CN117706293A - 一种基于超声信号的串抗匝间击穿故障定位系统 - Google Patents
一种基于超声信号的串抗匝间击穿故障定位系统 Download PDFInfo
- Publication number
- CN117706293A CN117706293A CN202311650027.0A CN202311650027A CN117706293A CN 117706293 A CN117706293 A CN 117706293A CN 202311650027 A CN202311650027 A CN 202311650027A CN 117706293 A CN117706293 A CN 117706293A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- turn
- fault
- signal
- breakdown
- 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.)
- Granted
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 78
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000000034 method Methods 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 17
- 230000036961 partial effect Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000009413 insulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005538 encapsulation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001845 vibrational spectrum Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 229920006267 polyester film Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01R31/12—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于超声信号的串抗匝间击穿故障定位系统，属于串抗匝间击穿故障定位技术领域，该基于超声信号的串抗匝间击穿故障定位系统包括超声传感阵列、通讯中继和上位机，其中超声传感阵列与通讯中继采用无线方式连接，通讯中继与上位机串口连接，超声传感阵列中设置有均匀间隔的M行×N列的超声传感器，超声传感器用于采集超声信号，超声传感器阵列用于输出每个超声传感器的超声信号作为超声信号集，其中每个超声信号，上位机中设置有串抗匝间击穿故障定位模块，用于采用相对相位聚类的方式，根据超声信号集进行串抗匝间击穿故障定位。不接触检测，解决了现有技术对串抗匝间击穿故障定位的设备复杂导致不利布置检测的技术问题。
Description
技术领域
本发明属于串抗匝间击穿故障定位技术领域，具体而言，涉及一种基于超声信号的串抗匝间击穿故障定位系统。
背景技术
与传统的铁芯油式电抗器相比，干式空心电抗器具有线性度高、重量轻、机械强度高、噪声小、易于安装和维护的优点，因此，广泛运用于电力系统中，具有限制短路电流、无功补偿的作用。干式空心电抗器可通过串联或者并联的方式接入系统，根据功能种类和用途，可将干式空心电抗器分为串联电抗器、并联电抗器、限流电抗器、中性点接地电抗器、滤波电抗器、分裂电抗器、静止无功补偿并联电抗器、平衡电抗器、平波电抗器等。干式空心电抗器在总体上可视为由多个同轴包封并联而成。干式空心电抗器的每个包封内具有多层不同匝数的绕组相互并联，包封与包封之间留有气道，便于干式空心电抗器的散热；干式空心电抗器的气道之间由分布均匀的撑条隔开，起到固定的作用；铝制的星形支架位于电抗器包封顶部和底部，电抗器包封首末端的绕组出线通过焊接在星形支架的接线臂上，起到电气连接的作用，另一方面星形支架能够压紧包封，提高干式空心电抗器的机械强度。在绝缘方面，干式空心电抗器包封内各层绕组间和绕组匝间由玻璃纤维丝或聚脂薄膜包制，电抗器包封的整体绝缘由浸有环氧树脂的玻璃纤维构成。近年来，干式空心电抗器绝缘故障时有发生，严重时发生电抗器烧毁事故，给电力系统安全稳定运行带来威胁，并造成经济财产损失。串联电抗器绝缘失效时，首先表现为线包匝间击穿，形成不稳定放电通道，引起频繁火花放电，使得局部温度进一步升高，绝缘破坏范围扩大和破坏程度加剧。电抗器的包封过热造成绝缘的劣化，形成过热-绝缘损坏-发热更为严重这一恶性循环过程，加速绝缘热老化过程，最终造成绕组匝间彻底丧失绝缘保护，引起匝间短路，引发烧毁事故。根据分析，造成干式空心电抗器包封发热异常的原因主要包括电抗器的制造工艺偏差、高温的恶劣运行环境、谐波过高等。
