-09-15 | 一种基于多元联合特征的环网柜局放故障预警与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192712.3A CN117233551A (zh) | 2023-09-15 | 2023-09-15 | 一种基于多元联合特征的环网柜局放故障预警与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117233551A true CN117233551A (zh) | 2023-12-15 |
Family
ID=89090573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311192712.3A Pending CN117233551A (zh) | 2023-09-15 | 2023-09-15 | 一种基于多元联合特征的环网柜局放故障预警与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233551A (zh) |
-
2023
- 2023-09-15 CN CN202311192712.3A patent/CN117233551A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
WO1998047009A2 (en) | Statistical pattern analysis methods of partial discharge measurments in high voltage insulation | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
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 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN115898925B (zh) | 一种基于振动信号多阶矩的风机故障预警方法 | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
CN117233551A (zh) | 一种基于多元联合特征的环网柜局放故障预警与识别方法 | |
CN111352365A (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
Lu et al. | Cable Incipient Fault Identification method using power disturbance waveform feature learning | |
CN111624445B (zh) | 一种基于红外测温传感器的局放检测方法和系统 | |
CN114236268A (zh) | 一种基于机器学习的变压器故障诊断方法和系统 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 |
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 |