CN117572295B - 一种高压套管多模态在线监测及预警方法 - Google Patents
一种高压套管多模态在线监测及预警方法 Download PDFInfo
- Publication number
- CN117572295B CN117572295B CN202410047449.7A CN202410047449A CN117572295B CN 117572295 B CN117572295 B CN 117572295B CN 202410047449 A CN202410047449 A CN 202410047449A CN 117572295 B CN117572295 B CN 117572295B
- Authority
- CN
- China
- Prior art keywords
- sleeve
- data
- mode
- early warning
- sensing unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 8
- 241000287127 Passeridae Species 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000126 substance Substances 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
- G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
-
- 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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明属于在电力设备在线监测技术领域，具体是涉及一种高压套管多模态在线监测及预警方法；主要包括以下步骤：传感单元多模态数据采集、数据融合、深度学习模型训练、异常检测与预警、部署自适应传感单元、预测与维护，通过多模态数据融合和使用训练好的深度学习模型和历史数据，对套管未来的健康状态进行预测，更准确地监测套管的健康状态，及时发现问题并采取措施，提高套管的安全性和可靠性，同时能够实现定期维护和预防性维护的，减少不必要的维护工作和费用，降低因维护不及时而造成的风险。
Description
技术领域
本发明属于电力设备在线监测技术领域，具体是涉及一种高压套管多模态在线监测及预警方法。
背景技术
变压器套管是将变压器内部高、低压引线引到油箱外部的绝缘套管，不但作为引线对地绝缘，而且担负着固定引线的作用，变压器套管是变压器载流元件之一，在变压器运行中，长期通过负载电流，当变压器外部发生短路时通过短路电流。但是，高压套管在制造、运输和检修过程中，有可能因各种原因而残留有潜伏性缺陷；在长期运行过程中，受到电场和导体发热的作用、机械类损伤与化学腐蚀以及大气条件的影响也会逐渐产生缺陷，因此，要定期监测高压套管的状态是否健康。
而现有的对于高压套管的监测一般都是人工定期监测，会存在以下不足之处：首先，当高压套管发生故障时不能及时发现，难以实现实时监测，容易导致事故的发生；其次，人工定期监测，不仅加重人工负担，增加监测成本；因此，为了及时发现和解决套管健康问题，提出一种高压套管多模态在线监测及预警方法。
发明内容
针对现有技术的不足，本发明提供了一种高压套管多模态在线监测及预警方法，结合多个传感单元采集的多模态数据，利用人工智能技术实现对套管健康状态的准确在线监测和预警，提高套管的安全性和可靠性，降低维护成本和风险。
为了实现上述目的，本发明所采取的技术方案如下：高压套管多模态在线监测及预警方法，包括以下步骤：
（1）数据采集：使用多模态传感单元对高压套管进行多模态数据采集；
（2）数据融合：将多模态传感单元采集的多模态数据进行融合，生成综合的套管健康状态数据；
（3）深度学习模型训练：使用融合后的套管健康数据对深度学习模型进行训练；
（4）异常检测与预警：通过训练好的模型，对实时采集的套管数据进行异常检测和预警；当模型检测到套管出现异常时，将触发相应的预警机制；
（5）优化传感单元设置：结合套管的结构特征和环境需求，利用人工智能算法进行传感单元部署的优化；根据套管的状态变化，智能算法可自动调整传感单元的布置方案以最大程度提高监测系统的准确性和可靠性；
（6）预测与维护：利用训练好的深度学习模型和历史数据，预测套管未来的健康状态，并优化维护策略。
进一步地，所述多模态传感单元包含介损、电容量传感单元，泄漏电流传感单元及局部放电信号传感单元。
进一步地，所述多模态数据融合包含套管介损、电容量和局部放电三类数据，经过特征提取和卡尔曼滤波两个过程。
进一步地，所述特征提取过程通过均值、方差、峰值因子和波形因子四个指标进行计算，得到T介损、T电容量、T泄露电流、T局部放电。
进一步地，在卡尔曼滤波算法中，将T介损和T电容量归一化后取平均;将T局部放电和T泄漏电流归一化后取平均/>，然后将数据x1和x2进行数据融合。
进一步地，所述深度学习模型为联合GA-BP-LSTM神经网络模型，包含有输入层（I），隐含层（H）和输出层（O），输入层为反映套管数据的特征数据，所述特征数据为T介损、T电容量、T泄露电流、T局部放电。
进一步地，在联合GA-BP-LSTM神经网络模型中，将各个特征数据的总量的70%作为训练集、30%作为测试集，输出层分为两类：套管健康状态和套管不健康状态。