目前，对串联电抗器匝间击穿故障目前国内外采用的在线监测方法主要有磁场探测法、光纤测温法及振动频谱分析法等。其中，磁场探测法在电抗器上下端设置对称放置的感应线圈，形成差分信号反映电抗器的磁场变化以监控匝间短路故障；光纤测温法采用光纤布拉格光栅温度传感器监控电抗器本体的温度变化，利用其温度信号来监控电抗器的工作状态；振动频谱分析法在电抗器外表面多处安置振动传感器，利用其振动频谱分析来监控电抗器的工作状态。但是这些方法均存在由于传感器信号的干涉，引发的检测精度的技术问题。
发明内容
有鉴于此，本发明提供一种基于超声信号的串抗匝间击穿故障定位系统，能够解决现有技术对串抗匝间击穿故障定位的设备，由于传感器信号的干涉，导致检测精度的技术问题。
本发明是这样实现的：
本发明提供一种基于超声信号的串抗匝间击穿故障定位系统，其中，包括超声传感阵列、通讯中继和上位机，其中所述超声传感阵列与通讯中继采用无线方式连接，所述通讯中继与所述上位机串口连接，所述超声传感阵列中设置有均匀间隔的M行×N列的超声传感器，所述超声传感器用于采集超声信号，所述超声传感器阵列用于输出每个超声传感器的超声信号作为超声信号集，其中每个超声信号，所述上位机中设置有串抗匝间击穿故障定位模块，用于采用相对相位聚类的方式，根据所述超声信号集进行串抗匝间击穿故障定位。
一般的，MN均为8～32之间的整数。
在上述技术方案的基础上，本发明的一种基于超声信号的串抗匝间击穿故障定位系统还可以做如下改进:
其中，所述串抗匝间击穿故障定位模块，用于执行以下步骤：
S10、获取超声信号集；
S20、对所述超声信号集中的每个超声信号进行预处理，得到预处理信号；
S30、根据每个预处理信号对应的超声传感器的位置进行计算每个超声信号的相对相位；
S40、利用预先训练好的超声故障模型，输入每个预处理信号，输出对应的故障时刻；
S50、根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置，本步骤中，由于实际使用中检测串抗匝间击穿故障放置超声传感器阵列的空间有限，超声传感器的距离较小，当击穿故障引发的超声波信号到达超声传感器阵列时会存在一定的干涉，会影响超声传感器接收到的超声信号的振幅，从而对相位计算产生影响，造成每次计算得到的串抗匝间击穿故障存在误差，因此需要计算得到多个串抗匝间击穿故障的位置。
S60、对计算得到的多个串抗匝间击穿故障的位置采用自组织映射神经网络进行无监督学习聚类，得到的多个聚类中心为串抗匝间击穿故障的位置；采用自组织映射神经网络进行无监督聚类的过程中，由于这个自组织映射神经网络存在一个竞争层，自动寻找最适合聚类的聚类中心，聚类效果更高，能够有效降低S50中超声干涉现象造成的计算误差。
其中，所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于0.5个超声波波长。
进一步的，所述超声波频率大于2MHZ，所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于2个超声波波长。
进一步的，所述对所述超声信号集中的每个超声信号进行预处理，得到预处理信号的步骤，具体包括：对采集的超声信号集中的每个超声信号进行小波变换滤波去除噪声、利用主成分分析消除冗余成分、采用Min-Max归一化映射信号幅值到统一范围。
进一步的，所述根据每个预处理信号对应的超声传感器的位置进行计算每个超声信号的相对相位的步骤，具体包括：基于超声传感器阵列的几何布局确定阵元间距离，依距速关系推导理论到达时间，与实测时间比较确定相对相位。
进一步的，所述超声故障模型的建立和训练步骤，具体是：
构建训练样本、构建单一超声传感器对串抗设备的运行实验进行超声信号采集，并人工标注超声信号中对应的存在匝间击穿故障的波形段；多次试验，得到多个超声信号机器对应的存在匝间击穿故障的波形段座位训练样本；
建立模型雏形、采用卷积神经网络建立模型雏形；
训练得到模型、采用训练样本对模型雏形进行训练，得到超声故障模型。
进一步的，所述根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置的步骤，具体是：建立串抗几何模型，根据预处理信号的相位差计算传播时间差，结合故障波形的到达时刻在模型上定位出多点故障区域，根据结构参数约束条件筛选出最可能击穿点作为候选故障点。
进一步的，所述对计算得到的多个串抗匝间击穿故障的位置采用自组织映射神经网络进行无监督学习聚类，得到的多个聚类中心为串抗匝间击穿故障的位置的步骤，具体是：构建无监督自组织映射网络输入候选故障点，根据数据分布分组聚类获得代表性故障区域，实现对击穿位置的精确定位。
进一步的，M＝N＝16。
与现有技术相比较，本发明提供的一种基于超声信号的串抗匝间击穿故障定位系统的有益效果是：本发明的系统利用超声阵列传感器中每个超声信号的相位区别，对超声信号中的串抗匝间击穿故障对应波段进行计算，实现了对串抗匝间击穿故障高准确度的检测与定位。可以实现消除信号之间的干涉，系统不接触检测，无需停机检测条件限制，解决了现有技术对串抗匝间击穿故障定位的设备复杂导致不利布置检测的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于超声信号的串抗匝间击穿故障定位系统流程图；
图2为串抗匝间击穿故障定位模块执行步骤的流程图；
图3是超声阵列定位原理图；
图4是电抗器声波模态图；
图5是SOM网络结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1所示，是本发明提供的一种基于超声信号的串抗匝间击穿故障定位系统的组成示意图，本系统包括超声传感阵列、通讯中继和上位机，其中超声传感阵列与通讯中继采用无线方式连接，通讯中继与上位机串口连接，超声传感阵列中设置有均匀间隔的M行×N列的超声传感器，超声传感器用于采集超声信号，超声传感器阵列用于输出每个超声传感器的超声信号作为超声信号集，其中每个超声信号，上位机中设置有串抗匝间击穿故障定位模块，用于根据超声信号集进行串抗匝间击穿故障定位。一般的，MN均为8～32之间的整数，优选的，M＝N＝16。所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于0.5个超声波波长。所述超声波频率大于2MHZ，所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于2个超声波波长。
如图2所示，串抗匝间击穿故障定位模块，用于执行以下步骤：
S10、获取超声信号集；
S20、对超声信号集中的每个超声信号进行预处理，得到预处理信号；
S30、根据每个预处理信号对应的超声传感器的位置进行计算每个超声信号的相对相位；
S40、利用预先训练好的超声故障模型，输入每个预处理信号，输出对应的故障时刻；
S50、根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置；
S60、对计算得到的多个串抗匝间击穿故障的位置采用自组织映射神经网络进行无监督学习聚类，得到的多个聚类中心为串抗匝间击穿故障的位置。
S10、获取超声信号集：
该步骤首先确定超声传感阵列的物理布局，采用M×N的矩阵排布，其中每个阵元通过数据采集卡连接通讯中继以实现数据传输。数据采集过程通过采样定理确定采样频率，满足奈奎斯特条件。接着使用定域扫描法，通过控制采集卡的通道，依次获取每个阵元的超声信号。定域扫描的好处在于可以快速获取阵列各位置的超声波幅值，而不需要同时读取所有阵元的数据，简化了后续处理流程。最后将每个阵元波形信号汇总起来，即构成超声信号矩阵，存储到本地数据库作为输入数据。采用定域扫描获取超声信号矩阵，便于后续建立各信号通道之间的空间映射关系，为综合分析每个阵元波形提供基础。
S20、对超声信号集进行预处理：
该步骤需要对S10步骤取得的原始信号进行滤波和归一化，以获得更好的分析效果。其中包含如下子步骤：1)小波变换滤波：使用Daubechies小波函数，进行5级小波变换，实现信号的滤波平滑，剔除噪声和毛刺信号。小波变换的核心在于多分辨率分析，可以有效保留有用信号特征的同时去除噪声。2)主成分分析：通过主成分分析获得信号的主要特征模式，剔除冗余成分。该技术通过正交变换把多变量转换为少量主成分代表，节省处理存储器空间，抵抗数据异常的偏差。3)采用Min-Max归一化，把所有信号幅值映射到0-1区间，这可以消除量纲影响，有利于不同信号的比较。信号的预处理为模型训练和故障检测奠定基础。
S30、计算超声信号相对相位：
该步骤核心在于构建超声传播模型，确定各阵元间的距离关系及声速。可以采用以下子步骤：1)根据阵列布局和几何坐标系原理，计算各两阵元间的欧式距离；2)查阅检测环境中的超声波的波速，默认设定为340m/s；3)依据距离及速度关系，推导各信号到达定点检测器的理论时间；4)最后将实测到达时间与理论值比较，得到超声信号之间的相对相位。该信息反映阵列与故障点的空间信息，是定位的重要依据。相对相位计算利用了三角定量法及声学传播定律，通过数据分析实现对声源信息的抽取。
S40、基于故障模型训练和定位：
该步骤使用卷积神经网络、随机森林等技术训练超声信号模型。其包含如下子步骤：1)依据历史数据和知识构建输入样本特征，包括频谱特征、相位特征等，标签为正常运行或几类常见故障。2)构建深度网络，输入特征以及处理层。损失函数采用交叉熵函数，优化器使用RMSprop。重复迭代训练直到网络收敛。对新信号输入网络进行预测分类，输出故障类别及可能性，实现故障检测。随机森林可用来验证防止过拟合。该步骤使用了深度学习建模方法，通过样本特征抽取和网络训练，实现对故障的智能识别。
S50、根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置：
该步骤的具体实施方式如下：1)建立串抗几何模型；2)根据预处理信号中的相位差信息，计算信号传播时间差；3)结合故障波形的到达时刻，在几何模型上标出可能的多点故障位置；4)根据串抗结构参数，串抗布置等约束条件，筛选出最可能的几个匝间击穿点；5)最终确定多个潜在的故障串抗位置区域作为输出。
该步骤主要基于声音传播规律、故障信号时序特点以及串抗结构分析，初步锁定了一系列故障点区域。
S60、采用自组织映射神经网络进行无监督学习聚类：1)构建自组织映射网络结构，输入层节点数为候选故障点的数量；2)网络无监督自主学习，根据输入数据分布和相似性将候选故障点区分为多个聚类；3)聚类数量由网络结构确定，每类聚类中心即为一击穿故障位置；
相比单点估计，该方法通过聚类分析获得确定的几处故障区域，提高了定位准确性；相比监督学习，无监督聚类更适合无标签的候选目标分群，避免人工标注工作量大。这种无监督自组织网络聚类分析，可有效利用输入分布信息，从中提取代表性的几类故障点，实现对可能区域的精确定位。