进一步地，套管数据出现不健康状态后，通过麻雀算法自适应的调整传感单元状态变化，继续采集相关的特征数据T介损、T电容量、T泄露电流、T局部放电。
进一步地，采集传感单元调整后的数据，通过SVR的预测模型，预测后2天的健康套管数据，得到套管的健康评估，并给出预警信号，SVR目标函数的形式为:
。
进一步地，所述维护策略包含有定期检查、保养以及更换部件。
与现有技术相比，本发明具有如下的有益效果：
1.本发明通过多模态数据融合和使用训练好的深度学习模型和历史数据，对套管未来的健康状态进行预测，更准确地监测套管的健康状态，及时发现问题并采取措施，提高套管的安全性和可靠性。
2.本发明通过预测和优化维护策略，实现定期维护和预防性维护的，减少不必要的维护工作和费用，降低因维护不及时而造成的风险。
3.本发明利用人工智能技术，实现自动化的监测与预警，大大提高监测的效率和准确度，减少人工操作的需求。
附图说明
图1为本发明在线监测及预警方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，一种高压套管多模态在线监测及预警方法，包括以下步骤：
（1）数据采集：使用多模态传感单元对高压套管进行多模态数据采集；
（2）数据融合：将多模态传感单元采集的多模态数据进行融合，生成综合的套管健康状态数据；
（3）深度学习模型训练：使用融合后的套管健康数据对深度学习模型进行训练；
（4）异常检测与预警：通过训练好的模型，对实时采集的套管数据进行异常检测和预警；当模型检测到套管出现异常时，将触发相应的预警机制；
（5）优化传感单元设置：结合套管的结构特征和环境需求，利用人工智能算法进行传感单元部署的优化；根据套管的状态变化，智能算法可自动调整传感单元的布置方案以最大程度提高监测系统的准确性和可靠性；
（6）预测与维护：利用训练好的深度学习模型和历史数据，预测套管未来的健康状态，并优化维护策略。
多模态传感单元包含介损、电容量传感单元，泄漏电流传感单元及局部放电信号传感单元。
将套管介损、电容量、泄露电流和局部放电四类数据进行融合，形成多模态数据，经过特征提取和卡尔曼滤波两个过程。
特征提取过程通过均值、方差、峰值因子和波形因子四个数据指标进行计算，表示为数据特征，得到T介损、T电容量、T泄露电流、T局部放电。
在卡尔曼滤波算法中，在卡尔曼滤波算法中，将T介损和T电容量归一化后取平均;
将T局部放电和T泄漏电流归一化后取平均然后将数据x1和x2进行数据融合。
(1)
融合后的估计的不确定度可以通过x1和x2的方差进行衡量，公式如下：
（2）
为了最小化，不难推导出/>时，式子(2)有最小值，此时，式子(1)可化为:
（3）
推导到多个特征数据的情况和当观测值是一个向量时候的情况，以及为了计算有效性，采用迭代计算的方法，可以计算出：
（4）
其中的K称之为卡尔曼增益。
通过以上计算出各种数据特征后开始进行训练，使用GA-BP-LSTM神经网络模型；其包括：输入层（I），隐含层（H）和输出层（O），将反映套管数据的特征数据T介损、T电容量、T泄露电流以及T局部放电当成输入层数据进行输入，然后通过GA-BP-LSTM网络进行训练，数据标注是将各个特征数据的总量的70%作为训练集、30%作为测试集，输出层分为两类：套管健康状态和套管不健康状态。
估测模型的拟合和预测效果通过决定系数（）、均方根误差（RMSE）、相对均方根误差（rRMSE）作为评价指标。
式中，为套管健康状态数；/>为套管健康状态数平均值；/>为模型估测值；n为样本数量。
当检测到不健康状态时候，给传感单元报警电路触发信号，触发报警电路报警并通知人员检修。
同时，当套管数据出现不健康状态后，需要通过麻雀算法来自适应调整传感单元状态变化来继续采集相关的套管介损、电容量、泄露电流和局部放电数据，结合SVR的预测模型，预测后2天的健康套管数据。
采用麻雀算法对传感单元参数进行寻优，麻雀群体分为发现者、加入者和侦探者，发现者负责觅食，加入者跟随发现者获取食物，侦探者负责发出危险预警信号，算法核心是通过位置更新找到食物能量最高的位置。
（5）
式（5）分别为发现者位置更新、加入者位置更新、警戒者位置更新。
其中:为当前迭代次数;/>为最大迭代次数;/>为第/>代第/>只麻雀的位置，为/>维行向量，/>为带求解量的维度;/>为服从正态分布的随机数﹔/>为元素均为l的矩阵;/>为(0，1]随机数；/>为[0，1]随机数，表示警戒值;/>为[0.5，1]区间的随机数，表示警戒阈值;/>为第/>代全局最差位置;/>为第/>代全局最优位置;n为种群规模：为/>的元素取绝对值组成的向量;/>，/>为/>维行向量，元素值为1或-1；/>为均值为0、方差为1 的正态分布随机数；U为[0，1]区间的随机数；/>为当前麻雀的适应度;/>为最差适应度；/>为最优适应度;/>为残差。
将不同传感单元采集的多模态数据进行融合，生成综合的套管健康状态数据。通过之前的套管数据、套管结构特征及套管状态变化来预测未来2天的配变运行状态，并给出一、二、三级预警信号。SVR的预测模型为根据历史套管健康数据和套管结构特征及套管状态变化分别训练预测模型，预测套管数据；结合套管状态变化，建立套管健康状态预测模型，给出预警等级结果。
SVR的预测模型以距离回归平面最远样本点的间距最小为优化目标，目标函数的形式为:
（6）
式中:为SVR预测模型的输入;/>为SVR预测模型的输出;/>为输入空间映射到高维空间的转换核函数;/>为高维空间超平面法向量;/>为偏置量;/>为套管误差;/>、/>分别为管道上、下界的松弛量，/>、/>为其各自的所属元素;/>为正则化参数;N为输入时序数据的长度。