下面是串抗匝间击穿故障定位模块的一个具体的实施例：
S10获取超声信号集
设置超声线阵传感器的阵列布局为M×N的矩阵形式，其中M代表阵列行数，N代表阵列列数。那么矩阵内的每个阵元用Aij表示，其中i满足1≤i≤M，j满足1≤j≤N。每个阵元Aij都连接有一个独立的超声传感器，用来采集串抗运行过程中产生的超声声波信号。
数据采集系统包含有一个定域扫描式的数据采集卡，它可以依次切换访问矩阵内的各个阵元，获取不同位置传感器采集到的原始超声信号波形。如果采集卡连接的当前阵元为Aij，那么获取到该阵元位置的超声信号用变量sij(t)表示，其中t为采样时间。
重复上述过程，当依次获取矩阵内每个阵元Aij的超声信号波形sij(t)后，即可构成一个M×N的二维信号矩阵S：
信号矩阵S即为原始的超声信号集，包含了串抗工作时各传感器阵元接收到的完整超声序列信息。该信号集矩阵被存储在本地数据库中，作为故障定位分析的原始输入数据。
S20对超声信号集预处理
对信号集矩阵S中的每个超声信号波形sij(t)都进行以下预处理操作：
(1)小波变换滤波去噪
选择Daubechies小波函数DbN作为母小波，对每个信号sij(t)进行5层小波包变换，实现信号的多分辨率分析，分离出有用的特征成分，剔除噪声干扰和异常突波。该过程表达为：
s′ij(t)＝Wψsij(t)
其中，Wψ表示小波变换运算操作，s′ij(t)为滤波处理后的信号。
(2)主成分分析降维
对滤波后的信号矩阵S′进行主成分分析(PCA)，保留Signals的主要特特征向量，消除信息冗余，节省存储空间。表达式为：
S″＝P(S′)
其中，P代表主成分分析投影变换运算。
(3)信号归一化
采用min-max归一化方法，将所有信号幅值映射到[0，1]的数值范围内，消除量纲干扰，便于信号比较。归一化方法为：
最终得到归一化后的信号集矩阵S″′。
上述预处理流程，可有效提升原始信号的可分析性。
S30计算超声信号相对相位
根据传感器阵列的排布结构和坐标系，计算任意两阵元Aij和Akl之间的欧式距离：
根据当前声速，获得该串抗结构材料内声波的传播速度v；
根据距离和速度求出超声信号从阵元Akl传播至Aij的理论到达时间：
将理论时间值τ与信号的实际检测到达时间比较，计算出信号之间的相位差值即相对相位信息。
S40基于故障样本训练识别模型
构建输入样本特征矩阵X，选取频域特征、相位特征等关键信息。标签向量Y表示样本类别。
选择卷积神经网络(CNN)模型，损失函数为交叉熵：
迭代训练CNN模型，调优参数使损失函数最小化，得到优化的故障识别模型f。
对新输入信号x，经模型产生其对应故障类别：y＝f(x)。
S50定位多个可能故障点的详细实施流程
根据串抗的结构参数，建立三维机械结构模型。
在机械结构模型上精确标注出超声传感器阵列的安装位置坐标，确定每个传感器与机械部件的空间布置关系。
提取经预处理后的超声信号矩阵S″′，解析各信号通道之间的相位差信息
根据声波传播原理，计算信号之间的传播时间差Δt。结合故障特征波形的潜伏期、上升沿时序等动态特性参数，测量信号波形在各阵元上的到达时间t1，t2，...，tN。
将时间和相位参数关联到机械结构模型坐标系中。依据几何定量关系，在结构图上定位出多个可能产生故障波的可疑点，作为多个串抗匝间击穿故障的位置。
可选的，还可以进一步剔除串抗正常运行产生的噪声信号，提取与故障特征吻合的波源分布。例如参考串抗匝间击穿的电弧放电特征，提取具有该频率和幅值特征的波源坐标，最终确定少量最有可能的故障点空间分布区域，为后续的精确定位提供候选目标。
S60基于自组织映射网络的故障点无监督聚类
构建自组织映射(SOM)神经网络分类模型。其中输入层节点数为N，即候选故障点的数量。输出层作为二维网络层对输入进行可视化聚类映射。
无监督方式迭代训练网络，使输出图上相邻节点对应输入空间中的模式相似样本点。即相似故障点映射到网络图的相邻区域。
由网络结构决定分类类别数K，因此形成K个故障点聚类区域。提取这些聚类中心在原输入空间对应的坐标点，作为精确的故障位置点。
SOM网络的无监督训练方式无需数据标签，可以快速自动实现对大量候选目标的密度聚类与可视化展现。
超声故障图像模型的建立与训练
收集大量历史串抗故障样本，获取对应故障类型的超声序列信号和图像数据。
使用卷积神经网络作为深度学习模型，输入层为一段时间的超声信号序列或图像。标记输出层的故障类别。
网络中设置多个卷积层、池化层和全连接层，构建提取故障特征的深层神经网络。
训练模型参数，迭代优化使图像信号通过网络映射到对应的故障类型类别上。
得到优化后的网络模型。后续对新输入的超声图像，能自动提取特征判断所属的故障类型类别。
网络模型融合时序信号与图像信息，利用深度学习强大的特征表达与拟合优势，实现对超声图的高效智能分析。
具体的，本发明的原理是：本发明核心在于运用声波传播的定量关系，结合数据分析方法，实现对故障点空间坐标的计算与估计。由于匝间击穿会产生电弧放电，使沿绕组的介质发生热异常噪声，这种声响会以声波形式向外界传播，并可被传感器采集。通过检测各个传感器接收到噪声信号的到达时间和波形差异，与传播介质参数关联，可以反推确定异常放电点的空间位置。基于该原理，本发明安装超声线阵，构建输入矩阵。故障时刻和波形被识别，各路信号相位差通过阵列几何关系换算为传播时间差，锁定故障区域。而小波变换、主成分分析等算法去除非信息成分，卷积网络提取特征，提高辨别度。最后无监督SOM网络对候选区域分类聚类，形成故障密度分布，输出击穿点坐标。这样，整体流程作为端到端解决方案，实现对匝间击穿位置的精确定位。
相关的具体技术原理如下：其中，下面的计数原理部分涉及到的参数、变量的含义与具体实施方式中互相独立。
下面是电抗器局部放电的超声信号的原理解释：
基于电子雪崩和流注理论的经典局部放电原理很好地解释了局部放电发生时的单脉冲现象。大量的研究表明：在纳秒级的局部放电过程中，脉冲信号的时域波形包含多个连续且振幅逐渐衰减的脉冲，而且具有一定的统计自相似性。电气设备内部发生局部放电时，除了会产生高频脉冲电信号，还会出现爆裂状的超声波现象，表现为超声波信号。通常地，局部放电产生超声波是由于绝缘介质的局部体积变化引起的，当局部放电产生时，电气设备局部绝缘介质被击穿，电荷大量转移形成电流，并释放热量导致绝缘介质受热膨胀，局部体积在短时间内增大；局部放电结束后，电流消失，绝缘介质冷却收缩。绝缘介质膨胀收缩的过程正是超声波信号的产生原因和传播方式，超声波信号从局部放电源以球面波的方式向四周传播，通过绝缘介质到达电气设备表面。局部放电超声波检测法是基于对局部放电发出的声波信号的检测。局部放电表现为一个小的“爆炸”，它激发一个声波，在整个电气设备中传播。声信号是通过波的形式在介质中传播，声波在介质中产生压缩和收缩，导致绝缘介质内部局部压强(P)的变化，从而导致局部密度变化和分子在介质中位移。这通常被称为粒子位移，在这种情况下，粒子意味着小体积的大块材料。声波可以用基本方程式描述，即描述介质的连续性、能量守恒和弹性，形成声波运动的一般微分方程：
式中，c为声速。弹性波动方程有一个张量形式，对于任意传播方向都有三个正交偏振平面波解。这个方程的含义在平面压力波的极限中得到了最好的解释。
p(x，t)＝p0sin(wt±wx/c)
这个方程显示了角频率为ω的压力波随时间和位置的变化。在任何给定的位置，力值每秒重复f次，波的周期T＝1/f。在任何给定的时间，间隔一定空间(沿着传播方向)λ＝c/f后压力重复。低频总是与长波相关，反之亦然。
电气设备内部局部放电产生的声波，需经过多层介质才能传达到表面。电气设备结构复杂，造成声波振幅和能量随着传播距离的增加逐渐衰减。研究表明，当一个声波在介质中传播时，其强度减弱与接收点到波源的距离呈函数关系。这是由多种原因造成的，包括声波的几何扩散、波反射与折射和声波吸收(将声波能量转化为热能)。这些现象导致当信号接收点远离波源时声波强度降低。
下面是超声传感阵列技术的原理解释
局放超声阵列定位算法的基本原理是：首先利用某种阵列结构的超声阵列传感器接收电气设备内部因局放而产生的宽带超声信号；然后通过聚焦变换将接收到的宽带信号变换为窄带信号；再利用波达方向估计算法方法对窄带信号进行处理，得到电气设备内局放源相对于超声阵列传感器测量位置的方位角和俯仰角。若将信号视为远场信号，则同一信号到达不同的两个传感器阵元时，会存在一个波程差，这个波程差使得各接收传感器阵元间存在一个相位差，因为不同的两个传感器阵元的空间坐标已知，所以我们可以利用这个相位差来得到改信号的方位角的信息。
如图3所示，考虑空间任意相邻的两传感器阵元，d为两传感器阵元间的间距，C为信号的波速，θ,φ分别为入射信号波的方位角和俯仰角，由图可知，入射信号波在xoy平面投影与x正半轴的夹角为方位角，入射信号波与法线z正半轴的夹角为俯仰角。则可以推导空间入射信号波到达这相邻两传感器阵元的路程差s为：
其中x、y、z分别为两传感器阵元之间距离在X、Y、Z轴上的投影。为了计算方便，考虑相邻两个传感器阵元同在roz平面内，则相邻两传感器阵元的路程差为：
则空间远场信号到达相邻两传感器阵元的时间差τ为：：
相邻两个传感器阵元间的相位差月为：
式中，β为信号的波长，f为信号频率，ω为信号中心频率，对于窄带信号，相位差又可表示为：
不同频率下，电抗器内部及周围具有形态不同的模态，，如图4所示；
传感器的布置应根据监测频段的模态进行设计，一方面可以提高监测的灵敏度，另一方面可以避免混频干扰等现象。
3.3人工智能聚类算法
目前，有多种人工智能聚类算法，针对超声传感器阵列的信号特点，分别以传感器序号、信号强度为横纵坐标，绘制放电散点图。以该散点图、大气压、湿度、环境温度等为输入信号，采用自组织神经网络，在系统运行的过程中逐步训练网络，实现无监督训练的人工智能聚类功能。将不同区域的放电信号、各类干扰信号予以识别，并评估电抗器的运行状态。
自组织映射神经网络，即Self Organizing Maps(SOM)，可以对数据进行无监督学习聚类。它的思想很简单，本质上是一种只有输入层--隐藏层的神经网络。隐藏层中的一个节点代表一个需要聚成的类。训练时采用“竞争学习”的方式，每个输入的样例在隐藏层中找到一个和它最匹配的节点，称为它的激活节点，也叫“winning neuron”。紧接着用随机梯度下降法更新激活节点的参数。同时，和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数。