本发明使用训练好的深度学习（GA-BP-LSTM+SVR）模型和历史数据，对套管未来的健康状态进行预测。
如果预测结果显示套管存在严重缺陷或健康状态不佳，则需要立即采取维修措施，例如更换部件、修补损坏等。
如果预测结果表明套管的健康状态较为良好，则可以按照预定的维护计划进行常规保养和检查。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (3)
1.一种高压套管多模态在线监测及预警方法，其特征在于：包括以下步骤：
（1）数据采集：使用多模态传感单元对高压套管进行多模态数据采集；
（2）数据融合：将多模态传感单元采集的多模态数据进行融合，生成综合的套管健康状态数据；所述多模态数据包含套管介损、电容量、泄漏电流和局部放电四类数据，经过特征提取和卡尔曼滤波两个过程；所述特征提取过程通过均值、方差、峰值因子和波形因子四个指标进行计算，得到T介损、T电容量、T泄漏电流、T局部放电；在卡尔曼滤波算法中，将T介损和T电容量归一化后取平均;将T局部放电和
T泄漏电流归一化后取平均，然后将数据x1和x2进行数据融合；
（3）深度学习模型训练：使用融合后的套管健康数据对深度学习模型进行训练；所述深度学习模型为GA-BP-LSTM神经网络模型，包含有输入层（I），隐含层（H）和输出层（O），输入层为反映套管数据的特征数据，所述特征数据为T介损、T电容量、T泄漏电流、T局部放电；将各个特征数据的总量的70%作为训练集、30%作为测试集，输出层分为两类：套管健康状态和套管不健康状态；
（4）异常检测与预警：通过训练好的模型，对实时采集的套管数据进行异常检测和预警；当模型检测到套管出现异常时，将触发相应的预警机制；
（5）优化传感单元设置：结合套管的结构特征和环境需求，利用人工智能算法进行传感单元部署的优化；根据套管的状态变化，智能算法可自动调整传感单元的布置方案以最大程度提高监测系统的准确性和可靠性；套管数据出现不健康状态后，通过麻雀算法自适应的调整传感单元状态变化，继续采集相关的特征数据T介损、T电容量、
T泄漏电流以及T局部放电 ；采集传感单元调整后的数据，通过SVR的预测模型，预测后2天的健康套管数据，得到套管的健康评估，并给出预警信号，SVR目标函数的形式为:
；
（6）预测与维护：利用训练好的深度学习模型和历史数据，预测套管未来的健康状态，并优化维护策略。
2.根据权利要求1所述的一种高压套管多模态在线监测及预警方法，其特征在于：所述多模态传感单元包含介损、电容量传感单元，泄漏电流传感单元及局部放电信号传感单元。
3.根据权利要求1所述的一种高压套管多模态在线监测及预警方法，其特征在于：所述维护策略包含有定期检查、保养以及更换部件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047449.7A CN117572295B (zh) | 2024-01-12 | 2024-01-12 | 一种高压套管多模态在线监测及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047449.7A CN117572295B (zh) | 2024-01-12 | 2024-01-12 | 一种高压套管多模态在线监测及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117572295A CN117572295A (zh) | 2024-02-20 |
| CN117572295B true CN117572295B (zh) | 2024-04-12 |
Family
ID=89884697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410047449.7A Active CN117572295B (zh) | 2024-01-12 | 2024-01-12 | 一种高压套管多模态在线监测及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117572295B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657287A (zh) * | 2017-10-26 | 2018-02-02 | 贵州电网有限责任公司电力科学研究院 | 一种变压器油酸值多频超声波测试回归预测方法 |
| CN207557408U (zh) * | 2017-12-05 | 2018-06-29 | 北京邦瑞智能电网技术有限公司 | 基于分压器的高压容性设备绝缘在线监测系统 |
| CN111222189A (zh) * | 2019-12-31 | 2020-06-02 | 湖南工程学院 | 一种高效的桥梁结构健康预警控制系统、方法 |
| CN210924883U (zh) * | 2019-12-06 | 2020-07-03 | 山东用新电子科技有限公司 | 一种桥梁结构健康监测系统 |
| CN113536604A (zh) * | 2021-09-01 | 2021-10-22 | 武汉大学 | 约束无梯度通用解算的结构健康监测传感器布设优化方法 |
| CN113985223A (zh) * | 2021-09-24 | 2022-01-28 | 广东电网有限责任公司广州供电局 | 一种高压干式套管的多参量智能识别系统及应用 |
| CN114002533A (zh) * | 2021-11-03 | 2022-02-01 | 国网江苏省电力有限公司检修分公司 | 一种高压套管一体化在线监测及灰色评价系统 |
| CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护系统 |
| CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
| CN115392629A (zh) * | 2022-07-11 | 2022-11-25 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种基于改进svr的煤矸石发热量软测量方法 |
| CN115600136A (zh) * | 2022-10-28 | 2023-01-13 | 国网四川省电力公司电力科学研究院（Cn） | 一种基于多传感器的高压套管故障诊断方法、系统及介质 |
| CN116047357A (zh) * | 2023-01-12 | 2023-05-02 | 国网江苏省电力有限公司超高压分公司 | 高压套管多参量一体化在线监测系统 |
| CN116150253A (zh) * | 2022-11-28 | 2023-05-23 | 四川启睿克科技有限公司 | 一种基于多模态信号的生产设备预测性维护方法和系统 |
| WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
| CN116519054A (zh) * | 2023-04-21 | 2023-08-01 | 山东日照发电有限公司 | 一种热力站设备健康状态监测系统及方法 |
| CN116709240A (zh) * | 2023-06-26 | 2023-09-05 | 南京理工大学 | 基于鲸鱼优化算法的层次化传感器部署方法 |
| CN116774086A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
| CN116861369A (zh) * | 2023-09-04 | 2023-10-10 | 山东捷瑞数字科技股份有限公司 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
| CN116866951A (zh) * | 2023-07-21 | 2023-10-10 | 西安理工大学 | 基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统 |
| CN116894376A (zh) * | 2022-05-26 | 2023-10-17 | 宫文峰 | 基于集成深度学习的船舶柴油发电机故障诊断方法 |
| WO2023227071A1 (zh) * | 2022-05-25 | 2023-11-30 | 中国电子科技集团公司第十研究所 | 一种多模型融合的航空电子产品健康评估方法 |
-
2024
- 2024-01-12 CN CN202410047449.7A patent/CN117572295B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657287A (zh) * | 2017-10-26 | 2018-02-02 | 贵州电网有限责任公司电力科学研究院 | 一种变压器油酸值多频超声波测试回归预测方法 |
| CN207557408U (zh) * | 2017-12-05 | 2018-06-29 | 北京邦瑞智能电网技术有限公司 | 基于分压器的高压容性设备绝缘在线监测系统 |
| CN210924883U (zh) * | 2019-12-06 | 2020-07-03 | 山东用新电子科技有限公司 | 一种桥梁结构健康监测系统 |
| CN111222189A (zh) * | 2019-12-31 | 2020-06-02 | 湖南工程学院 | 一种高效的桥梁结构健康预警控制系统、方法 |
| CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护系统 |
| CN113536604A (zh) * | 2021-09-01 | 2021-10-22 | 武汉大学 | 约束无梯度通用解算的结构健康监测传感器布设优化方法 |
| CN113985223A (zh) * | 2021-09-24 | 2022-01-28 | 广东电网有限责任公司广州供电局 | 一种高压干式套管的多参量智能识别系统及应用 |
| CN114002533A (zh) * | 2021-11-03 | 2022-02-01 | 国网江苏省电力有限公司检修分公司 | 一种高压套管一体化在线监测及灰色评价系统 |
| WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
| WO2023227071A1 (zh) * | 2022-05-25 | 2023-11-30 | 中国电子科技集团公司第十研究所 | 一种多模型融合的航空电子产品健康评估方法 |
| CN116894376A (zh) * | 2022-05-26 | 2023-10-17 | 宫文峰 | 基于集成深度学习的船舶柴油发电机故障诊断方法 |
| CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
| CN115392629A (zh) * | 2022-07-11 | 2022-11-25 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种基于改进svr的煤矸石发热量软测量方法 |