所以，SOM的一个特点是，隐藏层的节点是有拓扑关系的。这个拓扑关系需要我们确定，如果想要一维的模型，那么隐藏节点依次连成一条线；如果想要二维的拓扑关系，那么就行成一个平面，如图5所示(也叫Kohonen Network)。
既然隐藏层是有拓扑关系的，所以我们也可以说，SOM可以把任意维度的输入离散化到一维或者二维(更高维度的不常见)的离散空间上。Computation layer里面的节点与Input layer的节点是全连接的。
拓扑关系确定后，开始计算过程，大体分成几个部分：：
1)初始化：每个节点随机初始化自己的参数。每个节点的参数个数与Input的维度相同。
2)对于每一个输入数据，找到与它最相配的节点。假设输入时D维的，即X＝{xi,i＝1,…,D}，那么判别函数可以为欧几里得距离：
3)找到激活节点I(x)之后，我们也希望更新和它临近的节点。令Sij表示节点i和j之间的距离，对于I(x)临近的节点，分配给它们一个更新权重：
简单地说，临近的节点根据距离的远近，更新程度要打折扣。
4)接着就是更新节点的参数了。按照梯度下降法更新：
Δwji＝η(t).Tj，I(x)(t).(xi-wji)
迭代，直到收敛。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，包括超声传感阵列、通讯中继和上位机，其中所述超声传感阵列与通讯中继采用无线方式连接，所述通讯中继与所述上位机串口连接，所述超声传感阵列中设置有均匀间隔的M行×N列的超声传感器，所述超声传感器用于采集超声信号，所述超声传感器阵列用于输出每个超声传感器的超声信号作为超声信号集，其中每个超声信号，所述上位机中设置有串抗匝间击穿故障定位模块，用于采用相对相位聚类的方式，根据所述超声信号集进行串抗匝间击穿故障定位。
2.根据权利要求1所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述串抗匝间击穿故障定位模块，用于执行以下步骤：
S10、获取超声信号集；
S20、对所述超声信号集中的每个超声信号进行预处理，得到预处理信号；
S30、根据每个预处理信号对应的超声传感器的位置进行计算每个超声信号的相对相位；
S40、利用预先训练好的超声故障模型，输入每个预处理信号，输出对应的故障时刻；
S50、根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置；
S60、对计算得到的多个串抗匝间击穿故障的位置采用自组织映射神经网络进行无监督学习聚类，得到的多个聚类中心为串抗匝间击穿故障的位置。
3.根据权利要求1所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于0.5个超声波波长。
4.根据权利要求3所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述超声波频率大于2MHZ，所述超声传感器阵列中相邻两行或相邻两列的传感器间距大于2个超声波波长。
5.根据权利要求2所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述对所述超声信号集中的每个超声信号进行预处理，得到预处理信号的步骤，具体包括：对采集的超声信号集中的每个超声信号进行小波变换滤波去除噪声、利用主成分分析消除冗余成分、采用Min-Max归一化映射信号幅值到统一范围。
6.根据权利要求5所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述根据每个预处理信号对应的超声传感器的位置进行计算每个超声信号的相对相位的步骤，具体包括：基于超声传感器阵列的几何布局确定阵元间距离，依距速关系推导理论到达时间，与实测时间比较确定相对相位。
7.根据权利要求6所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述超声故障模型的建立和训练步骤，具体是：
构建训练样本、构建单一超声传感器对串抗设备的运行实验进行超声信号采集，并人工标注超声信号中对应的存在匝间击穿故障的波形段；多次试验，得到多个超声信号机器对应的存在匝间击穿故障的波形段座位训练样本；
建立模型雏形、采用卷积神经网络建立模型雏形；
训练得到模型、采用训练样本对模型雏形进行训练，得到超声故障模型。
8.根据权利要求7所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述根据每个预处理信号的故障时刻以及相对相位，计算得到多个串抗匝间击穿故障的位置的步骤，具体是：建立串抗几何模型，根据预处理信号的相位差计算传播时间差，结合故障波形的到达时刻在模型上定位出多点故障区域，根据结构参数约束条件筛选出最可能击穿点作为候选故障点。
9.根据权利要求8所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，所述对计算得到的多个串抗匝间击穿故障的位置采用自组织映射神经网络进行无监督学习聚类，得到的多个聚类中心为串抗匝间击穿故障的位置的步骤，具体是：构建无监督自组织映射网络输入候选故障点，根据数据分布分组聚类获得代表性故障区域，实现对击穿位置的精确定位。