| CN115600136A (zh) * | 2022-10-28 | 2023-01-13 | 国网四川省电力公司电力科学研究院（Cn） | 一种基于多传感器的高压套管故障诊断方法、系统及介质 |
| CN116150253A (zh) * | 2022-11-28 | 2023-05-23 | 四川启睿克科技有限公司 | 一种基于多模态信号的生产设备预测性维护方法和系统 |
| CN116047357A (zh) * | 2023-01-12 | 2023-05-02 | 国网江苏省电力有限公司超高压分公司 | 高压套管多参量一体化在线监测系统 |
| CN116519054A (zh) * | 2023-04-21 | 2023-08-01 | 山东日照发电有限公司 | 一种热力站设备健康状态监测系统及方法 |
| CN116774086A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
| CN116709240A (zh) * | 2023-06-26 | 2023-09-05 | 南京理工大学 | 基于鲸鱼优化算法的层次化传感器部署方法 |
| CN116866951A (zh) * | 2023-07-21 | 2023-10-10 | 西安理工大学 | 基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统 |
| CN116861369A (zh) * | 2023-09-04 | 2023-10-10 | 山东捷瑞数字科技股份有限公司 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117572295A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
| US20180180657A1 (en) | Transformer condition-based risk management system and method | |
| CN105074598A (zh) | 用于输电和配电资产状态预测和诊断的系统和方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN105512962A (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
| CN108961696A (zh) | 一种海洋核动力平台的预警系统及预警方法 | |
| CN115979349B (zh) | 一种电力站空间环境监测方法及系统 | |
| CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
| CN117572295B (zh) | 一种高压套管多模态在线监测及预警方法 | |
| CN115308465A (zh) | 基于bp-som组合神经网络的供电安全隐患智能诊断系统及方法 | |
| JP6689212B2 (ja) | 柱上変圧器の寿命推定装置 | |
| CN117574275A (zh) | 一种电力系统异常检测分类方法 | |
| CN115480129A (zh) | 一种海缆在状态监测方法、系统及故障恢复方法 | |
| CN115565326A (zh) | 新能源高渗透率下的变压器状态评估方法及火灾预警方法 | |
| CN115864310A (zh) | 一种多参量融合电力变压器缺陷辨识、状态分级与主动安全保护方法 | |
| CN115372881A (zh) | 一种电压互感器计量误差评估方法及系统 | |
| CN113255203B (zh) | 基于anfis的电气线路老化程度在线辨识系统及方法 | |
| CN112084661B (zh) | 一种风电机组变流器水冷系统冷却状态评估预警方法 | |
| Huang et al. | The system of temperature rise monitoring and temperature prediction for power equipment | |
| Zhang et al. | Classification of building electrical system faults based on Probabilistic Neural Networks | |
| CN110516323A (zh) | 一种基于时序分析的压力管道损伤预测方法 | |
| RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата | |
| Dai et al. | Design and Application of Condition Monitoring System for Distribution Substation Based on Integrated Sensing Technology | |
| CN117408141A (zh) | 考虑电动汽车接入的电缆健康状态预测、评估方法及装置 | |
| CN116879663B (zh) | 基于多参数监测的spd在线寿命预测系统与预测方法 |
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 |