10.根据权利要求1-9任一项所述的一种基于超声信号的串抗匝间击穿故障定位系统，其特征在于，M＝N＝16。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650027.0A CN117706293B (zh) | 2023-12-04 | 2023-12-04 | 一种基于超声信号的串抗匝间击穿故障定位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650027.0A CN117706293B (zh) | 2023-12-04 | 2023-12-04 | 一种基于超声信号的串抗匝间击穿故障定位系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706293A true CN117706293A (zh) | 2024-03-15 |
| CN117706293B CN117706293B (zh) | 2024-08-16 |
Family
ID=90145388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311650027.0A Active CN117706293B (zh) | 2023-12-04 | 2023-12-04 | 一种基于超声信号的串抗匝间击穿故障定位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706293B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275094A (zh) * | 2019-05-05 | 2019-09-24 | 电子科技大学 | 一种高压电缆局部放电声光联合检测方法及系统 |
| CN110726957A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障识别方法 |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
| CN114708885A (zh) * | 2022-03-30 | 2022-07-05 | 西安交通大学 | 一种基于声音信号的风机故障预警方法 |
| CN115639434A (zh) * | 2022-06-14 | 2023-01-24 | 辽宁省电力有限公司铁岭供电公司 | 超声与红外融合的变电站一次设备局放源联合定位方法 |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| CN115980521A (zh) * | 2022-12-07 | 2023-04-18 | 西安交通大学 | 多源局部放电超声信号的时间差估计方法 |
| CN117110944A (zh) * | 2023-09-04 | 2023-11-24 | 西安热工研究院有限公司 | 基于局放成像的发电机绕组匝间短路故障监测方法及设备 |
-
2023
- 2023-12-04 CN CN202311650027.0A patent/CN117706293B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275094A (zh) * | 2019-05-05 | 2019-09-24 | 电子科技大学 | 一种高压电缆局部放电声光联合检测方法及系统 |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
| CN110726957A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障识别方法 |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| CN114708885A (zh) * | 2022-03-30 | 2022-07-05 | 西安交通大学 | 一种基于声音信号的风机故障预警方法 |
| CN115639434A (zh) * | 2022-06-14 | 2023-01-24 | 辽宁省电力有限公司铁岭供电公司 | 超声与红外融合的变电站一次设备局放源联合定位方法 |
| CN115980521A (zh) * | 2022-12-07 | 2023-04-18 | 西安交通大学 | 多源局部放电超声信号的时间差估计方法 |
| CN117110944A (zh) * | 2023-09-04 | 2023-11-24 | 西安热工研究院有限公司 | 基于局放成像的发电机绕组匝间短路故障监测方法及设备 |
Non-Patent Citations (5)
| Title |
|---|
| 司文荣等: "基于MEMS 光纤超声传感器的局放定位系统研制", 传感技术学报, vol. 33, no. 10, 31 October 2020 (2020-10-31), pages 1 - 4 * |
| 张军民;刘伸展;李环;: "基于超声波信号检测的GIS击穿放电定位方法研究", 电工电气, no. 08, 15 August 2013 (2013-08-15) * |
| 徐艳春;王泉;吕密;: "电力设备局部放电定位技术评述", 绝缘材料, no. 05, 31 December 2017 (2017-12-31) * |
| 罗勇芬等: "基于超高频和超声波相控接收原理的油中局部放电定位法仿真研究", 电 工 技 术 学 报, vol. 19, no. 1, 31 January 2004 (2004-01-31), pages 1 - 4 * |
| 罗日成;李卫国;李成榕;: "基于阵列信号处理的变压器内局部放电源多目标定位方法", 电网技术, no. 01, 15 January 2006 (2006-01-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706293B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220326292A1 (en) | Kiviat tube based emi fingerprinting for counterfeit device detection | |
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| Jiang et al. | A decentralized unsupervised structural condition diagnosis approach using deep auto‐encoders | |
| CN108709745A (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
| CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
| CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
| Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
| CN111695452A (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及系统 | |
| Moradzadeh et al. | Location of disk space variations in transformer winding using convolutional neural networks | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| CN117706293B (zh) | 一种基于超声信号的串抗匝间击穿故障定位系统 | |
| Zhang et al. | Multiscale Channel Attention-Driven Graph Dynamic Fusion Learning Method for Robust Fault Diagnosis | |
| CN116259161B (zh) | 一种电力故障预警系统 | |
| CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
| CN116597167A (zh) | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 | |
| CN111061151A (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
| CN113780308B (zh) | 基于核主元分析与神经网络的gis局部放电模式识别方法及系统 | |
| CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
| Ioannou et al. | Feature extraction and identification techniques for the alignment of perturbation simulations with power plant measurements | |
| Ahmad et al. | Bidirectional LSTM based partial discharge pattern analysis for fault detection in medium voltage overhead lines with covered conductors | |
| Liu et al. | Partial Discharge Detection Method for Distribution Network Based on Feature Engineering | |
| Elahi et al. | A new data mining application in smart monitoring systems using self organizing map neural network to distinguish disk space variations in distribution transformers |
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 |